Una firma italiana de ciberseguridad ofensiva dirigió modelos de frontera de Anthropic y OpenAI al código fuente de GlobaLeaks, una plataforma de denuncias de código abierto que ha absorbido aproximadamente una década de auditorías humanas independientes, y publicó lo que recibió: 29 vulnerabilidades confirmadas, 12 problemas de denegación de servicio y 42 observaciones de endurecimiento.

El objetivo no era blando

Eso importa más que el recuento. GlobaLeaks la utilizan redacciones y organismos anticorrupción y ha sido revisada repetidamente por personas pagadas para romperla. Encontrar algo ahí es una afirmación más sólida que encontrar fallos en una base de código no examinada.

La ratio que oculta el titular

Los modelos generaron 110 hallazgos candidatos. La revisión humana confirmó 29. Eso supone una precisión de aproximadamente 26%: alrededor de tres cuartas partes de lo que señalaron los modelos no superó la revisión. El titular distribuido, que la IA puede identificar vulnerabilidades reales de software, es cierto y omite el coste.

Lo que dejan fuera los 77 dólares

El estudio informa de unos 77 dólares por hallazgo confirmado, a partir de un gasto total de unos 3.140 dólares en 12.000 solicitudes y 1.24 mil millones de tokens. Su propio texto indica que esa cifra es antes de la validación humana. La revisión experta que convirtió 110 conjeturas en 29 hallazgos es el paso que produjo las confirmaciones, y no está incluida en la cifra. La conclusión declarada del estudio concede que los expertos siguen teniendo el papel decisivo.

Lea el reparto del coste, no el total

Hay una cifra que destaca por encima del resto: el modelo de razonamiento avanzado consumió el 62% del presupuesto mientras procesaba el 7% de los tokens. Esa es la verdadera economía de los modelos de razonamiento en tareas de revisión: el gasto se concentra en una parte estrecha del trabajo. Dos matices sobre la procedencia. Se trata de un informe propio del proveedor de una empresa que vende exactamente este servicio. Y la cifra de 29 no incluye un desglose de gravedad publicado, así que no debe leerse como 29 fallos críticos; los 54 elementos restantes son sugerencias de denegación de servicio y endurecimiento, no agujeros explotables.