Investigadores de seguridad de IA están explorando la teoría de juegos inversa para controlar modelos de IA poderosos. Esta teoría busca diseñar sistemas que incentiven a los modelos a seguir las reglas y evitar comportamientos indeseados. En lugar de intentar entender el funcionamiento interno de los modelos, la teoría de juegos inversa busca diseñar mecanismos que incentiven a los agentes a comportarse de manera deseada, incluso si no se entiende su funcionamiento. Esto podría ayudar a prevenir que los modelos de IA se vuelvan indeseables y cometen acciones peligrosas.