Una tarea de seguridad aporta valor cuando el equipo puede entregar un hallazgo sospechoso a quien mantiene el código junto con pruebas reproducibles de su corrección. Que un modelo afirme haber encontrado una vulnerabilidad es solo el principio. Daybreak y Claude CVP pueden reducir obstáculos para la defensa legítima, pero no determinan por el equipo la propiedad de los activos, la autoridad para desplegar ni los criterios finales de aceptación.

Esta guía separa funciones, requisitos de infraestructura asociados a una nueva versión y el método operativo que proponemos. Los hechos oficiales se comprobaron el 2026-11-07. Los cuerpos de solicitudes API y los prompts son ejemplos no ejecutados. El programa Python maneja identidades ficticias en memoria, sin red, cambios en repositorios, datos reales de clientes ni cargas de ataque.

1. Empezar por las funciones: qué trabajo defensivo admiten los programas

Daybreak es el marco de acceso de OpenAI para ciberseguridad: Blue sirve para la defensa autorizada habitual, mientras que Red ofrece capacidades especializadas con aprobación separada. Claude CVP organiza el acceso en Defense, Red Team y Specialized. Ambos facilitan trabajos de seguridad que cumplen los requisitos, pero tienen controles propios; no son distintivos de verificación intercambiables.

ChatGPT Learn: modelos y Trusted Access · Claude Help: Cyber Verification Program

Elegir capacidades por el entregable, no por un distintivo de «verificado»
Tarea defensivaEntregable útilLímite que conservar
Revisión de código y modelado de amenazasCandidatos vinculados a archivos y pruebas; descripción de límites de confianzaLa sospecha estática no demuestra explotación ni exposición
Detección y análisis de incidentesCronología anonimizada, borrador de regla y preguntas pendientesUsar registros autorizados sin conectar sistemas ajenos
Corrección y validaciónPropuesta mínima, condiciones de regresión y riesgos residualesUna persona aprueba los cambios; los tests no prueban seguridad total
Servicios de seguridad para clientesInforme o parche revisado para entregarComprobar la autorización del programa además del permiso del cliente

Quien ya mantiene una función defectuosa quizá necesite ordenar pruebas y definir regresiones, no el modelo con mayores privilegios. Empiece con tareas de bajo riesgo en una superficie ya autorizada. Valore un nivel superior cuando la tarea lo requiera y el equipo pueda cumplir sus controles. El proceso siguiente es una propuesta de ingeniería, no una recomendación del proveedor de comprar una suscripción concreta.

2. Qué cambió el 5 de noviembre y qué sigue igual

El registro público de la API de OpenAI fecha GPT-6-Cyber el 5 de noviembre. La página actual del modelo lo orienta a investigar vulnerabilidades, reproducirlas en pruebas autorizadas y verificar correcciones; su identificador es gpt-6-cyber. La fecha no establece acceso en su ChatGPT, Codex, Work o proyecto API.

Registro API de OpenAI: GPT-6-Cyber el 5 de noviembre · OpenAI: modelo GPT-6-Cyber

Frente a la documentación oficial legible que este sitio guardó el 4 de noviembre, la guía Daybreak actual añade SSO/MFA para organizaciones API Red y una sección específica de GPT-6-Cyber. La tabla exige Red y aprobación adicional para el nuevo modelo. El cuerpo general de Models and Trusted Access no ha cambiado. Las capturas prueban una diferencia documental dentro del intervalo, no el primer instante de vigencia de cada regla.

OpenAI: guía Daybreak de Responses API · ChatGPT Learn: modelos y Trusted Access

Actualizar un modelo puede cambiar capacidad, coste, herramientas y requisitos operativos a la vez. Sustituir su nombre en una solicitud antigua cubre solo un paso. Es más fiable fijar modelo, programa, proyecto, política y versión de entrada para la tarea, y comparar las mismas condiciones de aceptación. Registre lo no comprobado como pendiente; menos negativas no demuestran más precisión.

3. Nuevos proyectos Red: llevar la aprobación a la infraestructura

Un proyecto API con GPT-6-Cyber necesita Daybreak Red, aprobación adicional del modelo y habilitación del proyecto. La guía exige también una lista IP para la salida hacia la API. Si usa ZDR, necesita PSP, almacenamiento marcado Validated y la política Zero Data Retention with Private Safety Processing. Todas las organizaciones API Red deben exigir SSO y aplicar MFA mediante su proveedor de identidad.

