Багхантинг через LLM: как специалист «Бастиона» ищет уязвимости и не тонет в спаме

Por qué un agente de IA se ahoga en spam

Poner en marcha un agente de IA en un programa de bug bounty lleva cinco minutos, pero convertir su "flujo de conciencia" en informes aceptados es la parte difícil, la que fácilmente puede hacerte ganar un baneo por spam y perder puntos de reputación. El autor lleva cazando en bug bounty alrededor de un año y medio, ganó la competición BugZone 7.0 y en los últimos seis meses busca bugs precisamente a través de LLM: según él, con IA se puede lograr resultados, no entregar basura.

*Autor — especialista del departamento de respuesta a incidentes de la empresa Bastion, ~1,5 años de experiencia en bug bounty

*Ganador de la competición BugZone 7.0

*En los últimos ~6 meses busca vulnerabilidades con ayuda de LLM

*En el análisis — 4 enfoques para el bug hunting con IA y 4 formas de pagar el modelo

*Verificación en 3 capas y pipeline de 2 agentes de IA, análisis en vivo de un blind SSRF

Cómo no ahogarse en falsos positivos

La clave para un bug hunting con IA que funcione es la verificación multicapa: el autor construye tres capas de verificación por las que pasa cada hallazgo del modelo antes de enviarlo. Sin este filtro, las plataformas de bug bounty perciben la salida cruda del LLM como spam, lo que amenaza con un bloqueo y una penalización en la reputación del investigador.

Los roles dentro del conjunto están divididos: un agente genera hipótesis sobre vulnerabilidades, el segundo las verifica y las clasifica, quitándole al humano la rutina del análisis primario. Precisamente el análisis manual del flujo de falsos positivos, según señala el autor, convierte al investigador en un "triador gratuito para su propio agente" — algo que hay que evitar.

Por separado, el autor analiza la economía: presenta cuatro formas de pagar por el modelo, porque con ejecuciones masivas de hipótesis el costo de los tokens se convierte en una partida significativa de los gastos del investigador.

Qué muestra el análisis del blind SSRF

Como ejemplo en vivo, el autor analiza la búsqueda de una vulnerabilidad de la clase blind SSRF (server-side request forgery) — cuando el servidor, por orden del atacante, se comunica con recursos internos, pero no devuelve la respuesta directamente. En este caso se muestra cómo el agente de IA formula una hipótesis, y las capas de verificación confirman la explotabilidad antes de presentar el informe.

«Poner en marcha un agente de IA en bug bounty es cosa de cinco minutos.

Pero convertir su flujo de conciencia en informes aceptados, para no ganarse un baneo por spam y un menos en la reputación, es la parte difícil.»

—

Vladislav, especialista del departamento de respuesta a incidentes, Bastion

El autor no promete un botón listo de "hacerlo bien": incluso con LLM, el resultado se sostiene en la disciplina de verificación, y no en la automatización por la automatización misma.

Qué significa esto

Los LLM ya le dan a los hackers éticos una ventaja real en el bug bounty, pero solo en combinación con un humano y una verificación rigurosa. Un agente de IA desnudo, sin capas de verificación, genera spam que cuesta reputación y acceso a los programas — el valor lo crea la arquitectura del pipeline, no el modelo en sí.

Preguntas frecuentes

¿Qué es el bug hunting con IA?

Es la búsqueda de vulnerabilidades dentro de programas de bug bounty con ayuda de grandes modelos de lenguaje (LLM): el modelo genera hipótesis sobre vulnerabilidades, y el investigador verifica y formatea los hallazgos. El especialista de Bastion describe 4 enfoques para este proceso.

¿Cómo evita el agente de IA que el investigador se convierta en un spammer?

Mediante la verificación: el autor pasa cada hallazgo del modelo por tres capas de comprobación y un pipeline de dos agentes, donde el segundo agente asume la clasificación de los hallazgos. Sin este filtro, la salida cruda del LLM lleva a un baneo por spam y una penalización en la reputación.