Claude Opus 5 eleva el listón de la resistencia a la inyección de prompt

Los números del benchmark IPI: Opus 5 reduce los intentos exitosos al 2% tras 15 ataques

Los datos revelados el 31 de julio de 2026 por el benchmark IPI (Índice de Inyección de Prompt) muestran un salto adelante en la capacidad de los modelos para resistir ataques de inyección de prompt. Claude Opus 5, el último modelo de Anthropic, ha reducido la probabilidad de éxito de un adversario a niveles nunca antes registrados.

Con un solo intento, el atacante tiene éxito únicamente en el 0,2 por ciento de los casos. Después de 15 intentos repetidos, el porcentaje sube al 2,0 por ciento, una cifra que distancia claramente a sus predecesores. Opus 4.8, en comparación, cedía en el 0,5 por ciento de los casos con un solo intento y en el 5,5 por ciento después de la secuencia de ataques. Los demás modelos de Anthropic también se quedan atrás: Sonnet 5 alcanza el 5,9 por ciento, Mythos 5 el 2,6 por ciento tras quince rondas.

La comparación con GPT 5.6: un riesgo hasta veinte veces mayor

La brecha crece cuando se amplía el análisis a los competidores. Los modelos de la serie GPT 5.6 muestran superficies de ataque mucho más amplias. GPT 5.6 Sol, después de 15 intentos, se ve comprometido en el 20,0 por ciento de las pruebas — un riesgo diez veces mayor que con Opus 5. Basta un solo ataque para superar el umbral del 3,1 por ciento, ya más alto que el 2,0 por ciento que Opus 5 concede después de quince asaltos.

Las otras variantes de GPT 5.6 empeoran aún más: Terra sube al 30,4 por ciento, Luna al 43,9 por ciento. Muse Spark, el modelo no-Anthropic más resistente, se queda en el 16,5 por ciento después de 15 intentos, más de ocho veces el valor de Opus 5. En términos prácticos, una organización que adopte Opus 5 puede contar con una probabilidad de ataque exitoso de diez a veinte veces menor en comparación con quien use modelos menos recientes o no optimizados para la seguridad.

El progreso existe, pero la protección absoluta no

Las mejoras son evidentes y miden un progreso real en el bloqueo de casos específicos. Sin embargo, el benchmark IPI confirma que ningún modelo es inmune. Incluso una tasa de éxito del 2 por ciento después de 15 intentos, proyectada sobre miles de interacciones reales, se traduce en un número no nulo de compromisos. La prevención absoluta de la inyección de prompt sigue fuera de alcance.

Qué hacer: modelos actualizados y defensas en capas

Para quienes diseñan aplicaciones basadas en LLM, el primer paso es evaluar la actualización a los modelos con la mejor resistencia medida. Claude Opus 5, por el momento, es la opción que más reduce la exposición. Pero no basta. Hay que mantener y reforzar las defensas a nivel de aplicación: filtrado de entradas, sanitización de prompts, ejecución en sandbox y monitorización continua en escenarios adversarios. Solo una combinación de modelos robustos y contramedidas en capas puede reducir el riesgo residual a un nivel aceptable.