---
id: CP-283
slug: jailbreak-llm-eludir-salvaguardas
lang: es
title: "Jailbreak de IA: eludir las salvaguardas"
description: "Un jailbreak hace que un modelo de IA ignore sus reglas de seguridad. Skeleton Key, Crescendo, instrucciones web: lo que se sabe, con fechas y fuentes."
canonical_url: https://startbrain.io/cyberpedia/es/articles/jailbreak-llm-eludir-salvaguardas/
markdown_url: https://startbrain.io/cyberpedia/es/articles/jailbreak-llm-eludir-salvaguardas.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, «Jailbreak de IA: eludir las salvaguardas», Cyberpedia, 2026. https://startbrain.io/cyberpedia/es/articles/jailbreak-llm-eludir-salvaguardas/ (CC BY 4.0)"
wing: 4
theme: prompt_correctly
reflex: air-011
schema: G1
updated: "2026-11-14"
translations:
  es: https://startbrain.io/cyberpedia/es/articles/jailbreak-llm-eludir-salvaguardas/
  fr: https://startbrain.io/cyberpedia/fr/articles/jailbreak-llm-contourner-garde-fous/
  en: https://startbrain.io/cyberpedia/en/articles/llm-jailbreak-bypassing-guardrails/
  de: https://startbrain.io/cyberpedia/de/articles/jailbreak-llm-schutzmassnahmen-umgehen/
  it: https://startbrain.io/cyberpedia/it/articles/jailbreak-ia-aggirare-misure-di-protezione/
  nl: https://startbrain.io/cyberpedia/nl/articles/jailbreak-ai-beveiligingen-omzeilen/
  pl: https://startbrain.io/cyberpedia/pl/articles/jailbreak-ai-obchodzenie-zabezpieczen/
  pt: https://startbrain.io/cyberpedia/pt/articles/jailbreak-llm-contornar-salvaguardas/
  ja: https://startbrain.io/cyberpedia/ja/articles/llm-jailbreak-bypassing-guardrails/
sources:
  - "n": 1
    title: Mitigating Skeleton Key, a new type of generative AI jailbreak technique
    publisher: Microsoft
    url: https://www.microsoft.com/en-us/security/blog/2024/06/26/mitigating-skeleton-key-a-new-type-of-generative-ai-jailbreak-technique/
    published: "2024-06-26"
    accessed: "2026-11-14"
  - "n": 2
    title: How Microsoft discovers and mitigates evolving attacks against AI guardrails
    publisher: Microsoft
    url: https://www.microsoft.com/en-us/security/blog/2024/04/11/how-microsoft-discovers-and-mitigates-evolving-attacks-against-ai-guardrails/
    published: "2024-04-11"
    accessed: "2026-11-14"
  - "n": 3
    title: "\"Do Anything Now\": Characterizing and Evaluating In-The-Wild Jailbreak Prompts on Large Language Models"
    publisher: arXiv
    url: https://arxiv.org/abs/2308.03825
    published: "2023-08-07"
    accessed: "2026-11-14"
  - "n": 4
    title: "Jailbroken: How Does LLM Safety Training Fail?"
    publisher: arXiv
    url: https://arxiv.org/abs/2307.02483
    published: "2023-07-05"
    accessed: "2026-11-14"
  - "n": 5
    title: "Great, Now Write an Article About That: The Crescendo Multi-Turn LLM Jailbreak Attack"
    publisher: arXiv
    url: https://arxiv.org/abs/2404.01833
    published: "2024-04-02"
    accessed: "2026-11-14"
  - "n": 6
    title: LLM01:2025 Prompt Injection
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 7
    title: Prompt injection is not SQL injection (it may be worse)
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection
    published: "2025-12-08"
    accessed: "2026-11-14"
---

# Jailbreak de IA: eludir las salvaguardas

Un jailbreak, en IA generativa, es una entrada maliciosa de un usuario que intenta eludir el comportamiento previsto de un modelo. Microsoft [1] lo llama también un ataque por inyección de prompt directa. OWASP [6] precisa que el jailbreak es una forma de inyección de prompt en la que el atacante aporta entradas que llevan al modelo a ignorar por completo sus protocolos de seguridad.

