La era del vibe coding, caracterizada por la extrema rapidez en el desarrollo de software, enfrenta un serio desafío de seguridad. Un reciente informe de Armis Labs, denominado Trusted Vibing Benchmark, ha puesto a prueba a 18 modelos de IA generativa en 31 escenarios distintos, revelando que el 100% de ellos falla al generar código seguro para situaciones críticas.
Este estudio, publicado en marzo de 2026, destaca que incluso los sistemas más avanzados presentan vulnerabilidades que podrían exponer a las organizaciones a ciberataques sistémicos. Entre los resultados, el modelo Gemini 3.1 Pro de Google se posiciona como el líder indiscutible en protección, logrando reducir drásticamente los errores graves frente a sus competidores comerciales y de código abierto.
Sin embargo, la investigación advierte que la confianza ciega en el desarrollo autónomo está aumentando la deuda técnica. El 77% de los responsables de tecnología confía en la integridad de este código de terceros, a pesar de que un 16% admite no saber si ha sido verificado exhaustivamente. Este panorama subraya la necesidad de implementar controles de seguridad nativos para evitar que la velocidad de desarrollo comprometa la estabilidad empresarial.
¿Qué es el Trusted Vibing Benchmark?
El Trusted Vibing Benchmark es una investigación exhaustiva realizada por la división Armis Labs para evaluar la capacidad de los modelos de lenguaje actuales en la creación de software seguro. A diferencia de otras pruebas, este análisis se centra en funciones atómicas, es decir, pequeñas piezas de código que forman la base de aplicaciones más complejas.
La metodología utilizada se basa en el uso de herramientas como OpenCode, un entorno de desarrollo agnóstico que permite simular cómo un programador interactúa con la IA en varios turnos de conversación. Los expertos evaluaron 18 modelos diferentes, incluyendo gigantes comerciales como los de Anthropic, Google y OpenAI, además de las principales alternativas de código abierto.
Para medir el riesgo, se utilizaron métricas basadas en las CWE (Common Weakness Enumeration), que son categorías estandarizadas de vulnerabilidades de software. El estudio puso especial énfasis en los fallos relacionados con el OWASP Top 10, una lista que identifica los diez riesgos de seguridad más críticos para las aplicaciones web a nivel mundial.
Los líderes y los rezagados en la carrera de seguridad
Los resultados del informe muestran una variabilidad notable entre los diferentes proveedores. El modelo Gemini 3.1 Pro ha sido calificado como el mejor de su clase, logrando una mejora de tres veces respecto a otros competidores. Destaca especialmente por haber evitado por completo la generación de fallos múltiples compuestos, una situación peligrosa donde un solo bloque de código contiene varias vulnerabilidades graves.
Por otro lado, la familia OpenAI Codex, que incluye versiones avanzadas de GPT-5, ha demostrado ofrecer la base de seguridad más consistente del mercado. Aunque no alcanzan los picos de rendimiento de los modelos más recientes de Google, se mantienen de forma fiable en el cuartil superior de la clasificación, manteniendo los escenarios de alto riesgo bajo control.
En el extremo opuesto se encuentran algunos modelos que, a pesar de su elevado coste o popularidad, presentan riesgos inaceptables. Versiones anteriores como Claude Sonnet 4.5 o incluso Gemini 2.5 Pro (que tiene un coste de 12.28 dólares por millón de tokens) mostraron tasas de error alarmantes. Según los investigadores, esto se debe a veces al fenómeno del reward hacking, donde el modelo prioriza que el código funcione a que sea seguro.
El sorprendente valor del código abierto
Uno de los hallazgos más interesantes de la investigación es la alta competitividad de los modelos de código abierto. Sistemas como Qwen 3.5, Minimax M2.5 y Kimi K2.5 ofrecen un rendimiento en seguridad que iguala o incluso supera a modelos propietarios mucho más caros.
Estos modelos pueden llegar a ser hasta 30 veces más baratos, con costes tan reducidos como los 0.67 dólares. Para organizaciones con presupuestos limitados, estas opciones representan una alternativa mucho más segura que utilizar versiones antiguas de modelos premium. No obstante, se recomienda que estos sistemas se ejecuten de forma local para minimizar otros riesgos en la cadena de suministro.
- Eficiencia de costes: Modelos como Qwen 3.5 mantienen una baja densidad de fallos críticos a una fracción del precio.
- Resiliencia: El ecosistema abierto ha demostrado ser capaz de evitar fallos en cascada de manera efectiva.
- Alternativa real: Superan en fiabilidad a variantes premium más antiguas de grandes proveedores estadounidenses.
Contexto y puntos ciegos universales
A pesar de los avances, existen lo que Armis denomina «puntos ciegos universales». Hay escenarios específicos donde todos los modelos probados fallaron sin excepción. Esto incluye tareas relacionadas con los excesos de búfer de memoria, sistemas de autenticación de usuarios y la carga de archivos de diseño.
El fallo más recurrente detectado fue la CWE-770, referida a la asignación de recursos sin límites. Esto significa que la IA rara vez incluye por defecto restricciones de memoria o límites de tamaño de archivos, lo que deja a las aplicaciones vulnerables a ataques de Denegación de Servicio (DoS). El código autónomo actual sigue siendo insuficiente para el desarrollo a gran escala sin supervisión.
Para mitigar estos riesgos, la compañía recomienda el uso de soluciones como Armis Centrix para seguridad de aplicaciones, que utiliza análisis impulsado por IA para detectar y corregir estas brechas en tiempo real. La transición de una gestión basada en escáneres tradicionales hacia una gestión de riesgos real se vuelve indispensable en este nuevo paradigma.
¿Qué significa esto para el futuro?
La conclusión es clara: la seguridad no puede ser una idea secundaria en el desarrollo con inteligencia artificial. Aunque modelos como Gemini 3.1 Pro han dado pasos significativos, la realidad es que incluso los mejores sistemas generan código vulnerable en más del 30% de los casos. Las empresas deben ser conscientes de que el uso de estas herramientas genera una deuda técnica inmediata que requiere revisión humana o automatizada.
El futuro de la programación probablemente no pase por abandonar estas herramientas, sino por integrarlas en un ecosistema de seguridad mucho más robusto. La tendencia indica que los modelos seguirán mejorando, pero mientras persistan los puntos ciegos en tareas críticas, la figura del desarrollador experto en seguridad seguirá siendo el último y más importante filtro antes de que cualquier línea de código llegue a producción.
