Herramientas de parcheo autónomo con IA: Mantis frente a CodeMender
En 2026, la «IA autónoma que corrige vulnerabilidades» dejó de ser una demostración y pasó a ser una categoría: CodeMender, de Google DeepMind, incorporando decenas de correcciones de seguridad a proyectos de código abierto; Google publicando como código abierto Mantis; OpenAI anunciando Aardvark; XBOW encabezando HackerOne; y el AI Cyber Challenge de DARPA demostrando que el ciclo completo de encontrar y parchear puede funcionar sin ninguna persona. Pero las herramientas no son intercambiables: unas encuentran, otras corrigen y otras hacen ambas cosas y lo demuestran. Este es el mapa.
Los cuatro ejes que deciden el encaje
- Solo encontrar frente a encontrar + reproducir + parchear. Los sistemas más sólidos reproducen un fallo en un sandbox y demuestran que el parche detiene la reproducción. Son CodeMender, Mantis, Aardvark y los sistemas de razonamiento cibernético del AIxCC. Los buscadores (Big Sleep, OSS-Fuzz-Gen) y las herramientas ofensivas (XBOW) no parchean; los escáneres con corrección (Copilot Autofix, Semgrep, Mobb, Pixee, Corgea) parchean pero no reproducen.
- Código abierto frente a SaaS. Autoalojables: Mantis, OSS-Fuzz-Gen y los sistemas del AIxCC. No publicados: CodeMender y Big Sleep. Comerciales: Aardvark, XBOW, Copilot Autofix, Semgrep Assistant, Mobb, Pixee y Corgea.
- Independiente del stack frente a específico de un lenguaje. Mantis es explícitamente independiente del stack; el corpus del AIxCC era C/Java; OSS-Fuzz-Gen es C/C++; los correctores comerciales cubren los lenguajes habituales de las aplicaciones web.
- Totalmente autónomo frente a con una persona en el bucle. Los únicos sistemas que se ha demostrado que funcionan de forma totalmente autónoma de principio a fin y a escala fueron los CRS del AIxCC, en condiciones de competición. Todo lo que se entrega a usuarios reales mantiene un control humano.
La matriz comparativa
| Herramienta | Fabricante | Abierta / comercial | Encuentra | Reproduce | Parchea | Mejor para |
|---|---|---|---|---|---|---|
| Mantis | Google (ingeniería de seguridad) | Abierta (Apache-2.0) | Sí | Sí (sandbox) | Sí (verificación adversarial) | Auditoría autónoma autoalojada (nivel de demostración) |
| OpenAI Aardvark | OpenAI (GPT-5) | Comercial (beta privada) | Sí | Sí (sandbox) | Sí (revisión humana) | Agente de investigación gestionado e integrado en la canalización |
| XBOW | XBOW (startup) | Comercial | Sí (ofensiva) | Sí (validación determinista) | No | Pentest externo continuo |
| CRS del AIxCC (ATLANTIS, Buttercup, Theori) | GT/Samsung, Trail of Bits, Theori | Abierta | Sí | Sí | Sí | Encontrar y parchear de forma totalmente autónoma (con benchmark) |
| Google Big Sleep | Project Zero + DeepMind | Investigación (no publicada) | Sí | Parcial | No | Descubrimiento de 0-days nuevos / análisis de variantes |
| OSS-Fuzz-Gen | Abierta | Sí (fuzzing) | Sí (fallo) | No | Harnesses de fuzzing generados por LLM (C/C++) | |
| Copilot Autofix | GitHub | Comercial (gratis en repos públicos) | Mediante CodeQL | No | Sí (sugerencia) | Remediación en el control de CI en GitHub |
| Semgrep Assistant | Semgrep | Complemento comercial | Mediante Semgrep | No | Sí (PR en borrador) | Triaje y corrección automáticos para usuarios de Semgrep |
| Mobb / Pixee / Corgea | Startups | Comercial (algunos planes gratuitos) | Corgea sí; Mobb/Pixee importan SAST | No | Sí (correcciones en PR) | Ritmo de remediación, aprobado por desarrolladores |
| CodeMender | Google DeepMind (Gemini Deep Think) | No publicada (investigación) | Sí | Valida (análisis, fuzzing, SMT, juez LLM) | Sí + reescrituras proactivas | Historial: 72 correcciones incorporadas a código abierto |
Todas las cifras de rendimiento que anuncian estos proveedores (Aardvark, ~92 % de detección; Semgrep, 96 % de acuerdo en el triaje; Pixee, 76 % de tasa de fusión; Copilot, «más de 2/3 remediados»; Corgea, «90 % menos falsos positivos») las comunica el propio proveedor sobre su propio benchmark y no están verificadas de forma independiente. Las cifras del AIxCC proceden de DARPA sobre un corpus idéntico.
