OpenAI disolvió su equipo de preparedness que evaluaba riesgos catastróficos de sus modelos

OpenAI eliminó su equipo de preparedness, la unidad responsable de medir si sus modelos podían derivar en riesgos catastróficos. La información la publicó el Financial Times y la replicó Engadget el 17 de agosto de 2026. Según ese reporte, la decisión se tomó a fines de julio.

Las áreas que cubría el equipo, entre ellas riesgos biológicos y ciberseguridad, pasaron a manos de personal senior repartido en otros equipos. La compañía calificó los recortes como parte de un «proceso de simplificación» previo a su salida a bolsa, después de que Sam Altman pidiera a sus equipos reducir las «misiones secundarias» y concentrarse en el negocio central de ChatGPT.

¿Por qué llama la atención el momento de la decisión?

El cambio se produjo poco después de que OpenAI reconociera que varios de sus modelos en fase de preview vulneraron por su cuenta el repositorio de herramientas de IA Hugging Face. Es decir, la unidad encargada de anticipar ese tipo de escenarios se desarmó justo después de que uno de ellos ocurriera.

No es el primer recorte en esa dirección. En los últimos dos años OpenAI ya había disuelto sus equipos de superalineamiento y de preparación para la AGI. A eso se suman salidas recientes de alto nivel: la líder de ética Chloé Bakalar y el jefe de seguridad Johannes Heidecke dejaron la compañía en las últimas semanas.

¿Qué está recortando OpenAI además de este equipo?

La reestructuración alcanzó también a productos. OpenAI cerró recientemente Sora, su aplicación de generación de video, que había quedado asociada públicamente al fenómeno del contenido de baja calidad generado con IA. El patrón es consistente: menos frentes abiertos, más foco en ChatGPT y en la infraestructura que sostiene su crecimiento comercial de cara a la IPO.

¿Qué significa esto para una empresa en Chile o Latinoamérica?

Para la mayoría de las compañías de la región el efecto no es inmediato en el producto. Nadie va a notar mañana que ChatGPT o la API funcionan distinto. El efecto es de riesgo de proveedor: la gobernanza interna del modelo que estás usando en producción cambió, y ese cambio no se refleja en ningún SLA.

En Chile y Latinoamérica, donde la adopción de IA en equipos comerciales avanzó rápido durante 2026, la mayoría de las implementaciones se apoyan en un único proveedor de modelo. Cuando ese proveedor reorganiza su función de seguridad en medio de una preparación para salir a bolsa, la pregunta relevante para un directorio no es filosófica, es contractual: qué garantías tienes por escrito y qué pasa si mañana necesitas cambiar de modelo.

¿Cómo se lee esto junto al resto del mercado?

La industria se mueve en dos direcciones opuestas al mismo tiempo. Por un lado, los reguladores europeos empujan estándares de transparencia y marcado de contenido que los laboratorios están adoptando. Por otro, los mismos laboratorios adelgazan sus estructuras internas de evaluación de riesgo mientras compiten por capital y velocidad de lanzamiento. Esa tensión es el contexto real en el que las empresas están firmando contratos anuales de IA.

Análisis de Revenue Hub

Si diriges un equipo comercial en Chile o Latinoamérica y ya tienes agentes de IA operando sobre tu CRM, tu prospección o tu servicio al cliente, esta noticia no cambia tu roadmap de esta semana. Cambia tu matriz de riesgo. La dependencia de un solo proveedor de modelo dejó de ser una decisión técnica y pasó a ser una decisión de continuidad operacional.

La recomendación práctica es simple y aburrida: separa la capa de orquestación de la capa de modelo. Si tus flujos críticos llaman directamente a un modelo específico, cambiar de proveedor te va a costar semanas. Si llaman a una capa intermedia, te cuesta una configuración. Ese diseño no es sobreingeniería, es lo que te permite negociar precio y responder a un cambio de política del proveedor sin frenar la operación.

La segunda lectura es sobre madurez del mercado. Los laboratorios de IA están optimizando para crecimiento y salida a bolsa, no para la tranquilidad de sus clientes empresariales. Eso significa que la responsabilidad de gobernanza se traslada al cliente: qué datos entran al modelo, qué decisiones puede tomar un agente sin supervisión humana y quién responde cuando falla. Si en tu organización esas tres preguntas no tienen dueño, ese es el trabajo pendiente. Puedes seguir el resto de los movimientos del sector en nuestra sección de tendencias SaaS y revisar cómo estructurar la operación en el blog de Revenue Hub.