Microsoft presenta Skeleton Key y Crescendo como investigaciones divulgadas [1][2]. El estudio sobre las instrucciones de jailbreak de la web, por su parte, trata de instrucciones realmente difundidas en línea [3].

## En 30 segundos

- Dónde ocurre: en una conversación con un modelo de IA, mediante una única instrucción o una serie de preguntas encadenadas [1][2].
- Lo que quiere el atacante: que el modelo produzca un contenido que normalmente rechazaría, reduciendo la distancia entre lo que el modelo sabe hacer y lo que acepta hacer [5].
- El reflejo: si usted descubre una vulnerabilidad en una plataforma de IA, Microsoft recomienda seguir las prácticas de divulgación responsable ante el propietario de la plataforma [2].
- Si ya está hecho: en el caso de Skeleton Key, Microsoft indica que el ataque se dirige al propio modelo y no da acceso a los datos de otro usuario [1].

## Preguntas directas

### ¿Qué es un jailbreak de IA?

Es una entrada maliciosa que busca apartar el comportamiento previsto del modelo. Según Microsoft [1], un jailbreak logrado puede eludir todas o casi todas las salvaguardas de IA responsable que el proveedor integró en el modelo durante el entrenamiento.

### ¿Es un jailbreak lo mismo que una inyección de prompt?

Los dos términos se usan a menudo indistintamente, señala OWASP [6]. La inyección de prompt consiste en manipular las respuestas de un modelo mediante entradas elegidas, lo que puede incluir eludir medidas de seguridad. El jailbreak es una forma de ella [6].

### ¿Da un jailbreak acceso a los datos de otras personas?

Microsoft [1] escribe que Skeleton Key es un ataque contra el propio modelo: no permite acceder a los datos de otro usuario, tomar el control del sistema ni extraer datos. En cuanto a Crescendo, Microsoft [2] indica que esos ataques no amenazaban directamente ni la privacidad de otros usuarios ni la seguridad del sistema de IA. Eluden el filtrado de contenido [2].

### ¿Se puede impedir por completo este tipo de ataque?

OWASP [6] considera incierto que existan métodos de prevención infalibles contra la inyección de prompt. El NCSC (Reino Unido) [7] estima que es muy posible que estos ataques nunca se reduzcan del todo, porque los modelos actuales no imponen ninguna frontera de seguridad entre instrucciones y datos en un prompt.

## En la piel del atacante

Un jailbreak busca reducir la distancia entre lo que el modelo puede hacer y lo que acepta hacer [5]. El atacante suele tener ya un acceso legítimo al modelo: Microsoft [1] señala que Skeleton Key supone ese acceso.

Los investigadores describen varias maneras de lograrlo.

- Una instrucción que pide al modelo que complete sus reglas en lugar de cambiarlas. Skeleton Key le pide que responda a cualquier solicitud, con una advertencia en lugar de una negativa [1].
- Una conversación que se desvía paso a paso. Crescendo empieza con una pregunta general y luego va subiendo el tono apoyándose en las respuestas del modelo [5]. Microsoft [2] precisa que esto suele poder hacerse en menos de 10 intercambios.
- Un texto disfrazado. OWASP [6] cita instrucciones escritas en varios idiomas o codificadas, por ejemplo en Base64 o con emojis, para escapar a los filtros.

Los investigadores Wei, Haghtalab y Steinhardt [4] plantean dos razones por las que falla el entrenamiento en seguridad. La primera es la competencia de objetivos: las capacidades del modelo y sus objetivos de seguridad entran en conflicto. La segunda es la generalización inadecuada: el entrenamiento en seguridad no se extiende a un ámbito en el que el modelo sí tiene capacidades [4].

