Por qué GPT-5 inquietó a OpenAI y qué temían sus creadores

El temor asociado a GPT-5 no nació de una prueba pública que demostrara que el sistema se había vuelto incontrolable. Surgió, sobre todo, de las propias palabras de Sam Altman: al hablar del desarrollo del modelo, el director ejecutivo de OpenAI dijo que le evocaba el Proyecto Manhattan, el programa científico que condujo a la creación de la bomba atómica. La comparación expresó asombro y aprensión ante la velocidad de la inteligencia artificial, pero no demuestra que GPT-5 tenga capacidades equiparables a un arma ni que la empresa hubiera perdido su control.

Detrás de esa inquietud hay una tensión más concreta: GPT-5 aspiraba a reunir en una experiencia más sencilla capacidades de razonamiento y respuesta que antes estaban repartidas entre distintos modelos. Sin embargo, una herramienta más útil también puede equivocarse, inducir a error o ser empleada con fines dañinos. Las críticas de usuarios tras su lanzamiento —por respuestas percibidas como más breves o menos cercanas— muestran, además, que el desafío no consiste solo en construir un sistema potente: también hay que lograr que sea fiable y que la gente entienda qué puede esperar de él.

La comparación con el Proyecto Manhattan y lo que realmente significa

Altman describió su inquietud en una entrevista en la que habló de la rapidez del modelo y de la sensación de estar participando en un avance cuyas consecuencias no se pueden anticipar por completo. La referencia al Proyecto Manhattan trasladó esa mezcla de fascinación y responsabilidad a una imagen histórica muy cargada. No equivale a afirmar que GPT-5 sea una tecnología militar ni que OpenAI lo estuviera desarrollando con ese propósito; sirve para ilustrar el desconcierto de quienes sienten que su trabajo puede tener efectos mucho mayores que los previstos.

También importa el contexto: una comparación de un consejero delegado no es una evaluación técnica independiente ni una prueba de peligro inminente. Altman no detalló en esa intervención un escenario concreto que explicara qué aspecto del modelo le preocupaba, y la información disponible no permite atribuirle una alarma específica sobre una capacidad determinada. La frase sí deja ver un dilema reconocible en el desarrollo de sistemas avanzados: sus creadores pueden celebrar que resuelvan tareas con más rapidez y, al mismo tiempo, preguntarse si las medidas de evaluación y supervisión avanzan al mismo ritmo.

La metáfora nuclear puede amplificar el miedo si se toma literalmente. La comparación más útil no está en equiparar tecnologías distintas, sino en reconocer que un salto científico puede abrir posibilidades difíciles de revertir una vez que se generaliza su uso. En el caso de la IA, los riesgos dependen de qué tareas pueda realizar el sistema, de quién tenga acceso a él y de las barreras que se apliquen. Por eso, el temor no se entiende como una confesión de que el modelo ya sea autónomo o consciente, sino como una advertencia sobre la responsabilidad que acompaña a capacidades de amplio alcance.

Qué cambió con GPT-5 y por qué eso genera vértigo

La expectativa en torno al modelo era que redujera la complejidad de elegir entre sistemas especializados y ofreciera una experiencia más unificada. La idea, descrita antes del lanzamiento, era combinar capacidades de distintas líneas de modelos para responder a tareas variadas y gestionar mejor aquellas que requieren razonamiento. Eso podía hacer que el asistente pareciera más competente sin que el usuario tuviera que seleccionar manualmente una versión distinta para cada encargo. El avance relevante, por tanto, no se limitaba a producir frases más convincentes: apuntaba a integrar mejor el razonamiento y la facilidad de uso.

Pero conviene distinguir entre una expectativa de producto y una capacidad demostrada en todos los contextos. La promesa de una experiencia más unificada no significa que el sistema entienda cualquier problema, conserve toda la información ni actúe con autonomía ilimitada. Tampoco hay base en la información disponible para afirmar que GPT-5 estrenara una memoria permanente entre usuarios o dispositivos o una ventana de contexto de un millón de tokens. Esas afirmaciones, presentes en el texto anterior, no están respaldadas por los datos de referencia y no deben presentarse como hechos. La prudencia empieza por separar lo anunciado de lo comprobado.

La sensación de velocidad que mencionó Altman sí apunta a un cambio importante en la relación cotidiana con estas herramientas. Una respuesta que llega deprisa y parece razonada puede empujar al usuario a delegar más, incluso cuando el sistema no ofrece garantías de acierto. El riesgo práctico no exige imaginar una máquina que actúe por cuenta propia: basta con que una persona confíe demasiado en una explicación errónea o use un resultado sin revisarlo. El vértigo nace, en parte, de esa distancia entre la fluidez aparente de la respuesta y la dificultad de comprobar cómo se ha llegado a ella.

