noviembre 19, 2026

Tecnología Geek

Noticias diarias sobre tecnología, móviles, inteligencia artificial y gadgets en español. Reviews, lanzamientos y tendencias para Latinoamérica.

Ciberseguridad Industrial & Consumidor

Correcciones de seguridad con IA llegan al código abierto

Infografía de GitHub con el resultado del piloto Codename MDASH: 9.791 posibles fallos, 99 informes privados y 55 correcciones en seis proyectos de código abierto
Foto: GitHub

¿Tecnología Geek te ahorra tiempo? Agréganos como tu fuente preferida en Google y ve más noticias nuestras en tus resultados. Fuente preferida en Google

Las correcciones de seguridad con IA en el código abierto dejaron de ser una promesa en este piloto: de 9.791 posibles fallos detectados en seis proyectos, solo 99 llegaron a los mantenedores como informes verificados, y 55 ya quedaron arreglados al 15 de noviembre.

GitHub publicó los resultados el 17 de noviembre. La prueba la corrió junto a Microsoft con AutoGPT, Caddy, Express, FastMCP, ImageMagick y Netty, seis proyectos de código abierto que sostienen piezas de programas y sitios que millones de personas usan sin saberlo. De los 55 arreglos, 14 ya entraron en versiones publicadas.

El problema de fondo es de tiempo humano. Encontrar fallos con un modelo salió barato y rápido; revisarlos y corregirlos sigue cayendo sobre equipos chicos, a veces de dos personas, que ya reciben a diario informes duplicados o que ni siquiera describen una vulnerabilidad real. Un escaneo crudo más no ayuda a esa gente. Le suma trabajo.

De 9.791 avisos a 99 informes con arreglo propuesto

Codename MDASH, el sistema de agentes de Microsoft Security, hizo el escaneo con el modelo MAI Cyber. MDASH revisó cada proyecto y propuso un arreglo para cada hallazgo, en lugar de entregar solo la alerta.

Después vino el filtro. Un agente de selección del GitHub Security Lab, armado con habilidades de Copilot ajustadas para esa tarea, quitó duplicados, comprobó validez y se quedó con los fallos de mayor impacto. Los mantenedores nunca vieron la lista cruda de 9.791 avisos.

GitHub contó en su blog que siete investigadores del laboratorio FORGE Lab de Microsoft revisaron a mano cada hallazgo que sobrevivió al filtro. Solo tras esa revisión, el informe viajó al mantenedor por el canal privado de reporte de vulnerabilidades de GitHub, con una prueba de concepto y el arreglo sugerido dentro.

La decisión final quedó donde tiene que quedar. Cada equipo decidió qué corregir, cómo corregirlo y cuándo publicar su versión. Parte de los arreglos sugeridos entraron tal cual; otros salieron con cambios del propio mantenedor.

Los tiempos hablan solos. Los primeros arreglos salieron cerca de una semana después del escaneo inicial. El equipo de Caddy corrigió los 22 informes que recibió en una semana o menos, y contó que el escaneo sacó a la luz fallos oscuros que informes anteriores habían pasado por alto.

ImageMagick, un proyecto de dos personas, recibió también 22 informes. En uno de ellos, el resumen señalaba las líneas exactas del código y aclaraba que el fallo no era el de siempre, aunque lo parecía: el arreglo salió en 15 minutos. Ese mismo equipo tarda entre 30 minutos y una hora, en promedio, solo en leer y entender un aviso de seguridad común antes de escribir la corrección.

En AutoGPT pasó algo parecido con un control nuevo que el propio equipo acababa de publicar con un error. El informe llegó tres días después, apuntaba a la línea correcta y el equipo llevó el arreglo más lejos que el parche sugerido: lo escribió en un día y lo tuvo en producción en menos de una semana.

Un mantenedor de Netty lo resumió con una frase que GitHub recogió en su blog: encontrar vulnerabilidades ya no es el problema del equipo; corregirlas es la parte dura, y esa parte depende de los mantenedores. El dato detrás es concreto: la revisión humana sigue siendo el recurso escaso.

La revisión a mano todavía no escala

El piloto funcionó porque hubo gente cuidando cada paso, y ese cuidado cuesta. Siete investigadores dedicaron cerca de dos días por proyecto a revisar hallazgos a mano. GitHub admite que seis proyectos son una muestra chica y que las conclusiones son lecciones tempranas, no una prueba de que el método rinda igual en cualquier repositorio.

La casa ya venía probando escaneos con modelos en repositorios públicos, como contó el AI Scan de GitHub para escanear 20 repositorios, y este piloto cambia el orden de prioridades: primero verificar, después reportar, y reportar en privado con el arreglo en la mano.

Quedan huecos claros. Los mantenedores necesitan correr las pruebas de integración continua en copias privadas para validar un arreglo sin exponerlo, y necesitan acceso a modelos con capacidad de ciberseguridad para comprobar una prueba de concepto antes y después de corregir. Sin esas dos piezas, el filtro humano se queda como está: bueno, pero lento.

El paso siguiente ya tiene destinatarios. GitHub ofrecerá escaneos de seguridad con IA, con hallazgos revisados antes del reporte privado, a todos los proyectos que pasaron por su fondo Secure Open Source Fund, junto a GitHub Copilot Max. Ese fondo da US$10.000 a cada proyecto por medio de GitHub Sponsors, más formación en seguridad: suma 216 proyectos, más de 300 mantenedores y más de 4.000 vulnerabilidades corregidas en programas que se descargan más de 20.000 millones de veces al mes.

Para quien mantiene un proyecto abierto, la recomendación práctica de GitHub es activar el reporte privado de vulnerabilidades y, para quien construye sobre código abierto, encender las alertas de Dependabot para enterarse cuando una dependencia necesita una actualización de seguridad. El piloto corrió con el modelo MAI Cyber anterior; Microsoft presentó MAI Cyber 2 el mismo 17 de noviembre, y las dos empresas dijeron que seguirán trabajando juntas en esta línea.

Fuente: GitHub

La conversación sigue en el foro

Comenta esta noticia, pregunta lo que quieras y comparte tu experiencia con otros lectores en el foro de Tecnología Geek. Participar es gratis: solo necesitas tu cuenta del sitio.

Entrar al foro