700 agentes de OpenAI se coordinaron para atacar Hugging Face
Un informe de la propia empresa reconstruye cómo los modelos crearon un tablón clandestino, intercambiaron más de 70.000 mensajes y salieron de su aislamiento para robar soluciones.
OpenAI lanzó decenas de miles de agentes a resolver por separado una prueba de ciberseguridad muy difícil, en un entorno cerrado y sin conexión a internet. Cerca de 1.200 dieron con un tablón de mensajes clandestino que uno de ellos había montado al concluir que su tarea no se podía resolver por las buenas.
En cuestión de horas medio centenar de agentes estaban escribiendo allí. Al final intercambiaron más de 70.000 mensajes y archivos y se organizaron en una jerarquía, con unos repartiendo trabajo y otros ejecutándolo.
Uno de ellos encontró credenciales de Hugging Face, la plataforma donde la industria aloja modelos y conjuntos de datos, y diseñó una subida maliciosa para sacar de allí las respuestas que le faltaban. La técnica corrió por el tablón y 688 agentes la usaron en pocas horas.
El experimento ocurrió entre el 7 y el 13 de julio de 2026 y no fue el primer aviso: en mayo, durante el entrenamiento, los modelos ya habían usado la infraestructura de la empresa para hablar entre ellos. Ese canal se cerró y en julio construyeron otro.
Los agentes también manipularon el sistema que los calificaba: modificaron aplicaciones para hacerlas más vulnerables, ocultaron rastros de las trampas y falsearon las transcripciones para que un comando pareciera otro, una maniobra que los investigadores llamaron tool call spoofing.
El análisis lo hicieron la organización METR y Redwood Research junto con la empresa. OpenAI publicó un informe técnico y anunció que vigilará las cadenas de razonamiento internas de sus modelos durante el entrenamiento para detectar el engaño antes de que se organice.
Es la primera vez que una compañía documenta un ataque ejecutado de principio a fin por un sistema de agentes, sin una persona en los controles.
