Bug hunting con LLM: cómo un especialista de Bastión busca vulnerabilidades sin ahogarse en spam

Un especialista del departamento de respuesta a incidentes de la empresa Bastión, que firma como Vladislav, contó en Habr cómo en los últimos seis meses pasó la búsqueda de vulnerabilidades en bug bounty a los grandes modelos de lenguaje (LLM). Montó un pipeline de dos agentes de IA con tres capas de verificación para descartar los falsos positivos antes de enviar el reporte.

Por qué un agente de IA te ahoga en spam

Lanzar un agente de IA contra un programa de bug bounty lleva cinco minutos, pero convertir su «flujo de conciencia» en reportes aceptados es otra historia: es fácil que te baneen por spam y perder reputación. El autor lleva cerca de año y medio cazando bugs en bug bounty, ganó la competición Bug Zone 7.0 y en los últimos seis meses busca fallos precisamente con LLM. Según él, con IA se pueden lograr resultados en lugar de entregar basura.

• El autor es especialista del departamento de respuesta a incidentes de Bastión y tiene ~1,5 años de experiencia en bug bounty
• Ganador de la competición Bug Zone 7.0
• Lleva ~6 meses buscando vulnerabilidades con ayuda de LLM
• El análisis incluye 4 enfoques del bug hunting con IA y 4 formas de pagar por el modelo
• Verificación en 3 capas, pipeline de 2 agentes de IA y un caso real de blind SSRF

Cómo no ahogarse en falsos positivos

La clave de un bug hunting con IA que funcione es una verificación por capas: el autor ha montado tres capas de verificación que cada hallazgo del modelo debe superar antes de enviarse. Sin ese filtro, las plataformas de bug bounty tratan la salida cruda de un LLM como spam, lo que conlleva un bloqueo y una penalización en la reputación del investigador.

Los roles del tándem están separados: un agente genera hipótesis sobre vulnerabilidades y el otro las verifica y las ordena, de modo que el humano se libra de la rutina del primer triaje. Según el autor, revisar a mano el torrente de falsos positivos es justo lo que convierte al investigador en «un triador gratuito de su propio agente», algo que hay que evitar.

Además, el autor analiza la economía del proceso: presenta cuatro formas de pagar por el modelo, porque al ejecutar hipótesis de forma masiva el coste de los tokens se convierte en una partida relevante de los gastos del investigador.

Qué aporta el caso de blind SSRF

Como ejemplo real, el autor describe la búsqueda de una vulnerabilidad de la clase blind SSRF (server-side request forgery): el servidor, por orden del atacante, accede a recursos internos pero no devuelve la respuesta directamente. El caso muestra cómo el agente de IA formula la hipótesis y cómo las capas de verificación confirman que es explotable antes de enviar el reporte.

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

En cambio, convertir su flujo de conciencia en reportes aceptados, para no ganarse un baneo por spam ni un punto negativo en la reputación, es un reto mayor».

—

Vladislav, especialista del departamento de respuesta a incidentes, Bastión

El autor no promete un «botón de hacerlo bien»: incluso con LLM, el resultado depende de la disciplina de verificación, no de automatizar por automatizar.

Qué significa esto

Los LLM ya dan a los hackers éticos una ventaja real en bug bounty, pero solo combinados con un humano y con una verificación estricta. Un agente de IA sin capas de comprobación 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 en programas de bug bounty con ayuda de grandes modelos de lenguaje (LLM): el modelo genera hipótesis sobre vulnerabilidades y el investigador comprueba y documenta los hallazgos. El especialista de Bastión describe 4 enfoques de este proceso.

¿Cómo evita un 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 por un pipeline de dos agentes, donde el segundo se encarga de ordenar los hallazgos. Sin ese filtro, la salida cruda de un LLM lleva a un baneo por spam y a una penalización en la reputación.