El problema: código que funciona pero que nadie revisó
Vibe coding es la práctica de describir un proyecto en lenguaje natural a un modelo de lenguaje (LLM) y aceptar el código que genera, a veces sin leerlo. El término lo acuñó Andrej Karpathy en febrero de 2025 y se popularizó rápidamente entre emprendedores y desarrolladores que quieren lanzar productos sin escribir cada línea a mano.
El resultado es real: aplicaciones funcionales en horas, no en semanas. Pero hay un costo que no aparece en la demo: la seguridad del código generado.
Simon Willison, uno de los referentes en seguridad de software, lo resumió así: "Vibe coding your way to a production codebase is clearly risky. Most of the work we do as software engineers involves evolving existing systems, where the quality and understandability of the underlying code is crucial."
El problema no es que la IA genere código malo. El problema es que genera código que funciona pero que nadie comprende, y en producción eso se traduce en vulnerabilidades que nadie detecta hasta que alguien las explota.
Lo que dicen los datos
Los datos disponibles (todos de 2025) pintan un panorama consistente:
Veracode (octubre 2025): Estudio que mostró que en los últimos 3 años los LLM mejoraron dramáticamente en generar código funcional, pero que la seguridad del código generado no mejoró en general. Además, los modelos más grandes no fueron mejores que los pequeños generando código seguro. Hubo un pequeño aumento de seguridad con los modelos de razonamiento de OpenAI, pero no con otros modelos de razonamiento, y ese aumento fue mínimo comparado con la mejora en funcionalidad.
CodeRabbit (diciembre 2025): Análisis de 470 pull requests open-source en GitHub. El código co-authored por IA contenía aproximadamente 1,7 veces más issues "major" comparado con código escrito por humanos. El estudio reveló tasas elevadas de errores de lógica, dependencias incorrectas y fallas de manejo de errores.
Lovable (mayo 2025): La plataforma sueca de vibe coding fue reportada con vulnerabilidades en el código que generaba. De 1.645 aplicaciones web creadas con Lovable, 170 tenían un problema que permitía acceder a información personal por cualquier persona.
Anthropic Project Glasswing (mayo 2026): Claude Mythos Preview encontró más de 10.000 vulnerabilidades de severidad alta o crítica en software crítico. La IA ahora puede construir exploits (por ejemplo, falsificación de certificados para sitios web de bancos). El cuello de botella ya no es encontrar vulnerabilidades, sino verificar, divulgar y parchear.
La conclusión es clara: la IA es cada vez mejor generando código funcional y cada vez mejor encontrando vulnerabilidades, pero el código que genera sigue teniendo problemas de seguridad que no se resuelven solos.
Los 5 riesgos más comunes en código generado por IA
Basados en los estudios y en la experiencia de auditoría de sitios reales, estos son los problemas que aparecen una y otra vez:
1. Claves de IA publicadas en el navegador
La credencial de OpenAI, Anthropic, AWS o Stripe queda dentro del JavaScript que descarga cualquier visitante. Es el hallazgo más común en sitios hechos con IA. El desarrollador puso la clave en el frontend porque "funciona así" y no se dio cuenta de que cualquiera puede abrirla con las herramientas de desarrollo del navegador.
Cómo detectarlo: Busca en el código fuente de tu sitio (Ctrl+U en el navegador) strings que empiecen con sk-, pk-, AKIA o que contengan "api_key", "secret", "token". Si aparecen, tienes un problema.
2. Dependencias vulnerables
El código generado por IA importa paquetes npm, pip o gem sin verificar su seguridad. Muchas de estas dependencias tienen vulnerabilidades conocidas (CVEs) que un atacante puede explotar directamente.
Cómo detectarlo: Ejecuta npm audit (para Node.js) o pip-audit (para Python) en tu proyecto. Si hay vulnerabilidades, el comando te las lista con su severidad y el comando para parchearlas.
3. Inyección de comandos (command injection)
Un parámetro de la URL entra sin limpiar a un comando del sistema. Quien encuentra la ruta manda en el servidor. Este es un error clásico que la IA reproduce porque no tiene contexto de seguridad del entorno de producción.
Cómo detectarlo: Revisa si algún parámetro de entrada (query params, body de POST, headers) se concatena directamente a comandos del sistema (exec, system, spawn en Node.js; os.system, subprocess en Python).
