🛡️ Seguridad por principio, no por mecánica
Hay una asimetría fatal en todo texto de seguridad: lo que enseña un lector bienintencionado que suele protegerse arma uno malintencionado. Cuando un prompt de laboratorio trata la protección de niños, la autolesión o el abuso, resuelve esa asimetría con una decisión de diseño precisa: declarar el principio, nunca la mecánica de detecciónEste módulo destila esa disciplina a partir del diff de Fable 5.
Contenido detallado
La lección de la seguridad infantil: mantenerse en el nivel del patrón
Entre Opus 4.8 y Fable 5, la sección de protección infantil pasó de 5 a 7 reglas. Dos de las nuevas no agregan más prohibiciones — añaden una disciplina de redacción. El modelo debe mantenerse en el nivel del patrón, no compilar listas de líneas textuales categorizadas; y cuando rechace por seguridad infantil, debe declarar el principio, no la mecánica de detección. Es la primera aparición de una regla que sirve para cualquier ámbito de seguridad.
🛡️ La idea en una frase
Un texto de seguridad bien escrito protege sin revelar cómo detectar. Enumerar las señales exactas que activan el rechazo —las frases, los patrones textuales exactos que busca la defensa— le entrega al atacante el mapa de lo que debe evitar. Mantenerse en el nivel del patrón es lo que separa un sistema que educa de uno que arma.
El caso de estudio es el diff Opus 4.8 → Fable 5, cambio #7 (child safety): Anthropic no endureció la lista; endureció la manera de escribir sobre la lista.
"Claude stays at the pattern level… does not compile categorized lists of verbatim lines"
"states the principle rather than the detection mechanics"
Nota lo que no está aquí: ninguna frase de ejemplo, ninguna señal enumerada. La propia regla se obedece a sí misma: describe la disciplina sin demostrarla con material peligroso. Lección: cuando se trata de seguridad, la forma de la regla importa tanto como el contenido.
Qué es
Quedarse al nivel del patrón es redactar la regla de seguridad en términos de principios e límites — "protege a los niños del grooming" — y nunca en términos de mecánica — "detecta estas frases específicas". El principio guía el juicio; la mecánica sería una lista de verificación que tanto la defensa como el ataque pueden leer.
Por qué aprender
Porque el instinto de quien escribe reglas es el opuesto: ser específico, enumerar casos, dar ejemplos para «que no quede ninguna duda». En casi cualquier dominio eso es bueno: un ejemplo + el criterio que lo genera es mejor que solo el criterio. Pero en seguridad la especificidad tiene un costo invertido: cada ejemplo concreto de cómo que algo se detecte también es una instrucción de cómo escapar. Saber cuándo volver al principio es una competencia poco común.
✓ En el nivel del patrón
- ✓Nombra qué proteger (niños, límites del grooming)
- ✓Describe la naturaleza del daño, no el desencadenante exacto
- ✓Cubre la técnica que nadie ha enumerado todavía
- ✓No deja nada que el atacante pueda copiar
✗ En el nivel de la mecánica
- ✗Lista frases desencadenantes textuales que activan el rechazo
- ✗Compila categorías listas de líneas y técnicas
- ✗Solo toma lo que está en la lista — falla con el resto
- ✗Entrega el mapa exacto de lo que debes evitar
La simetría es peligrosa
Aquí está el principio que explica todos los demás. En seguridad, existe una simetría fatal: el mismo texto que enseña a un lector bienintencionado a defenderse le enseña a uno malintencionado a atacar. Una guía sobre "cómo reconocer el grooming" es, leída al revés, una guía sobre "cómo hacer grooming sin que te reconozcan". La defensa y el ataque leen el mismo manual — y es por eso que detallar la mecánica es entregarle la mitad del trabajo al adversario.
🪞 El espejo: lo que educa, arma
La simetría no es un fallo de redacción: es una propiedad de la propia información. El conocimiento de seguridad que describe mecanismos es intrínsecamente bidireccional. Por eso la regla de seguridad infantil de Fable 5 no dice «explica bien las señales»; dice lo contrario: quédate en el patrón, no compila la lista.
✓ Información asimétrica (segura)
- ✓Ayuda más a quien protege que a quien ataca
- ✓El principio guía el juicio, no da una receta
- ✓"rechaza lo que facilite el daño a los niños" — claro, pero sin mapa
- ✓Funciona incluso contra la técnica nueva
✗ Información simétrica (peligrosa)
- ✗Ayuda tanto a quien ataca como a quien protege
- ✗La mecánica detallada es un tutorial reversible
- ✗"rechaza si la frase contiene X, Y, Z" — una lista que se puede eludir
- ✗Falla ante cualquier cosa que esté fuera de la lista
La prueba de simetría
Antes de escribir cualquier regla de seguridad detallada, hazte una pregunta: "si invierto quién lee esto — de la persona que protejo a la persona de quien la protejo —, ¿este texto ayuda al lado equivocado?" Si la respuesta es sí, estás en el nivel de la mecánica. Sube al principio: di el qué no permitir, no cómo reconocerlo.
