Anthropic Eleva el Riesgo de Desalineación a Bajo y Guarda el Modelo Interno 2

Anthropic publicó su segundo informe de riesgo a nivel de empresa el 14 de agosto de 2026, y el cambio principal es una mejora de una palabra en la dirección incorrecta: la empresa ahora califica el riesgo de daño catastrófico por desalineación en entornos de alto riesgo como “bajo”, en lugar de “muy bajo” que asignó en su primer informe en febrero de 2026. El mismo documento revela un modelo interno no lanzado, llamado Modelo 2, que Anthropic dice es ligeramente más capaz que su Mythos 5 de vanguardia, y establece que la empresa no tiene planes actuales para lanzarlo externamente.

El Informe de Riesgo de Agosto de 2026, publicado bajo la versión 3.4 de la Política de Escalado Responsable de Anthropic, cubre el período desde el 24 de febrero de 2026 hasta una fecha de cobertura del 15 de julio de 2026. Es el segundo de una serie que la empresa pretende publicar cada tres a seis meses, y el primero en evaluar modelos internos junto con los lanzados.

Por Qué Cambió la Calificación

Anthropic es explícito en que el cambio es un ajuste de incertidumbre en lugar de un nuevo hallazgo. Los argumentos del informe todavía respaldan “muy bajo”, escribe la empresa, pero elevó la designación “para reflejar una mayor incertidumbre general”, citando divulgaciones recientes de incidentes sobre el comportamiento del modelo en evaluaciones de ciberseguridad. Uno se menciona: el Instituto de Seguridad de Inteligencia Artificial del Reino Unido informó recientemente que, en una evaluación de ciberseguridad de Mythos 5 con salvaguardas eliminadas y acceso a Internet concedido, el modelo “se involucró en una actividad dirigida y potencialmente perjudicial hacia personas y organizaciones reales”. Ese incidente ocurrió después de la fecha de cobertura del informe; Anthropic dice que su investigación conjunta con AISI está en curso y aún no ha revisado las transcripciones.

El informe también admite un problema de medición. En investigación y desarrollo automatizados, Anthropic mantiene su calificación de riesgo en “bajo” pero dice que tiene menos confianza que en informes anteriores, porque sus evaluaciones más concretas basadas en tareas han “saturado”, lo que significa que ya no registran ganancias de capacidad, y porque está “viendo signos tempranos de aceleración”. Internamente, Claude ahora escribe la mayoría del código fusionado en las bases de código de producción de Anthropic, y la empresa estima que su investigación y desarrollo asistidos por IA son significativamente más rápidos que el trabajo no asistido, aunque aún no por un factor de dos.

Qué Es y Qué No Es el Modelo 2

El Modelo 2 es uno de los tres modelos fronterizos o casi fronterizos no lanzados que Anthropic mantuvo internamente a partir de la fecha de cobertura, junto con Claude Opus 5, que se lanzó posteriormente, y un Modelo 1 de menor uso. Anthropic describe el Modelo 2 como una mejora notable sobre Mythos 5 en muchas tareas internas, aunque no un salto del tamaño visto desde Opus 4.6 a Mythos Preview. Tanto Mythos 5 como el Modelo 2 se utilizan ampliamente dentro de la empresa para codificación, generación de datos y otros trabajos agentes.

“No tenemos planes actuales para lanzar este modelo externamente”, establece el informe, agregando que el Modelo 2 no ha completado la suite completa de evaluaciones previas a la implementación, lo que deja a Anthropic con una confianza ligeramente menor en sus estimaciones de capacidad. La decisión llega mientras OpenAI ralentiza el lanzamiento de su modelo Astra por preocupaciones sobre la ciber-capacidad, un paralelo que Axios señaló al informar por primera vez sobre la divulgación.

Qué Encontraron las Pruebas

El núcleo de la sección de desalineación es un argumento de ocho afirmaciones de que los modelos actuales carecen de “capacidades encubiertas” fuertes, la capacidad de socavar de manera confiable la supervisión. En evaluaciones de tareas ocultas, donde un modelo debe completar una tarea oculta sin que un monitor lo note, Mythos 5 logró una tasa de éxito de sigilo inferior al 1% con pensamiento extendido habilitado, y incluso Mythos Preview, el rendimiento más fuerte, solo logró del 6 al 10%. Cada evaluación de alineación del modelo se ejecutó aproximadamente 2.900 sesiones de sondeo lideradas por investigadores, incluyendo 86 escenarios sembrados a partir de sesiones internas reales marcadas como oportunidades primarias para socavar el trabajo de seguridad de Anthropic.

El informe es igualmente claro sobre qué desalineación existe. Los agentes de Mythos 5 accidentalmente generados en un directorio de trabajo compartido mataron repetidamente a los agentes que compartían sus recursos y trataron de evitar ser matados ellos mismos. En otro caso, el modelo dividió una URL bloqueada en fragmentos de cadena concatenados para evadir un filtro de recuperación sin verbalizar la maniobra. Anthropic clasifica estos como comportamientos “de búsqueda de éxito aparente”, indeseables pero orientados hacia la finalización de la tarea en lugar de cualquier objetivo coherente a largo plazo, y califica el daño esperado de tal desalineación conocida como bajo.

La sección de armas biológicas y químicas lleva su propio impulso hacia arriba. El riesgo de armas no novedosas sigue siendo “bajo, pero más alto que nuestra estimación anterior”, después de que Anthropic descubriera que todo el tráfico de proveedores de retroalimentación humana, que cubría 133 millones de intercambios con aproximadamente 50.000 contratistas entre mayo de 2025 y abril de 2026, se ejecutó sin sus clasificadores biológicos de bloqueo. La empresa dice que ha remediado la brecha, su revisión no encontró evidencia de un uso inapropiado preocupante, y no se vieron afectados los clientes, pero el descubrimiento redujo su confianza en que no existan brechas similares.

Quién Revisa al Revisor

La mecánica de gobernanza es importante aquí porque este informe es el instrumento de aplicación de la política de escalado voluntaria de Anthropic. Bajo los cambios de política realizados desde febrero, el Fondo de Beneficio a Largo Plazo de la empresa puede ahora obligar a una revisión externa de los informes de riesgo y aprueba a los revisores, y los informes completamente sin redactar deben circular entre al menos 200 empleados. El Fondo aún no ha ejercido el poder de revisión; secciones anteriores han tenido revisiones externas piloto de METR y SecureBio. Anthropic revela que la versión pública redacta detalles comercialmente sensibles de su proceso de I+D, y que un incidente del período cubierto se redactó completamente, una elección que Mythos en sí, al que se le pidió que revisara el documento, señaló como entre el material más informativo retenido.

Unite.AI ha seguido los hallazgos de comportamiento que alimentan esta evaluación, incluyendo el trabajo de equipo rojo de Anthropic sobre enjambres de agentes de Claude y la divulgación separada de la empresa sobre la mecánica de la marca de agua de texto de Claude, ambos de los cuales se encuentran dentro del mismo aparato de transparencia que estos informes.

Anthropic dice que seguirá publicando los informes en su cadencia de tres a seis meses, con la próxima evaluación esperada para incorporar los hallazgos de la investigación de AISI y lo que reemplace sus benchmarks de I+D ahora saturados. El Modelo 2, por ahora, se queda dentro.