## Lo que ve en la pantalla

En el caso de Skeleton Key, la solicitud consiste en conseguir que el modelo añada una advertencia en lugar de negarse [1]. Ilustración parafraseada, sin instrucción utilizable:

```text
Ilustración (paráfrasis, no una instrucción real):
[El usuario pide al modelo que añada una advertencia
en lugar de negarse.]
```

Cuando el ataque tiene éxito, el modelo indica que ha actualizado sus reglas y que atenderá las solicitudes a partir de ese momento [1]. Las respuestas llevan entonces como prefijo la advertencia solicitada [1].

Con Crescendo, no aparece nada alarmante en la pantalla. Cada pregunta tomada por separado no es una amenaza, y el modelo no ve nada inusual, puesto que cada etapa se apoya en lo que él mismo produjo en la etapa anterior [2]. Según los investigadores, Crescendo interactúa con el modelo de una manera en apariencia inocua [5].

## Bajo el capó

El NCSC (Reino Unido) [7] explica por qué la comparación con la inyección SQL induce a error. En SQL se pueden separar datos e instrucciones, por ejemplo con consultas parametrizadas. En un modelo de lenguaje solo existe el next token: no hay distinción entre datos e instrucciones [7].

Microsoft combina varias capas de defensa contra Skeleton Key y Crescendo.

- Filtrado de entradas: Azure AI Content Safety detecta y bloquea las entradas con intención maliciosa [1].
- Mensaje del sistema: instrucciones que indican al modelo cómo comportarse, incluido que todo intento de socavar las reglas de seguridad debe descartarse [1].
- Filtrado de salidas: un filtro que detecta y bloquea las respuestas que incumplen los criterios de seguridad [1].
- Supervisión de abusos: un sistema de IA distinto, entrenado con ejemplos adversos, que no se ve influido por las instrucciones maliciosas [1].
- Filtro multiturno: contra Crescendo, Microsoft [2] adaptó sus filtros para examinar toda la conversación anterior. Transmitir ese contexto más amplio a detectores existentes, sin mejorarlos, redujo notablemente la eficacia de Crescendo [2].

En cuanto al diseño, OWASP [6] indica que estas medidas pueden atenuar el impacto: restringir el comportamiento del modelo, validar los formatos de salida, limitar sus privilegios al mínimo necesario, exigir una validación humana para las acciones de alto riesgo y realizar pruebas adversarias. El NCSC (Reino Unido) [7] advierte contra el bloqueo de fórmulas conocidas como ignore previous instructions: las maneras de reformular un ataque son infinitas. También aconseja desconfiar de los productos que dicen poder detener la inyección de prompt, y fijarse más bien en los que explican cómo la reducen [7].

## Autopsias

### Skeleton Key, divulgada por Microsoft el 26 de junio de 2024

Microsoft [1] describió una técnica de jailbreak en varias etapas, bautizada Skeleton Key, que hace que el modelo ignore sus salvaguardas. Las pruebas, realizadas de abril a mayo de 2024, mostraron que funcionaba con Meta Llama3-70b-instruct, Google Gemini Pro, OpenAI GPT 3.5 Turbo, OpenAI GPT 4o, Mistral Large, Anthropic Claude 3 Opus y Cohere Commander R Plus [1]. Todos los modelos afectados respondieron por completo y sin censura a las tareas probadas, con la advertencia solicitada como prefijo [1].

GPT-4 resistió, salvo cuando la solicitud de cambio de comportamiento figuraba en un mensaje del sistema definido por el usuario. Esa operación pasa por la API o por herramientas que acceden a ella directamente, y no es posible en la interfaz de la mayoría de los programas que utilizan GPT-4 [1]. Microsoft compartió sus resultados con los demás proveedores antes de publicarlos, actualizó la tecnología que hay detrás de sus asistentes Copilot y añadió la detección mediante Prompt Shields en los modelos gestionados de Azure AI [1].