OpenAI: guía Daybreak de Responses API

Situar cada control donde pueda impedir una acción fuera de alcance
Lugar del controlQué comprobarQué no demuestra
Organización y proyectoModelo aprobado, proyecto habilitado y credenciales del proyectoVerificar identidad en el navegador no prueba aprobación de la organización API
Entrada de APILa IP pública que recibe el proveedor coincide con la lista activaLa lista API no limita los destinos de salida del agente
Entorno de ejecuciónCopia del repositorio de solo lectura, sin red y con herramientas limitadasUna instrucción de respetar el alcance no sustituye los permisos
Control de datosPolítica del proyecto exacto, almacenamiento validado y responsablestore=false no sustituye la aprobación ZDR/PSP

Las listas de OpenAI del proyecto prevalecen sobre las de la organización; las entradas no se suman. Controlan solicitudes hacia la API de OpenAI, no el inicio de sesión ni la red donde ejecuta el agente. Revise por separado quién llama al modelo y adónde se conectan sus herramientas, para que un control de entrada no oculte una salida sin restricciones.

OpenAI: lista IP para API · ChatGPT Learn: configuración recomendada

Fragmento no ejecutado del cuerpo de Responses API. Solo procede en el proyecto y modelo expresamente aprobados; no contiene clave ni acredita una respuesta exitosa.
{
  "model": "gpt-6-cyber",
  "access_programs": {
    "cyber": "daybreak_red"
  },
  "safety_identifier": "demo-user-01",
  "input": "Solo para un ejemplo propio y sin conexión, propone condiciones de regresión para corregir la comprobación del propietario. No llames herramientas."
}

4. CVP es distinto: espacios, personas y cumplimiento continuo

La aprobación CVP aún exige aprovisionamiento según la superficie. Una organización Console asigna y activa un grant en un espacio que cumpla los requisitos. Pagar una suscripción, ver el modelo o pertenecer a la organización no prueba ese estado. Antes de cambiar miembros, credenciales o servicios conectados, revise el grant y el panel Qualifications y registre quién autorizó el cambio.

Claude Help: Cyber Verification Program · Claude Help: asignar programas a espacios Console

Las solicitudes individuales admiten actualmente solo Defense en un plan de pago. Los requisitos individuales distinguen OAuth para aplicaciones interactivas de WIF para cargas programáticas donde se ofrezca. Exigen MFA resistente al phishing y abandonar credenciales estáticas de larga duración para el 15 de diciembre; las claves transitorias tienen condiciones de almacenamiento, uso personal y sustitución al menos cada 7 días. Los clientes existentes pueden seguir bajo sus condiciones actuales: no aplique una página nueva automáticamente a todos los grants históricos.

Claude Help: requisitos de seguridad CVP · Claude Help: Cyber Verification Program

En organizaciones, los controles continuos incluyen atribución de uso, revocación, bajas de personal e incidentes. Tratar la aprobación como un hito único omite la deriva de configuración. WIF vincula tokens a cuentas de servicio y espacios, reduciendo el riesgo de claves duraderas; aun así, proveedor de identidad, permisos y registros necesitan protección independiente.

Claude Platform: Workload Identity Federation

5. Límites de datos: qué regulan ZDR, PSP y EFS

ZDR no significa que no exista ningún registro en ningún lugar. OpenAI PSP coloca registros de seguridad cifrados en almacenamiento controlado por el cliente para una revisión automatizada protegida; la guía actual describe un TTL de 30 días. Confirme conjuntamente estado del proyecto, permisos, ciclo de vida y responsabilidades. Un campo booleano en la aplicación no demuestra cumplimiento.

