• Skip to primary navigation
  • Skip to main content
  • Skip to footer

Codemotion Magazine

We code the future. Together

  • Discover
    • Community
    • Partners
    • Become a partner
  • Magazine
    • DevOps
    • Carreras tech
    • Frontend
    • Inteligencia Artificial
    • Dev life
    • Desarrollo web
  • For Business
    • EN
    • IT
    • ES
  • Sign in

Jose Manuel Orteganoviembre 16, 2026 6 min read

Seguridad agéntica en 2026: de la auditoría a controles ejecutables

Ciberseguridad
facebooktwitterlinkedinreddit

El OWASP Top 10 for Agentic Applications [1] define qué auditar en los agentes de IA. Durante 2026 el OWASP GenAI Security Project [2] ha publicado las piezas que faltaban para ejecutar esos controles: el Agent Control Standard, un LLM Top 10 basado en evidencia y un manual de red teaming. Este artículo propone cómo actualizar la práctica de seguridad agéntica.

Punto de partida: de auditar a ejecutar

La seguridad de la IA dejó de consistir en proteger un modelo estático para pasar a proteger agentes que razonan, usan herramientas y ejecutan acciones. El OWASP Top 10 for Agentic Applications 2026 [1] fijó el vocabulario de riesgo —ASI01 a ASI10: secuestro de objetivos, uso indebido de herramientas, abuso de identidad, cadena de suministro, ejecución de código, envenenamiento de memoria, comunicación entre agentes, fallos en cascada, explotación de la confianza y agentes maliciosos.

Recommended article
agosto 31, 2026

La ciberseguridad también necesita referentes: Carolina Gómez y la importancia de entender cómo piensan los atacantes

Natalia de Pablo Garcia

Natalia de Pablo Garcia

Ciberseguridad

Este marco responde a qué auditar, pero deja abierta la pregunta operativa: cómo se imponen los controles en tiempo de ejecución. Una auditoría que detecta que un agente puede encadenar herramientas peligrosas no impide, por sí sola, que lo haga en producción. Durante 2026 el OWASP GenAI Security Project publica el LLM Top 10 2026, el Agent Control Standard y el GenAI Red Teaming Manual que dan continuidad al análisis previo sobre auditorías en aplicaciones agénticas publicado [3].

El LLM Top 10 2026 cambia el paradigma

La edición 2026 del OWASP Top 10 for LLM Applications [4] supone un cambio de filosofía donde el objetivo ya no es construir un modelo imposible de engañar, sino mejorar la seguridad de la aplicación que lo rodea para limitar el alcance de un ataque exitoso.

Para la seguridad agéntica, el cambio clave es el ascenso de Excessive Agency del puesto 6 al 3, impulsado por incidentes de agentes que ejecutan acciones de alto impacto. Además, System Prompt Leakage se renombra Hidden Context Exposure (LLM08) con un alcance ampliado, y Prompt Injection (LLM01) incorpora ataques multimodales ocultos en imagen o audio. OWASP remite de forma explícita los riesgos de agentes con herramientas, memoria entre sesiones y consecuencias downstream al Agentic Top 10. En la siguiente tabla vemos las diferencias entre las versiones de 2025 y 2026.

2026RiesgoCambio respecto a 2025
LLM01Prompt InjectionSe mantiene en #1; ahora cubre ataques multimodales
LLM02Sensitive Information DisclosureSe mantiene en #2
LLM03Excessive AgencySube desde #6 (el mayor salto)
LLM04Supply ChainBaja desde #3
LLM05Data and Model PoisoningBaja desde #4; añade subversión de fine-tuning
LLM06Unbounded ConsumptionSube desde #10
LLM07MisinformationSube desde #9
LLM08Hidden Context ExposureRenombrado (antes System Prompt Leakage, #7), alcance ampliado
LLM09Vector and Embedding WeaknessesBaja desde #8
LLM10Improper Output HandlingBaja desde #5

Agent Control Standard (ACS): Zero Trust ejecutable

El Agent Control Standard [5] publicado en septiembre de 2026 es la pieza que convierte los principios Zero Trust en controles concretos. En lugar de clasificar riesgos, cataloga puntos de intercepción (hooks de middleware) que las plataformas de agentes exponen y sobre los que se aplican políticas de forma declarativa y portable entre frameworks. Cada hook devuelve un resultado de permitir, denegar o modificar, lo que permite verificar la identidad y el contexto en cada paso y ejecución que hace el agente. En este punto aplicaríamos técnicas de microsegmentación y validación por acción aplicadas en tiempo de ejecución.

