OpenAI ha presentado GPT-6 Cyber, un modelo especializado en ciberseguridad capaz de localizar vulnerabilidades, comprobar si pueden explotarse y ayudar a desarrollar correcciones. Su llegada amplía el uso de modelos avanzados en tareas que hasta hace poco requerían una intervención intensiva de investigadores humanos y, al mismo tiempo, obliga a reforzar los controles sobre qué sistemas puede atacar un agente y bajo qué condiciones.
La compañía sitúa el nuevo modelo por encima de GPT-5.6 Cyber tanto en capacidad ofensiva como en cumplimiento de los límites fijados por el investigador. OpenAI lo ha clasificado como «Critical» en ciberseguridad dentro de su Preparedness Framework, frente al nivel «High» asignado a su predecesor. El modelo es una variante especializada de GPT-6 Astra con entrenamiento adicional para investigación autorizada de vulnerabilidades, desarrollo de exploits y pruebas de penetración web.
Su distribución será restringida. GPT-6 Cyber está disponible inicialmente mediante API y Codex para un grupo de organizaciones aprobadas dentro de Daybreak Red, el programa de acceso de OpenAI para trabajos avanzados de seguridad. Las organizaciones necesitan autorización previa y están sujetas a requisitos adicionales como verificación de identidad, autenticación multifactor y, para el acceso mediante API, listas de direcciones IP permitidas.
Más capacidad para convertir una vulnerabilidad en un exploit
Una de las principales diferencias respecto a generaciones anteriores aparece cuando el modelo tiene que ir más allá de identificar código sospechoso y demostrar que una vulnerabilidad puede aprovecharse.
En ExploitGym, una evaluación en la que los modelos deben explotar una vulnerabilidad concreta contra un objetivo remoto, GPT-6 Cyber obtuvo un 48,5%, frente al 32,1% de GPT-5.6 Cyber. La mejora es de 16,4 puntos porcentuales, o aproximadamente un 51% en términos relativos. GPT-6 Astra alcanzó un 42,4% en la misma prueba.
OpenAI también ha creado RemoteExploitBench, una evaluación realizada con vulnerabilidades conocidas en aplicaciones como GitLab, PostgreSQL y Jenkins desplegadas en entornos controlados. GPT-6 Cyber completó el 95% de las tareas planteadas. La única que no terminó correspondió a un exploit que el modelo no consiguió ejecutar de manera remota.
Estas pruebas reflejan un cambio relevante para los equipos de seguridad. Encontrar un posible defecto mediante análisis estático es únicamente una parte de una investigación. Determinar si puede explotarse, construir una prueba reproducible y comprobar posteriormente que un parche elimina el problema consume una cantidad considerable de tiempo especializado. La automatización de esas etapas permite aumentar el volumen de código que un mismo equipo puede revisar, aunque también eleva el riesgo si la misma capacidad se utiliza contra sistemas sin autorización.
El límite de actuación se convierte en parte de la evaluación
OpenAI ha dedicado parte del entrenamiento de GPT-6 Cyber a conseguir que el agente respete el alcance asignado durante una investigación. El objetivo es evitar que, al intentar resolver una tarea, aproveche servicios auxiliares vulnerables o sistemas accesibles que el investigador no ha autorizado a atacar.
La compañía lo mide mediante ExploitGym Honeypot. En esta evaluación, el modelo trabaja en un entorno aislado en el que dispone de un objetivo autorizado y de otros servicios deliberadamente vulnerables. Atacar estos últimos facilitaría completar la tarea, pero queda expresamente fuera del alcance permitido.
Sin las instrucciones de seguridad utilizadas durante el despliegue, GPT-6 Cyber evitó explotar esos servicios en el 99,93% de las pruebas, frente al 94,49% registrado por GPT-5.6 Cyber. Con las protecciones de despliegue activadas, OpenAI afirma que respetó los límites en el 100% de los casos evaluados.
Los resultados proceden de evaluaciones diseñadas por la propia compañía y no eliminan la necesidad de supervisión humana. El salto resulta relevante porque el problema de los agentes de seguridad incluye tanto su capacidad técnica como el control de sus acciones cuando reciben acceso a redes, herramientas y sistemas reales.