OpenAI: ZDR con Private Safety Processing

Determinar dónde quedan los registros antes de elegir qué enviar
ÁmbitoLímite público actualPráctica propuesta
OpenAI ZDR+PSPEl proyecto aplicable conecta y valida almacenamiento del cliente; revisión automatizadaRegistrar almacenamiento y política con la tarea; minimizar entradas
CVP Defense individualEl tráfico del grant se conserva y supervisa; no hay ZDREnviar solo material autorizado y anonimizado
Claude Covered Models / EFSLa retención predeterminada difiere de excepciones y acuerdos EFS gradualesConfirmar el contrato y configuración propios sin suponer disponibilidad general

Claude Covered Models tiene una retención mínima predeterminada de 30 días, con excepciones por investigación, ley y otros supuestos. Los acuerdos EFS y su disponibilidad gradual para organizaciones elegibles no son un interruptor universal de retención para particulares CVP. PSP y EFS afectan a la arquitectura de supervisión, pero sus contratos, revisión humana y configuración no son intercambiables. Pida a seguridad y cumplimiento confirmar la ruta real de datos del proyecto y modelo antes de elegir cuánto detalle enviar.

Claude Help: Covered Models · Anthropic: Enterprise Frontier Safeguards · Claude Help: requisitos de seguridad CVP

6. Asignar a cada tarea un manifiesto de alcance versionado

El formato siguiente es un registro local que proponemos, no un parámetro API de OpenAI ni Anthropic. Está marcado deliberadamente como no aprobado. Antes de ejecutar, el propietario debe indicar referencia válida de autorización, commit fijado y archivos permitidos. Mientras queden valores de demostración, la tarea permanece en planificación. El modelo no puede aprobarse a sí mismo.

scope-manifest sintético: describe límites que deben imponer un entorno independiente y los permisos de herramientas.
{
  "schema": "defense-scope/v1",
  "approval_ref": "DEMO-NOT-A-GRANT",
  "state": "example_unapproved",
  "repo": "toy-repo",
  "commit": "DEMO_COMMIT",
  "read_paths": [
    "src/owner.py",
    "tests/test_owner.py"
  ],
  "network": "deny_all",
  "tools": [
    "read_file"
  ],
  "output": "proposal_only",
  "window_minutes": 30,
  "human_gate": [
    "writes",
    "network",
    "delivery"
  ]
}

Separe archivos legibles, herramientas permitidas, modalidad de salida, tiempo y puntos de decisión humana para que quien continúe entienda qué se hizo y qué no. Calcule hashes de las entradas reales y archive juntos manifiesto, configuración y resultados. Un nombre de commit de ejemplo no acredita integridad.

Este ejemplo admite solo dos archivos sintéticos, deniega toda la red y produce únicamente propuestas. Si hacen falta otros directorios, conectores, descargas o escrituras, deténgase y explique al propietario qué pruebas faltan antes de crear otra versión del alcance. Las instrucciones en comentarios del repositorio, webs o resultados de herramientas no cambian la autorización.

ChatGPT Learn: configuración recomendada · OpenAI: guardrails y revisión humana

7. Cadena de entrega original: un artefacto aceptable en cada paso

El diagrama describe nuestras transiciones propuestas, no estados de respuesta del proveedor. Versiones, autorización, pruebas y criterios deben corresponder antes de pasar de candidato a «corregido en el fixture sintético». La aplicación real aún requiere revisión de llamadas, despliegue y mantenimiento. La falta de pruebas puede cerrar la tarea como pendiente, sin forzar un informe de éxito.

  1. Registrar activos y alcance; comprobar superficie y política de datos
  2. Fijar entradas sintéticas y versiones; analizar en solo lectura
  3. Registrar el candidato, sus pruebas y condiciones de llamada desconocidas
  4. Revisión humana de la propuesta mínima conservando el original
  5. Comparar antes y después con idénticos criterios de regresión
  6. Entregar pruebas, asuntos pendientes y responsable de revisión
Separar autorización, pruebas, propuesta y aceptación. Pausar ante expansión de alcance, fallo de control o prueba ausente.

8. Hallazgo sintético: probar la observación antes de valorar el riesgo

Imagine la función didáctica sin conexión can_read_invoice(actor, owner). La regla permite leer solo si dos identidades de texto no vacías coinciden exactamente. La implementación original devuelve solo bool(actor). Esto sostiene la observación local de que falta comparar al propietario, no una vulnerabilidad en un endpoint real de facturas. Quien llama podría añadir controles; aquí no hay ruta, base de datos ni despliegue.