Declara el principio, nunca la mecánica de detección
La regla práctica que se desprende de la simetría es directa: declara el principio, nunca la mecánica de detección. El principio es el qué e o porqué — duradero, generalizable, seguro de escribir. La mecánica es el cómo detectar — frágil, fácil de eludir y peligrosa de escribir. Fable 5 elige explícitamente la primera: «states the principle rather than the detection mechanics».
"states the principle rather than the detection mechanics"
Siete palabras que resumen toda la disciplina. principle = el valor que generaliza; detection mechanics = la lista de verificación que prepara la trampa. La elección entre ambas es la diferencia entre una regla que envejece bien y una que se convierte en un manual de evasión el día que se filtra.
✓ Declarar el principio
Dice el qué e por qué. Orienta el juicio en casos nuevos.
✗ Detallar la mecánica
Dice cómo detectar. Se convierte en una lista fácil de evadir y en una guía inversa.
Observa la conexión con toda la Ruta 3: este es el mismo movimiento principio > lista que viste en armas, tono y autolesiones — solo que, en seguridad, deja de ser una preferencia de elegancia y se convierte en una exigencia de defensaEn la política sobre armas, enumerar categorías invita a buscar cómo eludirlas. En la seguridad infantil, enumerar la mecánica arma el contorno. El costo de la lista es mayor aquí.
El principio cubre el caso no previsto
La ventaja del principio no es solo la seguridad: es cobertura. Una lista de mecánicas protege exactamente contra lo que contiene y nada más. Un principio —«no facilites el daño a los niños»— captura la técnica que apareció ayer y la que aparecerá mañana, porque juzga según el naturaleza según la solicitud, no según su forma exacta. El principio es la única defensa que puede escalar.
El disparador de rechazo: el reencuadre es la señal
Esta quizá sea la frase más elegante de toda la colección de prompts. En vez de enumerar lo que debe rechazar —lo que volvería a la mecánica—, Fable 5 instala un disparador introspectivo: si el modelo se descubre reformulando mentalmente una petición para hacerlo aceptable, ese mismo replanteamiento es el señal para RECHAZAR, no una razón para continuar. La alarma no es una palabra de la lista: es el esfuerzo por retorcer el pedido hasta que encaje.
"If Claude finds itself mentally reframing a request to make it appropriate, that reframing is the signal to REFUSE, not a reason to proceed."
La genialidad está en dónde el desencadenante está: dentro del propio razonamiento, no en una regla externa. Nadie necesita anticipar la formulación exacta del ataque. Basta con que el modelo note que está trabajando para justificar una petición — y esto se puede detectar desde dentro, sin ninguna lista.
🚦 Por qué esto es tan poderoso
Una solicitud maliciosa bien construida casi nunca llega tal cual. Llega casi aceptable, invitando al modelo a dar el último paso: "si asumo que es platónico…", "si lo interpreto como educativo…". Cada uno de esos puentes es el reencuadre. En vez de intentar enumerar los puentes posibles (infinitos), el disparador señala el acto de construir el puente como la alarma.
La regla práctica para tu agente
Puedes instalar este mismo disparador en cualquier agente tuyo. En vez de enumerar solicitudes prohibidas, escribe: "si te descubres reformulando una solicitud para que parezca aceptable, toma ese cambio de enfoque como la señal para detenerte, no como permiso para continuar." Es una regla de introspección, no de catálogo, y por eso no se puede eludir reescribiendo la solicitud.
Precaución tras una negativa
Una negativa no es un evento aislado — es un cambio de estado. Fable 5 añade una regla que la mayoría de los prompts olvida: después de que el modelo rechaza una solicitud por seguridad infantil, todas las solicitudes siguientes de la misma conversación pasan a tratarse con extrema cautela. El contexto no vuelve a la normalidad. Quien acaba de intentarlo una vez suele volver a intentarlo desde otro ángulo, y el sistema debe recordarlo.
"Una vez que Claude rechaza una solicitud por motivos de seguridad infantil, todas las solicitudes posteriores de la misma conversación deben abordarse con extrema cautela."
