¿Qué es el pentesting con IA y cómo funciona?

A diferencia de un escáner que compara patrones conocidos, un pentester con IA razona sobre lo que se supone que debe hacer una aplicación y luego intenta subvertir esa intención, como lo haría un pentester humano, pero de forma continua y a escala. Esta categoría surgió en 2025–2026, cuando los modelos de lenguaje grandes alcanzaron la capacidad necesaria para razonar, algo que las pruebas de penetración siempre han requerido, a un costo lo suficientemente bajo como para ejecutarlas de forma continua en lugar de una o dos veces al año.

Cómo funciona el pentesting con IA

Un pentester moderno con IA no es un único modelo dirigido a una URL. Es un sistema orquestado con cuatro componentes:

1. Un modelo de razonamiento que planifica la evaluación: reconocimiento, formulación de hipótesis, sondeo, explotación y encadenamiento, tal como lo haría un pentester humano durante una evaluación.

2. Herramientas deterministas que el modelo utiliza para las tareas bien conocidas. Es más rápido y económico que un motor de pruebas dinámicas (DAST) se encargue de probar exhaustivamente las cargas útiles de clases de vulnerabilidades conocidas, en lugar de que un modelo las enumere token por token.

3. Un validador independiente, que puede ser otro modelo o un motor, confirma que un hallazgo sea realmente explotable antes de reportarlo. Esto importa porque pedirle a un modelo que certifique sus propios hallazgos genera un conflicto de interés estructural y resultados inconsistentes.

4. Contexto sobre el objetivo, porque los mejores sistemas saben qué han detectado las herramientas existentes de una organización y, así, dirigen el costoso razonamiento hacia las fallas que lo requieren, en lugar de volver a descubrir errores ya documentados.

El resultado no es una lista plana de alertas, sino una narrativa de ataque: cómo se encadenan las debilidades individuales para formar una ruta de explotación, idealmente con una prueba de concepto ejecutable y el registro completo del razonamiento del modelo para que una persona pueda verificarlo.

Qué encuentra el pentesting con IA que los escáneres no detectan

Las vulnerabilidades de aplicaciones se dividen en dos clases, según cómo se pueden detectar:

• Las vulnerabilidades detectables mediante heurísticas se revelan a las herramientas deterministas mediante patrones o respuestas predecibles: inyección SQL, secuencias de comandos entre sitios y configuraciones incorrectas. Los escáneres las detectan de forma confiable y a escala.

• Las vulnerabilidades dependientes del contexto no tienen una firma. No se puede escribir una regla para «el usuario A no debería poder leer la factura del usuario B», porque eso depende del comportamiento previsto de la aplicación. Esta clase incluye fallas de autorización a nivel de objeto (BOLA/IDOR), filtraciones de datos entre inquilinos, omisiones de autenticación, escalamiento de privilegios y exploits encadenados de la lógica de negocio.

El pentesting con IA existe para cubrir la segunda clase: la que los atacantes tienen cada vez más como objetivo y que las herramientas puntuales no detectan entre lanzamientos. No reemplaza los escáneres para la primera clase; amplía la cobertura a una clase que ninguna firma puede alcanzar.

Pentesting con IA vs. DAST vs. pruebas de penetración manuales

Los tres enfoques se complementan, no se sustituyen. Los programas más sólidos usan escáneres para las clases detectables mediante firmas, pentesting con IA para la capa de razonamiento continuo y pentesters humanos para las tareas que requieren el mayor criterio.

Por qué «el generador no puede ser el validador»

La mayor cuestión de confiabilidad en el pentesting con IA es la confianza: ¿puedes creer lo que reporta la IA? Los estudios de referencia muestran que un modelo al que se le pide encontrar y certificar sus propios hallazgos es inconsistente: ejecútalo dos veces contra el mismo objetivo y es posible que no llegue a la misma conclusión. Por eso, el pentesting con IA confiable separa las funciones: un modelo razona y propone hallazgos; un validador independiente confirma que sean explotables antes de reportarlos. Un hallazgo que no puedes reproducir es peor que no tener ninguno.

¿Es confiable el pentesting con IA? (¿Cuáles son sus limitaciones?)

El pentesting con IA multiplica las capacidades, pero no reemplaza por completo el criterio experto; es importante tener una perspectiva realista:

• La autonomía sin supervisión es inconsistente en las tareas más difíciles. En una prueba de referencia de red teaming autónomo, el modelo más potente resolvió el 61% de los desafíos en general, pero no alcanzó el 26% en las tareas más difíciles de explotación de sistemas.

• Los hallazgos necesitan validación independiente. Se ha observado que las herramientas de IA sin validar inventan hallazgos aproximadamente el 30% de las veces, y un falso positivo poco confiable es peor que no tener ningún hallazgo. Los sistemas confiables incorporan un validador independiente entre el modelo y el reporte.

• La orquestación supera a un modelo aislado. Los mejores resultados se obtienen con sistemas que combinan razonamiento, herramientas deterministas y un validador independiente, no con un único modelo dirigido a un objetivo.

En resumen: el pentesting con IA funciona mejor como un sistema orquestado y validado de forma independiente, que se ejecuta continuamente y cuenta con la participación de personas para las decisiones de mayor impacto.

El estado del pentesting con IA (¿Cuáles son algunos ejemplos?)

• Personas sin experiencia especializada que usaron agentes de programación resolvieron desafíos complejos de captura de bandera en menos de una hora y por menos de $20 cada uno; una tarea que antes requería experiencia real (RAND, 2026).

• Los reportes válidos de vulnerabilidades generados con IA enviados a HackerOne aumentaron un 210% interanual; los reportes de inyección de prompts aumentaron un 540%.

• Programas basados en modelos de frontera detectaron decenas de miles de vulnerabilidades de gravedad alta y crítica en software de código abierto ampliamente utilizado, incluidos errores de una década que los fuzers no habían encontrado (Anthropic; Mozilla, 2026).

• Los atacantes ya utilizan esta misma capacidad: investigadores de seguridad evaluaron el primer exploit de día cero desarrollado con ayuda de IA y detectado en entornos reales (Google GTIG, 2026).

Cómo evaluar una solución de pentesting con IA

Un criterio útil para comparar herramientas es hacer estas 6 preguntas:

1. Validación independiente: ¿hay un paso separado que confirma que el hallazgo sea explotable o el modelo que lo detecta también lo califica?

2. Contexto: ¿sabe qué han encontrado tus escáneres actuales para buscar fallas en vez de volver a encontrar errores?

3. Continuidad: ¿vuelve a probar con cada cambio o es otra evaluación puntual?

4. Resultados verificables: ¿incluye una prueba de concepto ejecutable y un registro del razonamiento que puedas auditar?

5. Pocos falsos positivos: ¿tu equipo confiará lo suficiente en los hallazgos como para actuar?

6. Complementariedad: ¿amplía la capacidad de tus escáneres y pruebas humanas en lugar de afirmar que los reemplaza?

Por ejemplo, Evo Continuous Offensive Security de Snyk se diseñó en torno a estas características: un modelo de validación independiente, contexto de Snyk AI Security Platform, pruebas continuas y Snyk API & Web (tasa de falsos positivos del 0.08%) como motor determinista.