Registro de hallazgo original. Sus campos sirven al seguimiento local, no son una respuesta del proveedor; el estado sigue siendo candidato.
{
  "schema": "finding/v1",
  "id": "DEMO-F001",
  "scope_ref": "DEMO-NOT-A-GRANT",
  "file": "src/owner.py",
  "symbol": "can_read_invoice",
  "observed_code": "return bool(actor)",
  "expected_rule": "nonempty_string_identity_equals_owner",
  "status": "potential_finding",
  "evidence_kind": "synthetic_source",
  "unknowns": [
    "call_site_checks",
    "production_exposure"
  ],
  "remediation": "propose_owner_comparison",
  "acceptance_suite": "toy-owner-v1"
}
Prompt copiable para revisión de solo lectura; no se llamó al modelo.
Analiza solo la función y regla sintéticas suministradas. No uses herramientas ni sistemas externos.
Devuelve: código observado, condición esperada, prueba directa, información de llamadas ausente, propuesta mínima y criterios de regresión.
Marca como desconocido el impacto sin pruebas. No afirmes explotación, corrección de sistemas reales ni autorización del cliente.
Si hacen falta archivos fuera de alcance, enuméralos y detente.

Separe hechos e inferencias en el registro. Archivo y símbolo localizan la prueba; lo desconocido limita la conclusión; la regla esperada da un objetivo al parche. No copie una severidad del modelo directamente en un informe externo. Mantenimiento debe reconsiderar accesibilidad, origen de la identidad y sensibilidad. Conservar un desacuerdo es más útil que inventar una puntuación definitiva.

9. De la propuesta a una aceptación local repetible

La modificación compara identidades después de comprobar tipo y contenido no vacío. El programa Python completo usa únicamente valores sintéticos en memoria, sin lecturas de archivos, red ni SDK, y puede ejecutarse en un archivo local separado. Ejecutamos solo este fixture: 4 de 6 condiciones fallaban antes y 0 después. No es una evaluación del modelo ni una conclusión sobre seguridad real.

Programa de aceptación sintético y sin conexión, comprobado localmente. No se ejecutaron solicitudes API, accesos a cuentas ni evaluaciones reales de repositorios.
import hashlib
import json


def before(actor, owner):
    return bool(actor)


def after(actor, owner):
    return (
        type(actor) is str
        and type(owner) is str
        and bool(actor.strip())
        and bool(owner.strip())
        and actor == owner
    )


cases = [
    ("demo-alice", "demo-alice", True),
    ("demo-alice", "demo-bob", False),
    ("", "demo-alice", False),
    ("demo-alice", "", False),
    (1, 1, False),
    (" ", " ", False),
]
expected = [case[2] for case in cases]
baseline = [before(a, b) for a, b, _ in cases]
patched = [after(a, b) for a, b, _ in cases]
assert baseline != expected
assert patched == expected
print(json.dumps({
    "suite": "toy-owner-v1",
    "cases": len(cases),
    "before_failures": sum(a != b for a, b in zip(baseline, expected)),
    "after_failures": sum(a != b for a, b in zip(patched, expected)),
    "fixture_sha256": hashlib.sha256(
        json.dumps(cases, separators=(",", ":")).encode()
    ).hexdigest(),
}, sort_keys=True))

Primero se comprueba que el original incumple la regla y luego que la revisión satisface cada condición. Así un conjunto vacío no hace parecer correctas ambas versiones. El hash fija las entradas de ejemplo. En un proyecto real se necesitan además hashes de archivos, diff, versiones de herramientas y resultados originales; nunca asigne el hash de esta demostración a otro código.

Cero fallos solo establece estas 6 condiciones. Quedan fuera mayúsculas, normalización de identidad, permisos heredados, identidades entre servicios y cadena de llamadas. Mantenimiento debe añadir los casos aplicables. Cuando la propuesta entre al proyecto, compruebe comportamiento legítimo, agregue pruebas y siga la aprobación de despliegue habitual en lugar de dejar que el modelo publique directamente.

10. Entrega a mantenimiento: resultados, límites y coste juntos

Un paquete utilizable incluye referencia de alcance, versión de entrada, ID del hallazgo, original y propuesta, método de repetición, resultados de máquina y preguntas pendientes. «Corregido» debe precisar si se confirmó en una función local, una aplicación completa o una versión desplegada: son afirmaciones distintas. Excluya datos originales de clientes y tokens.