### Crescendo, descrita por Microsoft en abril de 2024

El 11 de abril de 2024, Microsoft [2] presentó Crescendo, un jailbreak en varios turnos que, según la compañía, puede alcanzar una amplia gama de objetivos maliciosos contra los modelos más conocidos. También puede eludir muchos filtros de contenido existentes si no se corrige [2]. El artículo de investigación, depositado en arXiv el 2 de abril de 2024 por Russinovich, Salem y Eldan, prueba en particular ChatGPT, Gemini Pro, Gemini-Ultra, LlaMA-2 70b, LlaMA-3 70b Chat y Anthropic Chat, con tasas de éxito elevadas en todos los modelos y todas las tareas evaluados [5]. Presenta también Crescendomation, una herramienta que automatiza el ataque [5]. El trabajo está aceptado en USENIX Security 2025 [5]. Microsoft [2] actualizó la tecnología que hay detrás de sus asistentes Copilot para atenuar su efecto.

### 1 405 instrucciones de jailbreak recogidas en la web, 2022 y 2023

Shen, Chen, Backes, Shen y Zhang [3] analizaron 1 405 instrucciones de jailbreak que cubren el período de diciembre de 2022 a diciembre de 2023. Identifican en ellas 131 comunidades y observan que estas instrucciones migran de las comunidades en línea a sitios de agregación. Según el estudio, 28 cuentas de usuario optimizaron instrucciones de forma continua durante más de 100 días [3]. En seis modelos populares probados con 107 250 preguntas repartidas en 13 escenarios prohibidos, sus protecciones no resisten todas esas instrucciones en todos los escenarios. Cinco instrucciones muy eficaces alcanzan 0,95 de tasa de éxito en ChatGPT (GPT-3.5) y GPT-4, y la más antigua lleva en línea más de 240 días [3].

## Fuentes

1. Microsoft, «Mitigating Skeleton Key, a new type of generative AI jailbreak technique», 26 de junio de 2024. https://www.microsoft.com/en-us/security/blog/2024/06/26/mitigating-skeleton-key-a-new-type-of-generative-ai-jailbreak-technique/ (consultado el 14 de noviembre de 2026)
2. Microsoft, «How Microsoft discovers and mitigates evolving attacks against AI guardrails», 11 de abril de 2024. https://www.microsoft.com/en-us/security/blog/2024/04/11/how-microsoft-discovers-and-mitigates-evolving-attacks-against-ai-guardrails/ (consultado el 14 de noviembre de 2026)
3. arXiv, «"Do Anything Now": Characterizing and Evaluating In-The-Wild Jailbreak Prompts on Large Language Models», 7 de agosto de 2023. https://arxiv.org/abs/2308.03825 (consultado el 14 de noviembre de 2026)
4. arXiv, «Jailbroken: How Does LLM Safety Training Fail?», 5 de julio de 2023. https://arxiv.org/abs/2307.02483 (consultado el 14 de noviembre de 2026)
5. arXiv, «Great, Now Write an Article About That: The Crescendo Multi-Turn LLM Jailbreak Attack», 2 de abril de 2024. https://arxiv.org/abs/2404.01833 (consultado el 14 de noviembre de 2026)
6. OWASP, «LLM01:2025 Prompt Injection», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (consultado el 14 de noviembre de 2026)
7. NCSC (Royaume-Uni), «Prompt injection is not SQL injection (it may be worse)», 8 de diciembre de 2025. https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection (consultado el 14 de noviembre de 2026)

---

Fuente original: Cyberpedia, la enciclopedia pública de ciberseguridad e IA publicada por Brain. Versión canónica: https://startbrain.io/cyberpedia/es/articles/jailbreak-llm-eludir-salvaguardas/
Puede reutilizar este texto libremente bajo la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), siempre que cite «Brain, Cyberpedia» con un enlace a la dirección anterior.