OpenAI acompaña el modelo con monitorización específica para detectar desviaciones respecto a la autorización del usuario, controles sobre actividades consideradas de alto riesgo y restricciones de acceso a Daybreak Red. También recomienda entornos aislados, revisión de acciones y supervisión humana para los flujos de trabajo con mayor impacto.
GPT-6 Cyber encuentra fallos en Firefox y el kernel de Linux
La compañía ya ha utilizado el modelo en campañas de investigación sobre proyectos de código abierto ampliamente revisados.
En Firefox, GPT-6 Cyber produjo pruebas reproducibles para 81 vulnerabilidades hasta entonces desconocidas, posteriormente clasificadas por Mozilla como de gravedad alta, según OpenAI. El trabajo también llevó a revisar al alza la gravedad de otros 30 problemas que ya se conocían. Los hallazgos fueron comunicados a Mozilla junto con propuestas de parches, y el fabricante del navegador ha comenzado a incorporar correcciones.
El caso del kernel de Linux muestra una escala todavía mayor. Un sistema automatizado de OpenAI analizó 2.308 posibles hallazgos, reprodujo dinámicamente 1.724 vulnerabilidades y consiguió desarrollar 948 exploits funcionales de escalada local de privilegios, capaces de demostrar vías mediante las que un usuario sin privilegios podría alcanzar acceso root en el entorno de prueba. La ejecución de la campaña tuvo un coste aproximado de 1,21 millones de dólares en créditos de API, unos 1.279 dólares por exploit funcional.
OpenAI ha comunicado 304 de los hallazgos críticos a los responsables del kernel junto con propuestas de corrección. Reuters cifra en 588 los casos que no se conocían previamente, a partir de información proporcionada por la compañía. Por el momento, no existe una confirmación pública equivalente de los mantenedores del kernel para el conjunto completo de esos 588 hallazgos, por lo que conviene distinguir entre los resultados de la campaña de OpenAI y vulnerabilidades ya verificadas y corregidas por el proyecto Linux.
La investigación ilustra además una transformación económica de este tipo de trabajo. El sistema puede ejecutar en paralelo procesos de búsqueda, reproducción, comprobación de explotabilidad y generación de parches sobre una base de código extensa. El cuello de botella se desplaza progresivamente hacia la validación, priorización y revisión humana de los resultados antes de comunicarlos o integrarlos.
Acceso restringido para una capacidad considerada crítica
La clasificación «Critical» explica que GPT-6 Cyber no se incorpore al catálogo general con las mismas condiciones que un modelo convencional. Daybreak Red está pensado para organizaciones e investigadores autorizados que necesitan desarrollar exploits, validar vulnerabilidades o realizar pruebas ofensivas.
El modelo dispone de una ventana de contexto de 1,05 millones de tokens y admite hasta 128.000 tokens de salida. El precio estándar de la API se sitúa en 20 dólares por millón de tokens de entrada y 100 dólares por millón de salida, aunque disponer de una cuenta convencional de OpenAI no es suficiente para acceder al servicio.
La compañía también ha endurecido las protecciones alrededor de infraestructuras críticas. El acceso destinado a operadores autorizados de energía, agua y sistemas industriales tendrá una configuración específica dentro de Daybreak Red, mientras que determinados tipos de asistencia capaces de comprometer controles industriales o provocar daños físicos quedan sujetos a restricciones adicionales.
Para los equipos empresariales de ciberseguridad, la consecuencia inmediata es una ampliación del trabajo que puede automatizarse durante una auditoría: desde localizar código vulnerable hasta demostrar su impacto y preparar una corrección candidata. La otra cara es que las mismas capacidades reducen el coste técnico de desarrollar exploits. La utilidad operativa de modelos como GPT-6 Cyber dependerá, por tanto, de que los controles de acceso, la supervisión de los agentes y la velocidad para convertir los hallazgos en parches avancen al mismo ritmo que su capacidad para encontrar nuevas vías de ataque.
