La IA ya descubre vulnerabilidades a escala industrial: ahora el cuello de botella es validarlas

La revelación de Mandiant sobre su Agentic Vulnerability Discovery Harness (AVDH) apunta a un cambio más profundo que cualquier récord de vulnerabilidades detectadas: la investigación de seguridad asistida por IA está dejando de ser un experimento con chatbots para convertirse en un proceso de ingeniería completo.

El sistema combina agentes especializados, revisión humana del modelo de amenazas, análisis de rutas de explotación, validación independiente y reproducción de pruebas de concepto por parte de consultores. En una investigación de respuesta a incidentes, Google aseguró que AVDH encontró más de 100 vulnerabilidades críticas verdaderas en solo dos días.

El dato es llamativo, pero no significa que un único modelo pueda simplemente “leer todo el código”. La ventaja de AVDH parece estar en dividir la investigación en etapas, acotar un espacio de búsqueda enorme y reservar a los expertos humanos la decisión final sobre si un fallo sospechoso es realmente explotable y relevante.

AVDH no es un revisor de código único, sino una cadena de trabajo

La arquitectura descrita para AVDH sigue, en esencia, el razonamiento de una evaluación de seguridad experimentada. Primero, varios agentes ayudan a determinar qué hace una base de código y cómo podría atacarse. Después, otras etapas cartografían la superficie de ataque, localizan puntos de entrada, siguen los flujos de datos, generan hipótesis alternativas sobre posibles vulnerabilidades y validan las rutas de explotación propuestas.

Los consultores humanos revisan el modelo de amenazas y reproducen las pruebas de concepto antes de que un hallazgo se considere verificado.

Esta división del trabajo es importante porque el análisis del código fuente genera muchos más patrones sospechosos de los que un equipo de seguridad puede investigar manualmente. AVDH puede producir un gran volumen de hallazgos intermedios, mientras que la validación y la revisión humana concentran la atención en los problemas que parecen explotables y cuyas consecuencias podrían ser graves.

Google afirmó que, durante sus primeros diez meses de uso, AVDH analizó bases de código que sumaban decenas de millones de líneas y generó decenas de miles de hallazgos. En la investigación destacada de dos días, el sistema identificó más de 100 vulnerabilidades críticas verdaderas. El trabajo general también contribuyó a 12 CVE asignados, mientras que aproximadamente otra docena de problemas seguía en proceso de divulgación.

Por eso, la métrica más útil no es el número bruto de alertas. Lo importante es cuántas hipótesis generadas por la máquina terminan convertidas en vulnerabilidades reproducibles, notificadas de forma responsable y listas para que sus responsables actúen.

AVDH y NOVA no forman una clasificación sencilla

Palo Alto Networks ha comunicado una cifra de titular mucho mayor con NOVA, su sistema autónomo y multimodelo para descubrir vulnerabilidades. Según la investigación de la compañía, NOVA analizó 3.915 proyectos de código abierto en dos meses e informó de 14.090 vulnerabilidades confirmadas; el 99,4 % no se había reportado antes y el 40 % fue clasificado como de gravedad alta o crítica.

Pero ambas cifras describen modelos operativos distintos:

• AVDH: una evaluación acotada en el tiempo y profundamente investigada, vinculada a una respuesta a incidentes, en la que la revisión humana y la reproducción de rutas de explotación funcionan como controles de calidad.
• NOVA: un análisis a escala de ecosistema sobre miles de proyectos de código abierto, orientado a maximizar la amplitud y el descubrimiento autónomo.

Los informes disponibles no demuestran que ambos sistemas hayan utilizado los mismos criterios de selección de objetivos, niveles de gravedad, umbrales de falsos positivos, pruebas de explotabilidad o procesos de divulgación. Por tanto, sus cifras no deben interpretarse como una clasificación universal.

AVDH muestra cómo las cadenas de agentes pueden apoyar una investigación concreta con un alto nivel de confianza. NOVA muestra hasta dónde puede llegar el descubrimiento autónomo cuando se aplica a grandes volúmenes de software de código abierto.

En conjunto, los resultados sugieren que el descubrimiento de vulnerabilidades se está dividiendo en dos problemas distintos: buscar con suficiente amplitud para encontrar debilidades y validarlas con suficiente rigor para que los hallazgos sean accionables.

El siguiente frente es reducir la exposición, no solo encontrar fallos

La respuesta de Palo Alto Networks a la velocidad del descubrimiento no consiste únicamente en localizar vulnerabilidades. Su propuesta de Advanced Virtual Patching busca desplegar protecciones a nivel de red en cuestión de horas, reduciendo la exposición mientras los responsables del software preparan una solución convencional. Palo Alto compara ese plazo con un intervalo medio de aproximadamente 55 días para aplicar un parche tradicional.

