OpenAI busca “Head of Preparedness”: alerta real para chatbots en producción

Sam Altman dijo que en 2025 ya vieron un “preview” del impacto en salud mental. Y que los modelos se están volviendo tan buenos en ciber que cambian el juego. La vacante es una señal: la industria está moviendo AI de “feature” a riesgo operacional. The Verge+2Business Insider+2

Pequeño resumen:

OpenAI abrió la búsqueda de un nuevo Head of Preparedness , un rol ejecutivo para liderar evaluaciones, threat models y mitigaciones sobre capacidades “frontier” que podrían causar daño severo. La noticia no es el salario (hasta USD 555k + equity), sino el mensaje: Altman vinculó explícitamente el rol con riesgos que ya se están viendo —incluido el impacto en salud mental— y con desafíos de seguridad informática que surgen cuando los modelos mejoran. Business Insider+2The Verge+2

Para empresas (y más si son bancos o servicios regulados), esto aterriza en una conclusión: un chatbot en producción no es solo UX. Es un canal de riesgo que toca datos personales, reputación, fraude, ingeniería social y potencial daño a usuarios vulnerables. En Colombia, donde Ley 1581 y la agenda de regulación/lineamientos de IA siguen madurando, la postura sensata es tratar estos sistemas como se trata cualquier sistema crítico: con gobierno, controles, pruebas y trazabilidad.

Qué pasó y por qué importa (hechos y fuente)

• OpenAI publicó la vacante “Head of Preparedness” dentro del equipo de Safety Systems : el rol lidera estrategia y ejecución de su framework de Preparedness, coordinando capability evaluations, threat models y mitigations como un pipeline escalable. OpenAI
• 27 de Diciembre 2025 : Sam Altman lo anunció como un rol crítico “de entrar al agua profunda” y mencionó que el impacto en salud mental tuvo un “preview” en 2025, junto con retos de seguridad. X (formerly Twitter)+1
• Medios reportaron la compensación (hasta USD 555,000 + equity) y que el rol se describe como estresante y de alto impacto. Business Insider+1

Por qué importa: cuando el proveedor líder de modelos pone “Preparedness” al frente, está diciendo: la capacidad está creciendo más rápido que los controles. Y si tú estás integrando modelos vía API en procesos reales (atención, cobranza, onboarding, soporte), esa brecha también es tuya.

Análisis técnico

Preparedness no es un “comité”. Es un enfoque de ingeniería de riesgo:

1. Evaluaciones de capacidad : pruebas que miden qué tan capaz es el modelo en dominios sensibles (p. ej., ciber, bio). OpenAI+1
2. Threat modeling : cómo un actor malicioso (o un usuario vulnerable) puede usar esas capacidades para generar daño. OpenAI+1
3. Mitigaciones : guardrails técnicos + controles de producto + políticas de despliegue (gating) para que el “release” no sea a ciegas. OpenAI
4. Decisiones de lanzamiento : las evaluaciones deben influir explícitamente en “go/no-go”, ajustes de políticas y “safety case”. OpenAI

En una arquitectura enterprise típica (tu mundo), esto aterriza así:

• Entrada : filtros de prompt-injection, validación de intención, clasificación de riesgo.
• Contexto (RAG/IaC/data): data minimization, segmentación por permisos, y protección contra exfiltración.
• Salida : detección de contenido riesgoso (autolesión, fraude, PII), respuestas seguras, y handoff a humano cuando toca.
• Observabilidad : logging con redacción de datos, trazas, métricas de seguridad y calidad; y un plan de incident response específico para AI.

Lo clave: no necesitas AGI para que esto duela. Con un bot “normalito” ya puedes tener filtraciones de datos, manipulación psicológica, o escalamiento de conflictos por respuestas mal calibradas.

Impacto para Colombia/Bogotá/LatAm

1. Datos personales y consentimiento : en Colombia, el tratamiento de datos personales se rige por la Ley 1581 de 2012 (y su reglamentación). Si tu bot toca PII (y casi todos lo hacen), necesitas base legal, deberes de información, medidas de seguridad y gobierno de terceros/proveedores. Función Pública+1
2. Regulación de IA en movimiento : en 2025 se radicaron proyectos de ley para regular IA (por ejemplo, el PL 043 de 2025), lo que sugiere que “cumplimiento” no va a quedarse quieto. Si esperas a que salga la ley final, ya vas tarde. Leyes Senado+1
3. Sector financiero bajo lupa digital : la Superfinanciera viene impulsando supervisión digital y uso de IA en su propia operación. Eso suele terminar elevando expectativas sobre controles en entidades vigiladas, así sea indirectamente. Superintendencia Financiera+1
4. Realidad LatAm : presupuestos ajustados, dependencia de vendors, y equipos pequeños. Justo por eso conviene un enfoque “Preparedness-lite”: pocos controles, pero bien puestos (y medibles).

Riesgos y trade-offs

• Falsos positivos vs. daño real : si filtras demasiado, rompes la experiencia; si filtras poco, asumes riesgo reputacional y legal.
• Privacidad vs. observabilidad : necesitas trazabilidad para auditar incidentes, pero no puedes loguear PII “a lo loco”.
• Lock-in : guardrails y toolchains suelen quedar acoplados al proveedor (modelo, filtros, evaluadores).
• Costos ocultos : seguridad en AI cuesta en tokens, latencia, storage de logs, red-teaming, y gente capaz (lo más caro).
• Riesgo humano : el ángulo de salud mental es el más difícil de “testeear” con QA clásico. Altman lo puso sobre la mesa por algo. The Verge+1

Checklist accionable (para CTO/CIO/arquitectos)

• Define un AI Risk Register : casos de uso, datos, usuarios vulnerables, amenazas y mitigaciones mínimas.
• Implementa gating por riesgo : no todos los prompts pasan al mismo modelo/herramientas.
• Añade human-in-the-loop real: handoff con SLA y guías claras (no “mande un correo y ya”).
• Protege RAG: permisos , data minimization, y defensas contra prompt injection/exfil.
• Monta un set de evals recurrentes (mensual/trimestral): jailbreaks, PII leakage, sesgos de respuesta, instrucciones peligrosas.
• Incorpora playbooks de incident response para AI : qué hacer ante fuga, alucinación grave, manipulación o crisis del usuario.
• Contratos/vendor: cláusulas de retención de datos, ubicación/transferencias, auditoría, y cambios de modelo/versionado.
• Métricas: tasa de handoff, quejas, “unsafe completions”, tiempo de contención, y drift de calidad.

Mini-glosario

• Preparedness : enfoque para anticipar riesgos de capacidades avanzadas y definir controles antes del despliegue. OpenAI+1
• Capability evaluation : pruebas que miden qué puede hacer el modelo en dominios sensibles. OpenAI
• Threat modeling : análisis estructurado de cómo se materializa el daño (actores, vectores, impacto). OpenAI
• Red teaming : pruebas ofensivas controladas para encontrar fallas antes de que lo haga internet. OpenAI
• Prompt injection : ataque para torcer instrucciones y exfiltrar data o saltarse políticas.
• RAG : Retrieval-Augmented Generation; el modelo responde usando documentos/DB externos.
• Guardrails : controles (filtros, políticas, validaciones) que limitan comportamiento y salidas.
• Safety case : argumentación (con evidencia) de por qué un sistema es aceptablemente seguro para operar.