Los autores presentan el red-teaming institucional, una metodología de evaluación que aísla el impacto causal de las reglas de despliegue sobre el comportamiento colectivo en sistemas de IA multiagente. Utilizando el benchmark IABench-CA, que abarca 228 contextos y siete poblaciones de modelos en 33.924 juegos, el estudio demuestra que cambiar solo una regla altera significativamente los resultados de seguridad.
- Cambiar las reglas de consecuencia desplaza la media de fatalidades entre 22 y 58 puntos porcentuales dentro de cada población probada.
- La identificación regresiva por identidad nunca es decisivamente la más segura y elimina al agente con menos recursos en el 30-87% de los juegos en todas las poblaciones.
- La saliencia de la identidad impulsa la eliminación dirigida, nombrar al portador de la pérdida aumenta la orientación del ataque del 22% al 81% con pagos idénticos.
- El anonimato solo retrasa la orientación bajo juego repetido ya que los agentes reinfieren reglas ocultas a partir de eliminaciones observadas.
La metodología se empaqueta como un flujo de trabajo de safety-case que certifica una región provisional de reglas por contexto de despliegue y población, proporcionando riesgos residuales explícitos y obligaciones de monitoreo.