El problema no es solo lo que puede hacer, sino cómo se usa

Los modelos generativos producen texto, código y otras respuestas a partir de patrones aprendidos; su soltura no equivale a comprensión humana ni garantiza que cada afirmación sea verdadera. A medida que se incorporan a tareas de trabajo, investigación o comunicación, un error puede propagarse con más facilidad si quien lo recibe lo da por válido sin contrastarlo. Del mismo modo, capacidades útiles para sintetizar información o redactar también pueden facilitar usos engañosos. Esos riesgos son generales para sistemas de IA generativa y no prueban que GPT-5 haya ejecutado por sí mismo una operación dañina. La posibilidad de abuso y la evidencia de abuso son cosas distintas.

Por eso, hablar de seguridad exige concretar el escenario. No es lo mismo que un modelo invente un dato en una conversación que permitirle operar herramientas externas, manejar información sensible o intervenir en un proceso con consecuencias importantes. En el segundo caso, hacen falta controles adicionales sobre permisos, revisión y trazabilidad. Los materiales de referencia no describen que GPT-5 dispusiera de una autonomía ilimitada para actuar en sistemas externos, ni documentan incidentes específicos que permitan sostenerlo. Lo razonable es evaluar cada capacidad según el acceso que recibe y el daño posible si falla, en lugar de convertir cualquier avance en una amenaza abstracta.

Ese matiz ayuda a entender por qué los responsables de una empresa pueden mostrarse preocupados aunque el producto no sea una inteligencia general. Un modelo puede ser potente en ciertas tareas y limitado en otras; puede rendir muy bien en una prueba acotada y cometer errores en situaciones distintas. La seguridad no consiste en decidir de una vez si una tecnología es buena o mala, sino en observar cómo se comporta cuando cambian las instrucciones, los datos y el entorno. El desafío consiste en establecer límites comprensibles antes de que la utilidad del sistema anime a delegarle más de lo que puede manejar.

El lanzamiento también puso a prueba la confianza de los usuarios

La controversia en torno a GPT-5 no se explica únicamente por los temores sobre el futuro de la IA. Parte del descontento se centró en la experiencia inmediata: algunos usuarios consideraron que las respuestas eran más cortas, menos cálidas o menos satisfactorias que las de versiones anteriores. Otros valoraron las mejoras y vieron un avance. Esa división revela una dificultad que a menudo queda fuera de las comparaciones técnicas: para mucha gente, la calidad de un asistente no depende solo de que acierte, sino también de cómo conversa, cuánto contexto incorpora y si mantiene el estilo al que ya se había acostumbrado.

Cuando una empresa reúne o reorganiza modelos en una experiencia nueva, el cambio puede sentirse como una pérdida aunque el sistema mejore en determinados aspectos. Una respuesta más directa quizá sea útil para quien busca rapidez, pero puede parecer seca a quien esperaba explicaciones extensas o un tono cercano. Del mismo modo, una contestación breve no demuestra por sí sola que el modelo sea menos inteligente; puede responder a decisiones de diseño, a la instrucción recibida o a las condiciones de uso. La percepción de los usuarios es relevante, aunque no sustituye una evaluación sistemática del rendimiento.

El lanzamiento, además, convirtió las expectativas acumuladas en un juicio inmediato. Antes de una nueva versión se habla de una mejora general; después, cada persona la compara con sus tareas habituales y con el comportamiento que recuerda de modelos anteriores. Si el cambio no se explica bien, una variación de tono puede interpretarse como un retroceso en capacidad. Esa brecha entre lo esperado y lo recibido alimentó la controversia y las peticiones de recuperar modelos previos. OpenAI se enfrentó así a dos pruebas a la vez: demostrar mejoras técnicas y preservar una experiencia que los usuarios ya consideraban familiar.

Los resultados de las pruebas aportan contexto, no una respuesta definitiva

Una medición posterior divulgada por OpenAI ofrece una referencia sobre el rendimiento de GPT-5 en tareas profesionales acotadas. En GDPval-v0, una prueba centrada en comparar informes de investigación producidos por modelos y profesionales, GPT-5-high obtuvo un resultado igual o mejor que el de expertos en el 40,6% de los casos. Claude Opus 4.1 llegó al 49%, mientras que GPT-4o había registrado un 13,7% en una medición anterior. Estas cifras apuntan a una mejora en ese tipo de trabajo, pero no miden la inteligencia general ni prueban que la IA supere a las personas en sus empleos.