4. Archivos sensibles expuestos
El archivo del producto —el PDF, el ZIP, la plantilla— enlazado desde la página de venta. Cualquiera puede descargarlo sin pagar. O peor: archivos de configuración (.env, .git, config.json) accesibles desde el navegador.
Cómo detectarlo: Intenta acceder a tu-sitio.com/.env, tu-sitio.com/.git/config, tu-sitio.com/config.json. Si alguno responde, tienes un problema.
5. Plataformas sin parchear
WordPress, Drupal, Magento. La IA genera el sitio pero no actualiza la plataforma. Se lee la versión exacta, se cruza contra la base de vulnerabilidades y se obtiene el CVE y el comando que lo confirma. No un "actualice por seguridad": un número y una fecha de parche.
Cómo detectarlo: Busca en el HTML de tu sitio meta tags como <meta name="generator" content="WordPress X.Y.Z">. Luego cruza esa versión contra la base de vulnerabilidades de tu plataforma (CVE database, WPScan para WordPress).
Checklist de seguridad para lanzar tu sitio hecho con IA
Antes de publicar, revisa estos 8 puntos:
- Claves de API: Ninguna credencial de OpenAI, Anthropic, AWS, Stripe u otro servicio debe estar en el código frontend. Muévelas al backend o a variables de entorno del servidor.
- Dependencias: Ejecuta
npm auditopip-audit. Resuelve todas las vulnerabilidades de severidad alta o crítica antes de lanzar. - Archivos sensibles: Verifica que
.env,.git,config.jsony archivos de producto no sean accesibles desde el navegador. - Inyección: Revisa que ningún parámetro de entrada se concatene directamente a comandos del sistema.
- HTTPS: Tu sitio debe servir todo sobre HTTPS. Verifica que el certificado esté vigente y que HSTS esté configurado.
- Cabeceras de seguridad: Configura Content-Security-Policy, X-Frame-Options, X-Content-Type-Options y Referrer-Policy.
- Plataforma actualizada: Si usas WordPress, Drupal o Magento, asegúrate de que la versión esté parcheada.
- Monitoreo: Configura un monitor que te avise si algo cambia (permisos, archivos, configuración). Un monitor que pierde permisos y sigue mostrando cero problemas es peor que caerse.
Qué hace Personnn
Personnn tiene un servicio de revisión y auditoría de sitios hechos con IA. El proceso es simple:
Diagnóstico pasivo: Se revisa tu sitio desde afuera, sin tocar el servidor. Se mira lo mismo que ve cualquier navegador: cabeceras, certificados, cookies, DMARC, SPF, claves expuestas en JavaScript, archivos sensibles, versión de plataforma.
Informe verificable: Cada hallazgo viene con el comando para reproducirlo, el archivo con su hash y la versión de tu plataforma contra la base de vulnerabilidades. Y la lista de lo que no pudimos verificar. No es un "actualice por seguridad": es un número y una fecha de parche.
Arreglo: El plan de corrección y el arreglo se cotizan aparte. Se entra, se encuentra y se deja funcionando.
Además, Personnn tiene CisoTeam (en construcción): un motor que encuentra agujeros de seguridad en tu sitio o app de forma automatizada. Por ahora el motor está listo y el autoservicio está en construcción. Si quieres probarlo, escríbenos.
Para revisar tu sitio ahora mismo, entra a personnn.com/servicios y pega la dirección de tu sitio. El diagnóstico es gratuito y no toca tu servidor.
Fuentes
- Willison, S. (2025). Citado en Wikipedia, "Vibe coding". Verificado por web_fetch.
- Veracode (octubre 2025). Estudio sobre seguridad del código generado por LLMs. Fuente: Wikipedia (vibe coding).
- CodeRabbit (diciembre 2025). Análisis de 470 pull requests open-source. Fuente: Wikipedia (vibe coding).
- Lovable (mayo 2025). Reporte de vulnerabilidades en apps generadas por IA. Fuente: Wikipedia (vibe coding).
- Anthropic (mayo 2026). Project Glasswing: actualización inicial. Fuente: anthropic.com/research/glasswing-initial-update. Verificado por web_fetch.
Las cifras de Veracode, CodeRabbit y Lovable provienen de Wikipedia y no se pudo verificar la fuente primaria directamente. Se tratan como datos reportados por fuentes secundarias. La cifra de Anthropic (10.000+ vulnerabilidades) proviene del blog oficial de Anthropic.