IA11 nov 2026, 2:40 UTC·2 min de lectura

Claude Fable 5.2: sus filtros derivan a un modelo más vulnerable

La ficha técnica de Anthropic muestra que los filtros de Claude Fable 5.2 envían consultas sensibles a Opus 4.8, donde triunfan la mayoría de las inyecciones de prompt.

Illustration of an AI model's security filter redirecting suspicious requests toward an older, less protected model. — Imagen: 01net.com

Anthropic lanzó el 9 de noviembre Claude Fable 5.2, su modelo más capaz hasta la fecha, con precios un 20 % más bajos. Sin embargo, la ficha técnica de 264 páginas publicada el mismo día revela un coste de su arquitectura: los ataques de inyección de prompt tienen éxito sobre todo cuando se activan los filtros de seguridad.

Cuando el filtro abre una brecha

Fable 5.2 comparte motor con Claude Mythos 5.2, una versión reservada a organizaciones verificadas. El modelo público añade filtros que bloquean consultas sensibles de ciberseguridad, biología y algunos trabajos de IA de vanguardia. Si una petición toca la ciberseguridad ofensiva, la conversación se desvía a Claude Opus 4.8, lanzado el 28 de mayo. El cambio es automático en las aplicaciones de Anthropic y opcional para desarrolladores que usan la API. La biología sensible y ciertos trabajos con modelos de frontera van a Opus 5.

El problema es que Opus 4.8 resiste bastante peor las inyecciones de prompt: instrucciones ocultas en un correo o una página web que el agente ejecuta como si las hubiera dado el usuario.

En el banco de pruebas Gray Swan, que empuja a un agente a filtrar datos privados, borrar archivos o lanzar un pago no solicitado, el 4,09 % de los ataques prospera tras quince intentos. Es cuatro veces más que con Fable 5.1 (1,02 %) u Opus 5.5 (0,96 %). Opus 4.8 atendió el 53 % de los intentos y cedió en el 5,17 %, mientras que Fable 5.2 aguantó con un 2,05 % en las consultas que procesó él mismo.

Un atacante automático con 200 intentos por escenario logró un 89,82 % de éxito en tareas de programación, con un 99,5 % de respuestas procedentes del modelo sustituto. Ninguna de las 43 respuestas de Fable 5.2 cedió. Las sondas antiinyección reducen la cifra al 28,16 %, el triple que en Fable 5.1. En el control de ordenadores, 38 de los 40 ataques exitosos pasaron por la derivación.

Protecciones y ajustes

El fenómeno ya figuraba en la ficha de Fable 5.1 de septiembre, y Opus 4.8 se ha reforzado desde entonces. Anthropic suma sondas que inspeccionan lo que lee el agente antes de actuar y un clasificador que bloquea comandos peligrosos en el modo de ejecución por defecto de sus herramientas de código.

Quien confíe su correo o su navegación a un agente puede activar un ajuste, documentado para versiones anteriores, que sustituye la derivación por una pausa: la petición señalada espera a ser reformulada y nada pasa al modelo antiguo. Los profesionales cuyo trabajo legítimo activa los filtros, como los investigadores de seguridad, pueden solicitar acceso verificado a modelos menos restringidos.