El alcance de la prueba es decisivo para interpretarla. GDPval-v0 se centró en informes y cubrió 44 profesiones de sectores con peso en la economía estadounidense; no reprodujo todos los encargos, revisiones, conversaciones y decisiones que componen una jornada laboral. Tampoco el porcentaje de victorias y empates equivale a una tasa de sustitución de trabajadores. Los evaluadores comparan productos concretos bajo condiciones definidas, no la totalidad del desempeño humano. La cifra sirve para observar avances en un terreno delimitado, pero no debe convertirse en una afirmación general sobre quién trabaja mejor.

La diferencia entre un benchmark y el mundo real explica parte de la cautela que acompaña a los anuncios de progreso. En una prueba, las tareas y los criterios se acotan; fuera de ella, importan la calidad de las fuentes, la posibilidad de corregir errores y el conocimiento del contexto. Si un modelo redacta un informe convincente, eso no garantiza que sus datos sean correctos ni que el resultado pueda utilizarse sin revisión. Los propios límites reconocidos para GDPval-v0 —incluida la falta de flujos de trabajo largos e interactivos— muestran por qué un buen resultado parcial no despeja todas las inquietudes sobre la seguridad o la fiabilidad.

La inquietud interna no demuestra una fuga de control

El artículo anterior atribuía a OpenAI una oleada de dimisiones causada por GPT-5, filtraciones internas, restricciones de acceso a prototipos y acuerdos de confidencialidad destinados a impedir avisos a los reguladores. También describía un equipo de seguridad desmantelado por la presión comercial y citaba mensajes internos como prueba de alarma. La información de referencia disponible no verifica esas acusaciones ni permite relacionarlas de forma segura con este lanzamiento. Presentarlas como hechos convertiría una preocupación legítima sobre la gobernanza de la IA en una historia de crisis interna sin respaldo suficiente. El rigor exige no confundir rumores con información comprobada.

Sí consta en el material de referencia que Ilya Sutskever y Jan Leike dejaron OpenAI y que el equipo de Superalignment se disolvió; también se describe que ambos criticaron la prioridad concedida a la seguridad frente a otros objetivos. Ese contexto alimenta el debate sobre cómo se organiza la supervisión dentro de una compañía que desarrolla modelos avanzados. Sin embargo, no basta para afirmar que abandonaran la empresa por GPT-5 en particular, que la seguridad quedara subordinada por completo a los intereses comerciales o que existiera un encubrimiento. La cronología y las causas de cada salida deben tratarse con cautela.

La preocupación por la gobernanza tampoco depende de que haya una conspiración o un colapso oculto. En una empresa que desarrolla y distribuye sus propios sistemas, las decisiones sobre cuándo lanzar, qué capacidades habilitar y cómo explicar los límites tienen efectos públicos. Por eso importa que los anuncios distingan entre capacidades demostradas y metas futuras, y que las pruebas puedan examinarse con suficiente contexto. La cuestión de fondo no es si toda decisión empresarial está dictada por una sola motivación, sino qué mecanismos permiten detectar fallos y corregirlos antes de que se extiendan.

La frontera entre avance y responsabilidad sigue abierta

El miedo atribuido a GPT-5 resulta más comprensible como una reacción a la aceleración que como una admisión de que el modelo se hubiera vuelto incontrolable. Altman expresó inquietud ante la velocidad del desarrollo y recurrió a una comparación histórica extrema para comunicarla. A la vez, la reacción de los usuarios mostró un problema menos espectacular, pero inmediato: un asistente puede decepcionar si sus mejoras técnicas no se traducen en respuestas útiles y una interacción coherente. Entre ambas caras se encuentra el reto de desarrollar sistemas capaces sin exagerar lo que hacen ni ocultar lo que todavía falla.

La evidencia disponible permite hablar de avances en algunas pruebas, de expectativas elevadas y de desacuerdo sobre la experiencia de uso. No permite afirmar que GPT-5 sea una inteligencia general, que cuente con memoria ilimitada o que sus creadores hayan perdido el control. Tampoco elimina preguntas legítimas sobre errores, usos indebidos y supervisión. La comparación con el Proyecto Manhattan sirve como señal de vértigo, no como veredicto técnico: el debate real está en cómo se mide el progreso, quién decide sus límites y si la prudencia puede acompañar a una tecnología que se despliega con tanta rapidez.