En tres meses, 74 vulnerabilidades se han atribuido directamente a código generado por inteligencia artificial. El «vibe coding», que consiste en describir las funciones deseadas en lenguaje natural y dejar que la IA genere el código correspondiente, se ha extendido ampliamente en 2026. Aunque este enfoque aporta una productividad considerable, plantea un riesgo importante cuando el código generado se despliega en producción sin pasar por un proceso de verificación adecuado.
Vulnerabilidades cada vez más numerosas en el código generado por IA
El proyecto Vibe Security Radar, lanzado en 2025 por el Systems Software & Security Lab de Georgia Tech, rastrea las CVE introducidas directamente por código generado por IA. Su metodología se basa en el análisis de las bases de vulnerabilidades y en el seguimiento de cada corrección hasta el commit de origen, para determinar si una herramienta de coding con IA introdujo el fallo.
Los resultados son elocuentes. En enero de 2026, 6 CVE se atribuían directamente a código generado por IA. En febrero, 15, y en marzo, 35. Es decir, 74 vulnerabilidades confirmadas en tres meses, con una curva de aceleración que sigue la de la adopción de las herramientas de coding con IA. Y los investigadores estiman que la cifra real es entre 5 y 10 veces superior, ya que la mayoría de los commits generados por IA no llevan ninguna firma que permita identificarlos como tales.
Por qué el vibe coding plantea un problema de seguridad
El riesgo no viene tanto de la inteligencia artificial en sí como del volumen de código que produce sin verificación suficiente. Eso se traduce en vulnerabilidades recurrentes (inyecciones SQL, XSS, almacenamiento inseguro, secretos incrustados en el código, autenticación insuficiente, criptografía débil) que llegan a producción a una escala y una velocidad inéditas. Los equipos de desarrollo asistidos por IA producen código de 3 a 4 veces más rápido e introducen fallos de seguridad a un ritmo proporcional.
Este fenómeno se ve amplificado por un sesgo de confianza. El código generado compila, supera las pruebas funcionales y suele integrarse con menos revisión humana que un código escrito a mano. OWASP, de hecho, actualizó su Top 10 en 2026 e incorporó por primera vez los riesgos ligados a la cadena de suministro de software, un vector directamente amplificado por el código generado por IA.
Otro vector de riesgo proviene de la tendencia de la IA a referenciar dependencias que no existen. Según un estudio de USENIX Security, cerca del 20 % de los paquetes referenciados en el código generado por IA son puramente ficticios. Los atacantes explotan este fenómeno, llamado «slopsquatting», registrando esos nombres de paquetes inventados por la IA para colocar en ellos código malicioso, lo que crea un vector de ataque a la cadena de suministro completamente nuevo.
Cuando las propias herramientas de coding con IA se convierten en objetivo
El riesgo no se limita al código que produce la IA. Las propias herramientas de coding con IA se han convertido en objetivo de ataques, lo que abre un nuevo vector de compromiso de la cadena de suministro de software.
En julio de 2025, un atacante explotó un token de GitHub mal configurado para inyectar código malicioso en la extensión Amazon Q Developer, el asistente de coding con IA de Amazon para VS Code. La extensión comprometida se distribuyó a través del VS Code Marketplace durante varios días antes de que AWS publicara una corrección. El código inyectado buscaba ejecutar comandos en la máquina del desarrollador y solo un error de sintaxis en el payload evitó su explotación.
El editor de código con IA Cursor, utilizado por más de un millón de desarrolladores, también fue objeto de varias CVE en 2025. La vulnerabilidad CurXecute permitía a un atacante ejecutar código en remoto mediante una inyección de prompt a través de un servidor MCP conectado. MCPoison explotaba un mecanismo similar envenenando un archivo de configuración MCP en un repositorio compartido: un desarrollador que aprobara una configuración legítima podía ser redirigido en silencio a una configuración maliciosa.
GitHub Copilot no se libra. Los investigadores ya habían demostrado que era posible inyectar caracteres Unicode invisibles en los archivos de reglas de Copilot y Cursor, dirigiendo en silencio a la IA para que insertara código malicioso en cualquier salida generada, sin que el desarrollador pudiera detectarlo visualmente.
Cómo asegura Yagaan las aplicaciones construidas con código de IA
El código generado por IA acaba en aplicaciones web y móviles desplegadas en producción. Y la recomendación de los investigadores es clara: debe tratarse con el mismo rigor que cualquier código de terceros no verificado.
Es precisamente el ámbito de Yagaan, powered by Pradeo, cuyas soluciones de seguridad de aplicaciones permiten analizar y proteger el código de las aplicaciones, lo escriba una persona o lo genere la inteligencia artificial.
- El Static Application Security Testing de Yagaan se integra en las pipelines CI/CD para analizar el código fuente en cada iteración y detectar las vulnerabilidades introducidas antes del paso a producción. La solución usa machine learning para priorizar las vulnerabilidades según su criticidad real y aportar ayuda contextual a la corrección, lo que permite corregir con eficacia sin frenar el ciclo de desarrollo.
- Para las aplicaciones móviles construidas con código de IA, Yagaan Mobile Application Security Testing permite auditar la seguridad a partir del código binario (Android e iOS) e identificar los componentes de terceros y las vulnerabilidades, incluidas las introducidas por dependencias ficticias generadas por la IA.
A medida que el código generado por IA representa una parte creciente de las aplicaciones en producción, el análisis estático sistemático deja de ser opcional. Se convierte en la primera línea de defensa antes de la salida al mercado.