HookMomento del cicloRiesgos que ayuda a contener
Activación del agenteInicio de la tareaASI01, ASI10
Mensaje del usuarioEntradaASI01 (inyección), LLM01
Respuesta del agenteSalidaASI09, LLM10
Petición de llamada a herramientaAntes de invocarASI02, ASI03, ASI05
Resultado de la herramientaTras invocarASI02, ASI04
Recuperación de contexto de memoriaLectura de memoriaASI06
Almacenamiento en memoriaEscritura de memoriaASI06
Recuperación de conocimientoConsulta / RAGASI06, LLM08

Auditoría reproducible: red teaming en 8 fases

El GenAI Red Teaming Manual [6] publicado como primera versión en octubre de 2026 aporta a la auditoría una metodología formal y repetible, estructurada en ocho fases, que puede mapearse sobre los componentes agénticos que conviene revisar (razonamiento, orquestación de herramientas, identidad delegada, memoria y arquitectura multi-agente). Se complementa con el LLM Exploit Generation Guide 2.0 [7], que compara enfoques de explotación guiados por humanos y agentes autónomos.

En la práctica, el manual permite pasar de «probamos algunas inyecciones» a un ejercicio con alcance definido, objetivos de abuso, generación de casos, ejecución, análisis y criterios de salida. Aplicado a un agente, cada fase ataca un componente concreto:

  • Inyección y desvío en la cadena de razonamiento (ASI01).
  • Combinaciones peligrosas de herramientas y escape del sandbox (ASI02, ASI05).
  • Escalada por autoridad delegada y tokens excesivos (ASI03).
  • Envenenamiento de la memoria persistente (ASI06).
  • Suplantación o alteración de mensajes entre agentes (ASI07).

Lo relevante no es la lista de ataques sino que ahora existe una estructura de ocho fases que los ordena y los hace reproducibles y auditables, con criterios de entrada y salida por fase. Para el detalle exacto de cada fase conviene remitir al manual, citado en las fuentes.

El eslabón que faltaba: seguridad de MCP

El Model Context Protocol (MCP) es hoy la vía habitual para conectar agentes con herramientas, APIs y fuentes de datos, y por tanto una superficie de ataque que afecta a la cadena de suministro (ASI04) y al uso indebido de herramientas (ASI02).

Las guías Practical Guide for Secure MCP Server Development [8] y CheatSheet: Using Third-Party MCP Servers [9] cubren la autenticación y autorización del servidor, la validación de entradas y salidas de cada herramienta, el mínimo privilegio en los tokens y la verificación de la procedencia de los servidores de terceros antes de conectarlos.

Gobernanza y cumplimiento

Para cerrar el círculo hacia la auditoría formal y el cumplimiento, dos recursos recientes ayudan. El GenAI Security Industry Framework Crosswalk [10] mapea 51 vulnerabilidades a marcos de seguridad y cumplimiento (NIST AI RMF, ISO/IEC 42001, EU AI Act), lo que permite justificar los controles ante auditores y reguladores. El OWASP AIBOM Generator [11] produce AI Bills of Materials para dar trazabilidad a la cadena de suministro de modelos, datos y componentes, en relación directa con ASI04. Como marco general, el informe State of Agentic AI Security and Governance ofrece el panorama de gobernanza en el que encajan estos controles.

Checklist práctico: de ASI a control y prueba

En la siguiente tabla, para cada riesgo del Agentic Top 10, se muestra un control que lo impone en ejecución (hook ACS o práctica) y una prueba de red teaming que lo verifica.