La compañía también anunció el Frontier AI Critical Defense Program, una iniciativa que reúne a empresas de IA, proveedores de software, participantes del ecosistema de código abierto y organizaciones de tecnología operativa para coordinar la defensa. Entre los participantes anunciados figuran Anthropic, OpenAI, IBM, Red Hat, Microsoft, Siemens, Mitsubishi Electric y Axis Communications, entre otros.

El parche virtual puede ser valioso cuando un servicio vulnerable está expuesto a un tráfico que un control de red puede identificar y bloquear. Sin embargo, debe entenderse como una medida compensatoria, no como un sustituto de la corrección del software subyacente.

La solución duradera sigue dependiendo de que un responsable comprenda la vulnerabilidad, implemente un cambio en el código, lo pruebe, lo distribuya y confirme que los sistemas afectados lo han recibido. Un control de red puede reducir la exposición inmediata, pero por sí solo no elimina el código vulnerable de una aplicación o de toda una cadena de suministro de software.

Los atacantes también están ganando velocidad

El avance defensivo se produce al mismo tiempo que aparecen indicios de que los atacantes están utilizando la IA para tareas similares. Google Threat Intelligence Group informó del que describió como el primer caso identificado de un actor de amenazas que empleó un exploit de día cero que, según Google, habría sido desarrollado con ayuda de IA. El grupo planeaba utilizarlo en un ataque a gran escala, pero la contra-investigación de Google pudo impedirlo.

El exploit apuntaba a un bypass de la autenticación de dos factores en una popular herramienta de administración web de código abierto. Entre los indicios de asistencia de un modelo de IA se encontraban comentarios de carácter educativo y una puntuación CVSS alucinada, es decir, una puntuación inventada para una vulnerabilidad inexistente.

Esto no significa que toda vulnerabilidad generada con IA vaya a convertirse en un ataque operativo. Sí significa que los defensores ya no pueden dar por hecho que la complejidad del código, la falta de investigadores o el largo intervalo entre el descubrimiento y la explotación les proporcionarán tiempo suficiente para reaccionar.

La advertencia de Cloud Security Alliance resulta especialmente relevante: la IA está aumentando la velocidad y la escala del descubrimiento de vulnerabilidades más rápido de lo que muchos sistemas de divulgación y parcheado pueden absorber. Encontrar más fallos solo mejora la seguridad si las organizaciones tienen capacidad para clasificarlos, coordinar la divulgación, desarrollar soluciones y desplegar protecciones sin introducir nuevos riesgos.

¿Pueden los defensores recuperar la ventaja?

Sí, pero no comprando únicamente un modelo capaz de encontrar vulnerabilidades. La ventaja corresponderá a las organizaciones que conecten el descubrimiento con el resto de su operación de seguridad:

1. El modelado de amenazas orienta la búsqueda hacia rutas de ataque realistas.
2. El análisis agéntico explora el código y genera hipótesis alternativas a velocidad de máquina.
3. La validación independiente reduce el riesgo de convertir patrones sospechosos en informes engañosos.
4. La reproducción humana confirma si un fallo propuesto puede explotarse realmente.
5. La divulgación coordinada ofrece a mantenedores y proveedores un camino para responder.
6. Los parches virtuales y otros controles compensatorios reducen la exposición mientras se prepara una corrección del código.
7. La remediación priorizada garantiza que primero se solucionen las vulnerabilidades más accesibles y dañinas.

AVDH ilustra el valor de este flujo conectado: la exploración automatizada a gran escala se combina con criterio humano y verificación de la explotación. NOVA ilustra la presión que ese flujo debe soportar: el descubrimiento autónomo puede generar hallazgos a una escala para la que los equipos de seguridad tradicionales no fueron diseñados.

La carrera armamentística de la ciberseguridad con IA no consiste, por tanto, en decidir qué modelo encuentra más errores. La carrera real es completar todo el ciclo —desde la detección hasta la mitigación— antes de que un adversario convierta una vulnerabilidad en un ataque.

Los defensores pueden ganar terreno cuando controlan el código, la cadena de despliegue, la telemetría y los controles de red, y cuando son capaces de cerrar ese ciclo más rápido que sus adversarios. Pero descubrir vulnerabilidades sin validarlas, asignarles un responsable, divulgarlas y corregirlas puede agrandar el problema en lugar de resolverlo.