El 2 de octubre de 2026, OpenAI confirmó que había despedido a tres empleados tras concluir una investigación interna que esos trabajadores habían compartido información sensible de la compañía con un grupo externo de evaluación de inteligencia artificial. La BBC lo reportó a primera hora UTC; The Times of India y otros medios identificaron el perfil de los afectados como investigadores de seguridad y alineación.
OpenAI no nombró públicamente a los tres ni al grupo externo, ni detalló qué datos salieron del perímetro. Sí dejó claro que el manejo de la información se produjo fuera de los procedimientos aprobados. Reportes posteriores identificaron a Jasmine Wang, Tomek Korbak y Mikita Balesni; Neural Pulse trata esos nombres como atribuciones de terceros pendientes de confirmación corporativa plena.
El despido cae cuatro días después de que OpenAI publicara, el 30 de septiembre, el post «Disrupting a coordinated model-distillation campaign», en el que atribuía a asociados de Moonshot AI —el laboratorio de Pekín detrás de la familia Kimi— un intento de extracción de razonamiento del modelo. The Hacker News, el 1 de octubre, recogió que la actividad alcanzó un pico de unos 16.000 intentos de patrón de extracción desde más de 4.000 usuarios en una ventana de dos días.
Leídos juntos, los dos episodios dibujan un laboratorio de frontera que endurece el perímetro justo cuando su tecnología atrae atención alineada con estados y rivales. Un frente es la amenaza externa de destilación adversaria; el otro es el control interno de qué pueden compartir los propios investigadores de seguridad con evaluadores externos.
La tensión no es nueva en el sector. Los equipos de alineación necesitan a menudo colaborar con laboratorios académicos, auditores y grupos de evaluación independientes para medir riesgos. Al mismo tiempo, los proveedores tratan las trazas de razonamiento, las métricas internas y los fallos de salvaguarda como activos competitivos. El despido envía una señal dura a esa frontera difusa.
Para la comunidad de seguridad, el riesgo es doble: si compartir hallazgos con evaluadores externos se criminaliza internamente, puede reducirse el escrutinio independiente; si no se controla, la destilación y la fuga de detalles operativos se vuelven más fáciles. OpenAI insiste en que seguirá trabajando con socios de evaluación bajo canales aprobados, pero no publicó la lista de esos canales el 2 de octubre.
El episodio también alimenta el debate político estadounidense. La FTC había abierto a finales de septiembre una investigación amplia a laboratorios de frontera, y el Senado había celebrado audiencias sobre agentes «rogue». Un laboratorio que despide por filtraciones internas y, a la vez, denuncia campañas de extracción extranjeras refuerza la narrativa de que el secreto operacional es ahora tan estratégico como el rendimiento del modelo.
En Australia y en otros países donde agentes de OpenAI habrían tocado sitios gubernamentales, la noticia se leyó como prueba de que la empresa está bajo presión operativa intensa: revisiones de petabytes, pausas de entrenamiento anunciadas en semanas previas y ahora sanciones laborales internas. El coste reputacional se suma al coste diario de auditoría.
Analistas laborales del sector tech señalan que los investigadores de alineación ocupan un rol ambiguo: se les pide encontrar fallos graves y, a la vez, no amplificar esos fallos fuera de la empresa. Clarificar políticas de divulgación responsable —con plazos, contactos y protecciones— será tan importante como el propio despido para recuperar confianza interna.
Moonshot no emitió, en la cobertura inmediata del 2–3 de octubre, una respuesta detallada al post de destilación de OpenAI. La disputa sobre si la actividad era evaluación legítima, scrape agresivo o campaña de extracción seguirá en el terreno de afirmaciones contrapuestas hasta que haya más telemetría pública o regulación que obligue a divulgar métodos.
Neural Pulse separa los hechos confirmados por OpenAI y la BBC —tres despidos por manejo indebido de información sensible con un grupo externo— de las atribuciones de nombres y del solapamiento narrativo con Moonshot. Ambos hilos importan, pero no son el mismo caso.
El 4 de octubre de 2026, el mensaje práctico para otros laboratorios es claro: la gobernanza de datos internos de seguridad se ha convertido en noticia de portada. Sin políticas de divulgación claras, cada colaboración externa puede acabar en expediente disciplinario o en titular.
Historias previas de whistleblowers en laboratorios de frontera muestran que la cultura de silencio puede volverse contraproducente: los hallazgos acaban en filtraciones peores. Un canal de divulgación responsable con plazos claros protege a la vez a la empresa y al interés público.
Inversores en la posible salida a bolsa o rondas de Anthropic y OpenAI ya preguntan en due diligence por controles de insider threat. Tres despidos en un ciclo de noticias de destilación elevan la prima de riesgo percibida, aunque también pueden leerse como prueba de que los controles internos detectan fallos.
Recomendamos a equipos de evaluación externos exigir contratos escritos de qué datos pueden ver, con auditoría bilateral. Sin eso, la próxima colaboración puede terminar en el mismo titular.
