✨︎ Resumen (TL;DR):
- Mikita Balesni, Tomek Korbak y Jasmine Wang rechazaron el 8 de octubre de 2026 la explicación de OpenAI sobre sus despidos.
- La empresa sostiene que una investigación interna acreditó infracciones relacionadas con el acceso y manejo de información sensible.
- Los investigadores piden procedimientos claros para colaborar con organizaciones externas y plantear preocupaciones de seguridad.
Mikita Balesni, Tomek Korbak y Jasmine Wang rechazaron públicamente el 8 de octubre de 2026 las explicaciones de OpenAI sobre sus despidos. Los exinvestigadores de seguridad sostienen que actuaron dentro de sus funciones, mientras la empresa afirma que infringieron reglas para acceder y manejar información sensible.
Un portavoz de OpenAI dijo a Business Insider que una investigación interna había acreditado esas infracciones. En un memorando compartido con el medio, un responsable de investigación negó que las salidas fueran un castigo por expresar preocupaciones de seguridad.
OpenAI explicó a TechCrunch que las conductas indebidas detectadas excedían la colaboración con evaluadores externos.
Una petición para preservar la supervisión del razonamiento de los modelos ya circulaba el 7 de octubre. Las declaraciones públicas del día siguiente añadieron detalles sobre las conductas cuestionadas.
Los investigadores defienden sus contactos y permisos
En la carta, Tomek Korbak defendió su comunicación con METR durante la investigación de un incidente relacionado con Hugging Face.
Mikita Balesni afirmó que coordinaba su trabajo entre empresas con directivos y miembros del consejo. También señaló que retiraba detalles sensibles antes de compartir materiales.
Jasmine Wang sostuvo que recibió permiso para acceder al correo de un ejecutivo con fines de reclutamiento. Según su versión, el acceso siguió activo después de que pidió revocarlo. Cuando abrió accidentalmente un mensaje sensible, avisó al ejecutivo en pocos minutos.
METR necesita acceso técnico para evaluar IA
METR es una organización sin fines de lucro que evalúa las capacidades y los riesgos de sistemas avanzados de IA. Sus siglas corresponden a Model Evaluation and Threat Research.
La organización examina si esos sistemas pueden completar tareas extensas de forma autónoma y estudia conductas que podrían comprometer las propias evaluaciones.
En su página institucional, METR explica que ha colaborado con OpenAI y otros laboratorios. Esos laboratorios le han facilitado acceso a modelos y recursos para ejecutar pruebas.
METR declara que no acepta financiamiento de compañías de IA, aunque utiliza recursos de esas empresas para sus evaluaciones e investigación. También procura publicar sus investigaciones y evaluaciones de riesgos.
El esquema descrito por METR combina financiamiento separado con acceso técnico facilitado por los fabricantes. Ese modelo ayuda a entender el punto de fricción que plantea la carta: los contactos externos forman parte del trabajo de seguridad, pero necesitan procedimientos que definan qué información puede compartirse.
OpenAI documentó beneficios de abrir sus sistemas
OpenAI publicó el 12 de septiembre de 2025 un balance sobre su colaboración con organismos de seguridad de IA de Estados Unidos y Reino Unido.
Según ese documento, los evaluadores británicos accedieron a prototipos, información interna y herramientas para examinar las protecciones del sistema.
El balance también describió cómo el organismo estadounidense CAISI recibió acceso temprano a ChatGPT Agent y detectó dos vulnerabilidades. OpenAI aseguró que las corrigió en un día hábil después de recibir el aviso.
Ese antecedente muestra un beneficio concreto que la propia empresa atribuye a la evaluación externa: encontrar fallas y corregirlas. Sin embargo, el balance de 2025 se refiere a colaboraciones institucionales. No resuelve qué permisos tenían los investigadores despedidos ni si infringieron las reglas que OpenAI invoca.
Los firmantes piden procedimientos claros para colaborar con organizaciones externas y plantear preocupaciones de seguridad. El caso plantea una cuestión concreta: cómo compatibilizar el manejo confidencial de la información con el acceso técnico que requieren las evaluaciones externas.
