Predicción y mitigación de la susceptibilidad al jailbreak mediante la geometría comportamental de los modelos

La seguridad en sistemas generativos de inteligencia artificial se ha convertido en un desafío central para las organizaciones que despliegan estos modelos en producción. La evaluación completa de cada configuración frente a ataques de jailbreak resulta inviable cuando se manejan decenas o cientos de versiones, ya sea por la cantidad de proveedores o por las variaciones internas de un mismo modelo base. Una alternativa prometedora es analizar la geometría comportamental de la población de modelos, es decir, medir cómo responden colectivamente ante entradas adversariales y extraer patrones que permitan predecir vulnerabilidades sin necesidad de probar cada combinación. Este enfoque reduce drásticamente el número de evaluaciones necesarias y facilita la transferencia de defensas entre modelos, logrando una detección temprana de susceptibilidad con alta precisión incluso cuando se dispone de pocos datos previos.