OpenAI confirma el despido de tres investigadores de seguridad de IA tras una investigación

OpenAI fijó públicamente el viernes su postura sobre el caso de los tres investigadores de seguridad despedidos: Jasmine Wang, Tomek Korbak y Mikita Balesni. La disputa ha durado dos días. El jueves, los investigadores publicaron una carta abierta en la que exigían transparencia. El viernes, la compañía respondió en X que una investigación interna encontró una «grave ruptura de confianza» y que la decisión se mantiene.

Qué ha declarado la compañía

La formulación oficial de OpenAI se apoya en dos tesis. La primera: los empleados fueron despedidos por infringir «normas claras sobre el manejo de información sensible». La segunda: el motivo no es que los tres hablaran públicamente sobre la compañía y expresaran preocupaciones sobre la seguridad de la IA. Qué información concreta se utilizó indebidamente, según OpenAI, no se revela en la parte disponible del material. Tampoco hay detalles sobre cómo se desarrolló la investigación ni quién la dirigió.

La publicación en X parece una respuesta directa a la carta. Sus autores, y también Wang, Korbak y Balesni en publicaciones aparte en redes sociales, pidieron a la compañía que explicara su decisión con más detalle. La lista completa de sus argumentos queda cortada en el fragmento disponible, así que resumirla entera sería forzar las cosas.

Hechos clave

• Despedidos tres investigadores: Jasmine Wang, Tomek Korbak y Mikita Balesni.
• Formulación de OpenAI: «grave ruptura de confianza» como resultado de la investigación.
• Motivo declarado: infracción de las normas de manejo de información sensible.
• Postura de la compañía: el despido no está relacionado con sus declaraciones públicas sobre la seguridad de la IA.
• Postura de los investigadores: la decisión debe explicarse en público, como plantea su carta del jueves.
• Cronología: la carta se publicó el jueves y la respuesta de OpenAI llegó el viernes 9 de octubre de 2026.

Por qué es un tema delicado para OpenAI

La compañía ya acumula un historial de conflictos en torno a la seguridad. En 2024 se disolvió el equipo de Superalignment, y Jan Leike, que se marchó, afirmó que la cultura de seguridad había cedido ante el lanzamiento de productos. Por entonces estalló también la polémica por los acuerdos de confidencialidad. Por eso, cualquier despido de personas que se dedican a safety se interpreta bajo ese prisma, con independencia de lo que diga el comunicado oficial.

En el fondo, la disputa es asimétrica. La compañía sostiene que se trata de disciplina y de protección de datos confidenciales, y es un argumento legítimo: los laboratorios que trabajan con modelos de frontera guardan bajo llave los pesos, los resultados de las evaluaciones y los informes internos sobre capacidades peligrosas. Pero no revela los detalles de la infracción, y desde fuera no se puede comprobar cuán grave fue ni si la sanción fue proporcionada. Los investigadores, por su parte, no pueden exigir transparencia y, a la vez, revelar lo que la empresa considera información protegida.

En esta situación resulta difícil contrastar los argumentos de ambas partes, y eso es lo que alarga el conflicto. Los costes de reputación para OpenAI crecen cada día mientras no haya una verificación independiente o, al menos, una explicación más detallada.

Qué conviene seguir

Para quienes trabajan con productos de OpenAI o la evalúan como socio, la conclusión práctica es sencilla. Conviene vigilar tres cosas: si la compañía revelará los detalles de la infracción, si aparecerá una evaluación independiente de la investigación y cómo reaccionarán otros empleados de los equipos de seguridad, ya sea en público o marchándose. Si está diseñando una política interna para el manejo de datos sensibles en su propio equipo de IA, este caso sirve como ejemplo: las normas deben estar escritas de antemano, y el procedimiento de investigación y los criterios de despido deben ser claros para los empleados antes del conflicto, no después.

Por ahora hay que ceñirse a lo que se sabe: dos declaraciones públicas, valoraciones divergentes y ausencia de detalles verificables.