Riesgo (ASI)Control ejecutablePrueba de red teaming
ASI01 Secuestro de objetivosHooks de mensaje y respuesta: deny/modify ante desvíoInyección en la cadena de razonamiento
ASI02 Uso indebido de herramientasHook de petición de herramienta: deny de acciones incoherentesCombinaciones peligrosas de herramientas
ASI03 Abuso de identidadTokens de corta duración + acceso JIT; hook de herramientaEscalada por autoridad delegada
ASI05 Ejecución de códigoSandbox + hook de resultado de herramientaEscape del sandbox
ASI06 Envenenamiento de memoriaHooks de lectura/escritura de memoria y de RAGInyección en la memoria persistente
ASI07 Comunicación entre agentesA2A autenticado y cifradoSuplantación de mensajes entre agentes
ASI09 Explotación de la confianzaValidación humana para acciones de alto impactoDependencia ciega del usuario

Referencias

[1] Securing Agentic Applications V2: https://genai.owasp.org/resource/securing-agentic-applications-v2

[2] OWASP GenAI Security Project — Resources: https://genai.owasp.org/resources/

[3] Seguridad y auditorías en aplicaciones agénticas de IA: https://www.codemotion.com/magazine/es/ciberseguridad/seguridad-y-auditorias-en-aplicaciones-agenticas-de-ia/

[4] OWASP LLM Top 10 2026: https://www.superblocks.com/blog/owasp-llm-top-10

[5] OWASP 2026 Agent Control Standard: https://agentpatterns.ai/security/owasp-2026-update-agent-control-standard/

[6] GenAI Red Teaming Manual https://genai.owasp.org/resource/genai-red-teaming-manual-version-1-0/

[7] LLM Exploit Generation Guide 2.0 https://genai.owasp.org/resource/llm-exploit-generation-guide-2-0/

[8] A Practical Guide for Secure MCP Server Development https://genai.owasp.org/resource/a-practical-guide-for-secure-mcp-server-development/

[9] CheatSheet – A Practical Guide for Securely Using Third-Party MCP Servers 1.0 https://genai.owasp.org/resource/cheatsheet-a-practical-guide-for-securely-using-third-party-mcp-servers-1-0/

[10] GenAI Security Industry Framework Crosswalk https://genai.owasp.org/resource/genai-security-industry-framework-crosswalk/

[11] OWASP AIBOM Generator https://genai.owasp.org/resource/owasp-aibom-generator/

Artículos relacionados

Seguridad y auditorías en aplicaciones agénticas de IA

Jose Manuel Ortega
abril 9, 2026

Más allá de Big Tech: hacia una identidad digital pública europea

Manu Pedreira
enero 19, 2026

Seguridad en protocolos de contexto de modelo: Un análisis del OWASP MCP Top 10

Jose Manuel Ortega
octubre 27, 2025

Diferenciar entre IoC, IoA e indicadores de fraude

sergioalbea
septiembre 26, 2025
Share on:facebooktwitterlinkedinreddit
Jose Manuel Ortega
José Manuel Ortega es Ingeniero de Software e investigador de ciberseguridad con interés en nuevas tecnologías, open source, seguridad y testing. En los últimos años ha mostrado interés en proyectos de innovación utilizando tecnologías Big Data utilizando lenguajes de programación como Python. Actualmente se encuentra trabajando como ingeniero de software en proyectos de investigación relacionados con Big Data, Ciberseguridad y Blockchain. Ha impartido docencia a nivel universitario y colaborado con el colegio oficial de ingenieros informáticos. También ha sido ponente en varias conferencias orientadas a desarrolladores a nivel nacional e internacional. Más información acerca de las conferencias impartidas y otros…
No uses los modelos grandes para todo: cómo crear una arquitectura de subagentes de IA eficiente y segura.
Artículo anterior

Footer

Discover

  • Community
  • Partners
  • Become a partner

Magazine

  • Tech articles

For Business

  • Codemotion for companies

About

  • About us
  • Become a contributor
  • Work with us
  • Contact us

Follow Us

© Copyright Codemotion srl Via Marsala, 29/H, 00185 Roma P.IVA 12392791005 | Privacy policy | Terms and conditions