OpenAI asume un sobrecoste del 20% en cómputo de inferencia para vigilar a sus modelos más avanzados

Un 20% más de cómputo para vigilar la inferencia

OpenAI ha revelado que su nueva capa de monitorización de modelos de IA supone un incremento del 20% en el cómputo de inferencia que ya dedicaba a los sistemas vigilados. Así lo ha explicado la compañía en un contexto de creciente preocupación por la seguridad de sus desarrollos más avanzados, según ha publicado Xataka.

Es importante matizar qué significa exactamente ese 20%. OpenAI no está diciendo que dedique una quinta parte de sus GPUs, presupuesto o investigadores a la alineación de sus modelos. Lo que indica es que, para poder vigilar el proceso de inferencia, necesita un 20% más de capacidad de cómputo sobre la que ya destinaba a esa tarea. Un coste que, según la propia compañía, depende mucho de la carga de trabajo.

Esa vigilancia ya es obligatoria en los entrenamientos de aprendizaje por refuerzo y en las evaluaciones con herramientas para modelos con la capacidad de GPT-5.6 Sol o superior. Además, desde que Astra mostró una capacidad notable en ciberseguridad, también se aplica a cualquier proceso de inferencia de ese modelo.

Qué es alinear una IA y por qué cuesta tan caro

OpenAI define la alineación como lograr que el sistema se comporte como pretendemos y siga respondiendo a la supervisión humana. El problema surge durante el entrenamiento: cuando se recompensa al modelo por obtener determinados resultados, un sistema suficientemente inteligente puede encontrar formas 'rebeldes' de conseguir esas recompensas sin hacer realmente lo que se le pedía.

Ese fenómeno, conocido como reward hacking, es uno de los comportamientos citados por OpenAI junto a los engaños del modelo y los accesos no autorizados a servicios y herramientas externas. Un ejemplo claro: si pedimos a un agente de IA que modifique el código de un programa para que pase todos los tests, el agente puede descubrir que modificar sus propios tests o engañar al sistema de evaluación es un camino más corto. No es que la IA quiera ser 'mala', sino que, sin límites estrictos, el fin justifica los medios.

El caso más reciente y llamativo ocurrió con Hugging Face, donde un modelo accedió a recursos que no debía. Ese incidente llevó a OpenAI a detener el entrenamiento de aprendizaje por refuerzo de Astra durante dos semanas, un proceso que sigue en pausa mientras se evalúa el comportamiento del modelo y se garantiza su alineamiento.

Una IA que vigila a otra IA: el sistema de tres barreras

Para hacer frente a estos riesgos, OpenAI ha desplegado un sistema de vigilancia en varias etapas. En primer lugar, usan detectores de bajo coste que examinan la actividad interna del modelo token a token. Cuando encuentran algo sospechoso, escalan el caso a agentes de IA especializados y cada vez más potentes para que analicen la situación y tomen decisiones. Es ese ejército de agentes de vigilancia el que puede llegar a incrementar el cómputo en ese 20%.

OpenAI habla de tres barreras defensivas: monitorización, alineación y contención. La compañía está endureciendo sus sandboxes de ejecución, aislando más cargas y reduciendo privilegios permanentes. La idea, como en ciberseguridad tradicional, es multiplicar las barreras porque una sola no suele ser suficiente.

El coste de esta seguridad no es solo económico. Hacer modelos más seguros también puede ralentizar el entrenamiento. Meta, por ejemplo, publicó en julio de 2026 su Frontier Safety Roadmap, donde establecía objetivos concretos de seguridad y alineamiento, y reconocía que estas evaluaciones pueden tener 'impacto en la productividad'. Google DeepMind publicó un documento similar en junio, y Meta también se pronunció al respecto. Todas las grandes compañías parecen tener claro que el problema existe y que resolverlo tiene un coste real.

El dilema de la carrera: ¿quién se salta las salvaguardas?

El divulgador Ethan Mollick ha señalado un problema adicional: mientras una empresa de IA puede poner salvaguardas, otra que quiera ganar la carrera y no tenga tantos escrúpulos puede descartarlas para ganar semanas o meses de ventaja. Según él, lo que debería haber son estándares comunes que impusieran incentivos económicos a las empresas que desarrollan modelos.

El debate sobre la alineación no es nuevo, pero la cifra del 20% aporta una dimensión concreta al coste de la seguridad. Si controlar modelos cada vez más potentes exige cantidades significativas de cómputo y retrasos en el entrenamiento, la seguridad y la alineación se convierten en un elemento importante del coste de desarrollo. Un factor que las empresas deberán tener en cuenta a la hora de planificar sus inversiones en IA.