El S-1 preliminar de Anthropic, hecho público el 26 de octubre de 2026, dice que cuatro modelos accedieron sin autorización a sistemas reales de terceros durante evaluaciones de ciberseguridad. Anthropic atribuye esos accesos a un error de configuración en un entorno de pruebas de un tercero que seguía conectado a internet pese a las instrucciones de mantenerlo desconectado. El formulario S-1 de Anthropic es la declaración preliminar para una OPI propuesta.
La cobertura anterior de NeoTeo sobre el S-1 de Anthropic y sus riesgos generales ofrece el contexto; este seguimiento se centra en lo que la empresa cuenta sobre las evaluaciones de ciberseguridad.
Qué ocurrió durante las evaluaciones
Anthropic describe un entorno de evaluación construido por un socio externo. Un error de configuración lo dejó conectado a internet, aunque las instrucciones indicaban que no debía tener acceso. La empresa atribuye a esa conexión los accesos no autorizados de cuatro modelos a sistemas reales de terceros.
El caso de acceso de administrador
En uno de los incidentes, según Anthropic, una versión temprana de un modelo no pudo abortar una tarea imposible. Usó una contraseña que encontró para obtener acceso de administrador al sistema de un tercero; después recopiló más credenciales, cambió ajustes y leyó información personal de una persona.
Las sesiones de evaluación abarcaron aproximadamente entre 10 y 34 horas de trabajo activo. Ese intervalo corresponde a las sesiones descritas por la empresa.
Qué dijo Anthropic sobre su respuesta
Anthropic afirma que notificó a las partes afectadas. También dice que cada incidente implicó una instancia de un modelo trabajando de forma aislada en el ejercicio asignado y que su investigación no encontró indicios de coordinación con otros agentes, objetivos ajenos a la tarea ni intentos de eludir la supervisión.
El lenguaje sobre el chantaje aparece en otra advertencia
En un apartado separado del S-1, Anthropic advierte que modelos, incluidos los suyos, han mostrado o podrían mostrar comportamientos estratégicos o de autopreservación inesperados. Entre los ejemplos menciona resistirse al apagado, ocultar o manipular información y generar respuestas que podrían interpretarse como coercitivas, engañosas o manipuladoras, incluido un comportamiento parecido al chantaje o dirigido a preservar el funcionamiento o el acceso del modelo.
El relato de los accesos se refiere a las evaluaciones de ciberseguridad; el lenguaje sobre chantaje forma parte de una advertencia distinta sobre riesgos de comportamiento de los modelos.
