Anthropic: Claude Mythos Preview encontró miles de vulnerabilidades críticas en código

Anthropic ha mostrado la rapidez con la que cambia la ciberseguridad en la era de la IA generativa: su modelo Claude Mythos Preview logró identificar miles de vulnerabilidades de nivel alto y crítico, entre ellas fallos en sistemas operativos populares, navegadores y bibliotecas criptográficas. Pero la conclusión principal no es que la IA haya mejorado a la hora de buscar errores. Las mismas capacidades que ayudan a encontrar puntos débiles en el código permiten también explotarlos en ataques, por lo que la automatización de la seguridad exige ahora no solo velocidad, sino también nuevas reglas de control.

A principios de abril, el equipo Frontier Red Team de Anthropic informó de que Mythos Preview había descubierto numerosos problemas graves, aunque el modelo no se entrenó específicamente para buscar este tipo de vulnerabilidades. Según la compañía, entre los hallazgos hay defectos en casi todos los grandes sistemas operativos y en los principales navegadores. Entre los ejemplos citados figuran un error de 27 años en OpenBSD que permite dejar fuera de servicio una máquina de forma remota, una vulnerabilidad en un navegador por la que un atacante puede leer datos de otro dominio, y debilidades en bibliotecas criptográficas que podrían abrir la puerta a descifrar tráfico protegido o falsificar certificados.

Tras estos resultados, Anthropic lanzó Project Glasswing. Participan Amazon Web Services, Apple, Google, Microsoft y Nvidia, y el objetivo de la alianza es sencillo: usar Mythos Preview para escanear software y reforzar su protección.

La lógica es clara. Si los grandes modelos de lenguaje ya saben analizar enormes bases de código, seguir el flujo de datos entre componentes y detectar vínculos no triviales entre errores, dejan de ser un analizador estático más y, en cierto modo, empiezan a acercarse al trabajo de un investigador de seguridad humano.

Los profesionales del sector también lo señalan. Apuntan que la fortaleza de estos modelos no está solo en la velocidad, aunque esta sea importante en sí misma, sino en su capacidad de razonar sobre la semántica del código. Las herramientas tradicionales de reglas rígidas buscan sobre todo coincidencias con patrones predefinidos, mientras que los sistemas LLM actuales pueden rastrear cómo circulan los datos por distintos niveles de abstracción y detectar un problema que surge solo en la unión de varios componentes. En repositorios grandes esto es especialmente relevante: a un agente de IA le resulta más fácil encontrar una aguja rara pero peligrosa en un enorme pajar de código.

Sin embargo, este enfoque tiene su cara negativa. Los modelos siguen dando falsos positivos, pueden clasificar mal un error como vulnerabilidad o exagerar la gravedad de un problema. Para los responsables de proyectos de código abierto esto supone una carga adicional: crece el número de informes y aumenta el tiempo necesario para analizar cada uno.

Otro riesgo es que las herramientas de IA no solo pueden ser atacadas, por ejemplo mediante prompt injection, sino también usarse como mecanismo ofensivo. La propia Mythos Preview, según se afirma, es capaz de encadenar varios defectos aislados en una cadena de explotación paso a paso que acaba dando acceso root al kernel de Linux.

Por eso los expertos no hablan de sustituir por completo a las personas, sino de un esquema de verificación en varias etapas. Una opción que ya se aplica en el sector es la autorrevisión adversarial (adversarial self review): el modelo primero encuentra un problema y luego intenta refutar su propia conclusión, o pasa el hallazgo a otro modelo para una validación independiente. Esta capa adicional ayuda a reducir el ruido, pero no elimina la revisión manual.

Las conclusiones de la IA siguen siendo probabilísticas, así que la decisión final debe tomarla un especialista que entienda la lógica de negocio del producto, la arquitectura del sistema y el escenario real de explotación. Además, las empresas aconsejan desarrollar el modelado dinámico de amenazas y el red teaming, y adelantar la seguridad al inicio del proceso de desarrollo, para que los desarrolladores corrijan los puntos débiles al escribir el código y no después del lanzamiento.

La pregunta principal ya no es si la IA puede encontrar vulnerabilidades mejor y más rápido que una persona, sino cómo integrarla en un flujo de trabajo seguro. La siguiente frontera para estos sistemas no es solo la detección, sino la corrección a gran escala de los problemas hallados. Si esta etapa se puede automatizar sin perder calidad y sin renunciar al control humano, el desarrollo de software seguro se acelerará de forma notable. Si no, la industria tendrá una herramienta más, potente pero ruidosa, que genera tanto trabajo como ahorra.