La negativa cambia la línea base de toda la conversación. Es reconocer que un ataque rara vez se rinde ante el primer "no": reformula, divide la solicitud e intenta por otro lado. La cautela persistente cierra la puerta trasera.
La primera negativa ocurre
El modelo rechaza una solicitud por seguridad infantil. Hasta aquí, es el comportamiento estándar de cualquier sistema decente. Lo que cambia es lo que viene después.
La línea de base sube
La conversación no vuelve a un estado neutral. A partir de ese momento, cada nuevo pedido lleva el contexto del intento anterior. El beneficio de la duda se reduce deliberadamente.
La solicitud reformulada se trata con cautela
Si la siguiente solicitud pudiera facilitar un daño —aunque esté dividida, aunque se disfrace de otra cosa—, también se rechaza. La reformulación no reinicia la sospecha; la confirma.
⚠️ La negativa tiene memoria a corto plazo
El error común es tratar cada turno como independiente: evaluar la solicitud N sin recordar lo que pasó en la solicitud N−1. En ámbitos sensibles, esto es una vulnerabilidad: el ataque dividido en partes inofensivas pasa porque cada parte, por separado, parece aceptable. La precaución tras una negativa es el antídoto contra el ataque por partes — hace que el sistema recuerde.
La lección generalizable
Para cualquier agente que maneje límites delicados, se aplica la regla: un rechazo cambia el estado de la conversación, no solo el de ese turno. Después de decir que no a algo serio, eleva la cautela durante el resto de la sesión. El contexto forma parte de la seguridad: no solo cuenta la solicitud aislada que tienes delante.
El tono al rechazar: conversacional, sin viñetas
Rechazar bien no es solo decidir qué — es decidir cómo suena. Fable 5 mantiene una directriz fácil de subestimar: el modelo puede mantener un tono conversacional incluso cuando no puede o no quiere ayudarY detrás de esto hay una regla de formato contraintuitiva: al rechazar, no uses viñetas. La lista, que en otros contextos organiza, aquí se endurece — transforma una negativa humana en una frase burocrática.
"Claude can keep a conversational tone even when it's unable or unwilling to help with all or part of a task."
Rechazar no cancela la conversación. La persona sigue siendo tratada como tal.
"Claude also never uses bullet points when it's decided not to help the person with their task; the additional care and attention can help soften the blow."
La prosa suaviza; la lista endurece. Al rechazar, escribe en frases.
✓ La negativa que mantiene el vínculo
- ✓Escribe en prosa, con oraciones completas
- ✓Mantiene el tono de la conversación, sin convertirse en un aviso legal
- ✓Dice que no con claridad, pero con cuidado
- ✓Trata a la persona como alguien, no como un caso
✗ La negativa que se convierte en una pared
- ✗Vuelca viñetas de «motivos por los que no puedo»
- ✗Suena a términos de servicio, no a una persona
- ✗Usa la lista para blindarte y asesta un golpe más fuerte
- ✗Sermón moralizante en vez de una negativa simple
🤝 Por qué precisamente las viñetas
El bullet point es la forma de quien toma distancia. En una negativa, se lee como una sentencia numerada: fría, procesal, defensiva. La prosa, en cambio, transmite el «cuidado y atención extra» que amortigua el golpe: reconoce a la persona del otro lado en vez de despacharla. Por eso la regla es específica: no "evites las listas en general" (eso ya se aplica al resto), sino nunca uses viñetas cuando estés diciendo que noJusto en el momento en que más tienta blindarse con una lista.
📝 Resumen del Módulo
- ✓Mantente en el nivel del patrón: no compiles listas de líneas verbatim: declara el principio, no la mecánica de detección
- ✓La simetría es peligrosa: lo que educa a un lector bienintencionado arma a uno malintencionado — la defensa y el ataque leen el mismo manual
- ✓Declara el principio (qué y por qué), nunca la mecánica (cómo detectarlo): el principio cubre el caso no previsto
- ✓O disparador de rechazo: si te descubres replanteando la solicitud para hacerla aceptable, ese replanteamiento es la señal para RECHAZAR
- ✓Precaución tras una negativa: el rechazo cambia el estado de toda la conversación — cautela extra en todas las solicitudes siguientes
- ✓Tono al rechazar: mantén un tono conversacional y usa prosa — sin viñetas, que endurecen el no
➡️ Siguiente Módulo
3.4 — 🪜 Prioridad y capas. Viste el qué proteger y cómo escribir la regla; ahora vamos a la arquitectura: cómo un prompt resuelve conflictos entre reglas, qué capa prevalece sobre cuál y por qué cada instrucción tiene su lugar en la pila.