SECU L0 Framework: Gobernanza Anti-Goodhart y Auditoría de Outputs para Sistemas de Caja Negra
Abstract
Marco SECU L0 — Gobernanza Anti-Goodhart y Auditoría de Outputs para Sistemas de Caja Negra Esta preimpresión describe L0 , un marco operativo de gobernanza y auditoría para sistemas de IA tipo “caja negra” (incluyendo despliegues donde el método interno no se revela). El objetivo es convertir la evaluación en un proceso reproducible y falsificable , con trazabilidad verificable (artefactos, hashes, CHAINLOG) y defensas explícitas contra Goodhart/overfitting a métricas . Idea central: si el motor no se abre, la confianza se obtiene por evidencia auditable : pre-registro, pruebas mínimas obligatorias, “matriz de falsificación (amenaza → prueba → criterio)”, control de inestabilidad por semillas/entornos, y políticas de degradación/“Safe Mode” ante sospecha o riesgo. Contribuciones prácticas Plantillas para cuantificar sospecha/riesgo y activar modos seguros. Protocolo de trazabilidad: artefactos, hashes, caducidad y revisión periódica. Suite anti-Goodhart: robustez, OOD, segmentación, perturbaciones realistas, red-team y tripwires. Enfoque “outputs-only”: utilidad institucional sin divulgar el núcleo. Alineación (orientativa, no normativa): el marco puede mapearse a prácticas de gestión de riesgo y auditoría (p. ej., NIST AI RMF; EU AI Act; ISO/IEC 42001; ISO/IEC 23894), sin declarar cumplimiento automático. Contacto/licencia: el documento permite lectura, cita académica y discusión; cualquier uso operativo/implementación requiere licencia escrita. Estado e integridadEspecificación técnica (SECU L0). Disponible para consulta, crítica y citación. No revisado por pares. La adopción operativa, el uso interno y la implementación requieren una licencia escrita. Contacto: secu.quan@gmail.com. Integridad (SHA-256) — PDF: f768d04185e2462753a2922c84bfbda279a115f3908604e0a8d9675c786a7e03 (También adjunto: HASHES.sha256)
Fields of Study & Subjects
Ethics and Social Impacts of AI
Adversarial Robustness in Machine Learning
Explainable Artificial Intelligence (XAI)
Publication details
- Journal / source
- Zenodo (CERN European Organization for Nuclear Research)
- Publication date
- 12 February 2026
- Language
- ES
- Document type
- Preprint