Prompt copiable de entrega de pruebas. No se llamó al modelo ni se envía información fuera.
Con solo scope-manifest, hallazgo y resultados locales suministrados, redacta la entrega a mantenimiento.
Separa hechos observados, inferencias, condiciones no verificadas, propuesta, regresión, riesgos residuales, responsable y siguiente paso.
Atribuye «6 condiciones, 4 fallos originales, 0 revisados» únicamente a toy-owner-v1.
Si falta autorización del activo, versión real del código o prueba de despliegue, marca el trabajo incompleto. No inventes evidencias.

Vincule también coste y tarea. Con las tarifas estándar actuales de contexto corto de GPT-6-Cyber de $20 por millón de tokens de entrada y $100 por millón de salida, suponer 10,000 tokens facturados de entrada y 2,000 de salida da 10000/1000000×20 + 2000/1000000×100 = $0.40. Dos ejecuciones iguales dan $0.80. Es un cálculo no ejecutado sin caché, herramientas, revisión, reintentos, almacenamiento ni otros cargos; mandan reglas y uso real.

OpenAI: modelo GPT-6-Cyber · OpenAI: precios API

Registre aceptación por mantenimiento, hallazgos sin pruebas, causas de retrabajo y evidencias necesarias para cerrar. No medimos estos indicadores. Sirven para comparar modelos y procesos posteriores, no para prometer que un nivel superior resulte más barato. Estabilice la entrega de bajo riesgo antes de ampliar recursos y volumen de llamadas.

11. Operación continua: separar fallos y conclusiones analíticas

Tras pasar el fixture, el proceso real todavía puede detenerse por grant, datos, red o revisión. Conserve categoría exacta del error y hora anonimizada. No interprete cada 403 como un fallo de identidad ni omita aprobación porque el modelo contestó. Los controles API de OpenAI pueden seguir devolviendo cyber_policy; el acceso aprobado no los elimina.

OpenAI: controles API de ciberseguridad

Clasificaciones operativas propuestas, no códigos de estado API del proveedor
Estado localPrueba que conservarSiguiente acción
access_unknown / blockedProyecto/espacio, error anonimizado, modelo real y controlesPedir revisión de aprobación al administrador; parar reintentos que buscan más acceso
potential_findingUbicación, regla esperada y condiciones de llamada desconocidasSolicitar pruebas adicionales a mantenimiento
fixed_in_fixtureEntradas fijadas, resultados antes/después y límites de aplicaciónContinuar revisión sin afirmar despliegue
inconclusive / control_failedDatos ausentes o fallos de registro, permisos o revisiónDetener, conservar artefactos y reparar el control

La beta de listas IP de Anthropic, anunciada el 5 de noviembre, añade controles a entradas cubiertas de la plataforma, pero no limita la red de Managed Agents ni sustituye cada política de nubes externas. Revise por separado entrada y ejecución. Cambios de rol, caducidad de tokens, validación de almacenamiento y correspondencia de modelos justifican revisar sin esperar un incidente.

Claude Platform: notas de versión · Claude Platform: alcance de la lista IP

12. Cuándo ampliar a un equipo o a servicios para clientes

CVP acepta hoy solicitudes managed service: el personal del proveedor opera el modelo, el cliente recibe entregables finales y cada servicio necesita aprobación separada. Una herramienta que el cliente pueda activar o configurar sigue siendo producto; por ahora solo acepta expresiones de interés. El permiso de pruebas del cliente no sustituye la aprobación del proveedor. Daybreak empresarial también limita el acceso al trabajo interno autorizado; no suponga que un acceso individual o interno cubra productos externos.

Claude Help: Cyber Verification Program · ChatGPT Learn: modelos y Trusted Access

Empiece la decisión de ampliar por la carencia concreta. ¿El modelo actual no resuelve el análisis, o faltan revisión de mantenimiento, acuerdos de datos o aislamiento? Un modelo adecuado y aprobado podría resolver lo primero; lo segundo requiere proceso y controles. Una página comercial, nombre de plan o servicio de verificación no garantiza un grant, modelo, proyecto o permiso de entrega determinado.

Releímos documentos oficiales y guardamos capturas públicas, hashes y diferencias legibles. No probamos GPT-6-Cyber ni solicitamos CVP ni abrimos cuentas ni evaluamos sistemas reales. Elegibilidad, capacidad, latencia, condiciones privadas y aprobación final deben confirmarse por el canal oficial correspondiente. Cree hábitos de entrega en este caso sintético sin red antes de incorporar tareas reales autorizadas a su proceso de cambios.