La inteligencia artificial ya puede generar código que compila casi siempre, pero su seguridad sigue rezagada. El Informe de Seguridad de Código GenAI 2026 de Veracode concluyó que la tasa media de aprobación apenas subió de 55% a 56% en un año, mientras el volumen de código creado por estas herramientas continúa creciendo.

La sintaxis avanza, pero la seguridad no despega

El estudio evaluó más de 100 modelos en cuatro momentos y encontró una brecha persistente entre escribir código funcional y producir código resistente a ataques. Sin una instrucción específica sobre seguridad, los modelos generan código que compila casi 100% de las veces.

Cuando la tarea exige evitar vulnerabilidades, el resultado cambia: los sistemas fallan cerca del 44% de las veces. Entre esos errores figuran problemas incluidos en el Top 10 de OWASP, una referencia ampliamente usada para clasificar los riesgos más comunes del software.

Chris Wysopal, cofundador y evangelista de seguridad de Veracode, advirtió que los modelos pueden ser casi perfectos en sintaxis y aun así fallar en casi la mitad de las tareas que requieren seguridad.

El informe aclara que ese 44% no significa que ese porcentaje de código llegue directamente a producción con fallas. Las pruebas se hicieron sobre modelos en bruto, sin agentes, controles automatizados ni revisión humana dentro del proceso.

En una cadena de desarrollo real, los escáneres, las herramientas de corrección, los agentes y los equipos de seguridad pueden sumar barreras antes del despliegue. Por eso, el 56% refleja la capacidad de los modelos para evitar fallos en la prueba, no la tasa final de software vulnerable en producción.

El tamaño del modelo no garantiza mejores resultados

El informe también cuestiona la idea de que una herramienta especializada en programación sea, por sí sola, más segura. Los modelos especializados en codificación promediaron 51% de aprobación, mientras que los modelos de propósito general lograron 52%.

El tamaño tampoco resolvió la brecha. Los modelos grandes alcanzaron 53%, y los modelos medianos y pequeños quedaron en 51% en ambos casos.

El único factor que movió con más claridad el resultado fue el razonamiento. Los modelos de razonamiento promediaron 56%, frente a 51% en el resto del grupo, lo que apunta a una posible revisión interna antes de entregar la respuesta final.

En la parte alta de la clasificación, el GPT-5.5 de OpenAI lideró con 68% de aprobación, aunque todavía dejó fallos en casi un tercio de las tareas de seguridad. Además, retrocedió frente al líder del año anterior, que había alcanzado 72%.

Seis de los 11 modelos probados quedaron entre 50% y 53%. El Qwen3.7-max de Alibaba ocupó el último lugar con 50%, mientras que el Kimi-K2.6 de Moonshot y el MiMo-V2.5 de Xiaomi superaron a varios modelos occidentales incluidos en la comparación.

Java y las inyecciones concentran los mayores riesgos

Los promedios globales esconden diferencias importantes entre lenguajes de programación. Python obtuvo una aprobación de 63%, mientras Java llegó apenas a 30%.

Java fue, con mucha diferencia, el lenguaje más riesgoso dentro de la evaluación. Al mismo tiempo, fue el único que mostró una trayectoria claramente ascendente durante el período observado.

Las diferencias también fueron marcadas según el tipo de vulnerabilidad. Los modelos respondieron mejor ante las inyecciones SQL y la criptografía débil, con tasas de aprobación de 83% y 87%, respectivamente.

El desempeño cayó de forma drástica frente a las inyecciones de scripts entre sitios y las inyecciones de registros. Las tasas de aprobación fueron de apenas 15% y 12%, en ese orden.

Veracode sostiene que el problema deja de ser técnico cuando la IA ya escribe aproximadamente la mitad de todo el código comprometido. Si el volumen crece y la tasa de fallos se mantiene, la cantidad absoluta de vulnerabilidades potenciales también aumenta.

Wysopal defendió una respuesta basada en seguridad transparente y evidencia verificable: escanear el código, corregir los problemas y nunca enviarlo a producción sin revisión. La recomendación mantiene abierta la utilidad de estos modelos, pero exige controles alrededor de ellos.