Montones de vulnerabilidades y nulo interés: los hackers ignoraron los fallos detectados por la IA de Anthropic

La IA aprendió a encontrar fallos en el código más rápido de lo que la industria puede procesarlos, pero el auge de nuevas entradas todavía no se ha convertido en una ola comparable de ataques: al 21 de septiembre, en un rastreador independiente se habían acumulado 225 CVE relacionados con Anthropic y Project Glasswing, y solo para una vulnerabilidad se ha confirmado explotación en entornos reales.

El rastreador gestiona el especialista de VulnCheck Patrick Garrity. Reúne CVE públicos en los que en la descripción o en los agradecimientos aparece el equipo de Anthropic, sus empleados o participantes del Project Glasswing. Por ello, la cifra 225 no significa que todas las entradas hayan sido halladas directamente por un único modelo ni que cada una pueda atribuirse inequívocamente a Glasswing: la atribución de los CVE sigue siendo heterogénea.

Anthropic lanzó Project Glasswing el 7 de abril y concedió acceso limitado a Claude Mythos Preview a grandes empresas tecnológicas y a desarrolladores de software crítico. Ya en mayo la empresa afirmaba haber encontrado más de 10 000 problemas de alta y crítica gravedad. No se distribuyó ampliamente Mythos Preview entonces debido a sus capacidades para buscar y explotar fallos.

La única excepción en las estadísticas fue CVE-2026-26980 con una puntuación crítica de 9,4 según CVSS 3.1. Una inyección SQL en Ghost 3.24.0–6.19.0 permitía, sin autorización, leer datos arbitrarios de la base a través del Content API. Se corrigió el error en Ghost 6.19.1, y VulnCheck después registró el uso del exploit contra sus propios sistemas señuelo.

Una explotación confirmada de 225 entradas representa una proporción inferior al 0,5%. Garrity compara el resultado con la situación general del mercado, donde históricamente solo una pequeña parte de los CVE publicados llega a campañas reales. Sin embargo, la ausencia de actividad observada no prueba que nadie haya investigado o intentado explotar las otras 224 vulnerabilidades.

La estadística propia de Anthropic es distinta, porque no cuenta solo los CVE publicados. Al 26 de agosto la empresa indicaba 26 153 candidatos detectados, 5 008 enviados a verificación externa y 4 576 hallazgos confirmados. Los desarrolladores recibieron 2 300 notificaciones, se corrigieron 421 problemas, y 177 obtuvieron identificadores CVE y 285 avisos de seguridad de GitHub.

No se pueden comparar las cifras directamente. El registro de Anthropic refleja su propio proceso de divulgación e incluye hallazgos sin un CVE público, mientras que Garrity recopila las entradas ya publicadas que mencionan a Anthropic y a equipos relacionados. La diferencia ilustra bien el principal cuello de botella: tras la búsqueda automatizada, cada hallazgo aún debe reproducirse, verificarse, acordarse con el mantenedor y corregirse de forma segura.

VulnCheck encontró además otra brecha entre la búsqueda automatizada y la evaluación práctica del riesgo. Entre los hallazgos con evaluaciones disponibles del modelo y de los desarrolladores de los proyectos, Claude clasificó como de alta o crítica peligrosidad el 91,5% de los problemas, mientras que los mantenedores otorgaron esas categorías solo al 51,3%. La discrepancia no invalida los demás hallazgos, pero aumenta radicalmente el volumen de priorización manual.

También sigue siendo un problema la corrección automática de código. El equipo de 1Password examinó 6 080 variantes generadas por ChatGPT-5.5 y Anthropic Opus 4.8 para seis CVE recientes. Solo el 26% eliminaba completamente el problema sin cambios perceptibles en el comportamiento del programa, y el 53,9% no cerraba la vulnerabilidad original y además introducía una nueva. O combinaban ambos fallos.

La IA reduce considerablemente el coste y el tiempo de búsqueda de fallos, pero el riesgo real no se mide por el número de entradas nuevas en la base. Para el atacante se necesitan un objetivo accesible, un método fiable de explotación y un resultado útil; para los defensores, la principal consecuencia es la creciente cola de verificación y corrección de hallazgos que las máquinas generan más rápido de lo que las personas pueden procesarlos.