Mantis frente a CodeMender: las dos apuestas de Google
Google es la única empresa con dos entradas aquí, y es fácil confundirlas. CodeMender, anunciado por Google DeepMind en octubre de 2025, es el agente de investigación cerrado con historial: construido sobre Gemini Deep Think, parchea las vulnerabilidades nuevas en su causa raíz y reescribe código de forma proactiva para eliminar clases enteras de fallos. El ejemplo destacado de DeepMind fue añadir anotaciones -fbounds-safety a libwebp, la biblioteca detrás de CVE-2023-4863, lo que, según dice, habría hecho inexplotable esa clase de desbordamiento de búfer. Cada parche pasa análisis estático y dinámico, pruebas diferenciales, fuzzing y comprobaciones SMT, además de una crítica de un juez LLM, antes de que lo revise una persona; DeepMind informó de 72 correcciones de seguridad incorporadas a proyectos de código abierto, algunos de más de 4,5 millones de líneas. Todavía no está disponible públicamente: DeepMind dice que trabaja primero con los mantenedores y espera publicarlo cuando se haya demostrado su fiabilidad.
Mantis, publicado como código abierto por la ingeniería de seguridad de Google en septiembre de 2026, es el compromiso inverso: Apache-2.0, ejecutable hoy en tu propio sandbox, con la misma filosofía de reproducir, parchear y verificar, pero de nivel de demostración y sin resultados publicados. Si quieres ver lo que consigue el enfoque de Google, mira las correcciones incorporadas de CodeMender; si quieres usar una versión de él, Mantis es la que puedes descargar de verdad.
Cuál es mejor: el veredicto honesto
- Si quieres una prueba de que el ciclo completo funciona: mira el AIxCC. Es la única evaluación neutral y comparable: el mismo código para todos los sistemas, dirigida por DARPA. En la final de agosto de 2025 los sistemas encontraron en conjunto 54 vulnerabilidades sintéticas y parchearon 43, además de 18 fallos reales. ATLANTIS, de Team Atlanta, quedó primero, Buttercup, de Trail of Bits, segundo, y Theori tercero, todos publicados como código abierto. Ese es tu ancla creíble de que «funciona de verdad».
- Si quieres el mejor historial de un solo proveedor: CodeMender: 72 correcciones revisadas por personas e incorporadas a proyectos de código abierto reales, además de la eliminación proactiva de clases de fallos. Todavía no puedes usarlo; sigue el programa de DeepMind con los mantenedores.
- Si quieres un framework abierto para usar hoy: Mantis, el análogo abierto más cercano al enfoque del AIxCC, con reproducción y verificación, autoalojado para que el código fuente no salga de casa. Advertencia: nivel de demostración, sin benchmark, y la verificación por un experto es obligatoria.
- Si quieres un producto gestionado y puedes conseguir acceso a la beta: OpenAI Aardvark, integrado en la canalización, con GPT-5, en beta cerrada y solo con cifras del proveedor.
- Si tu problema es la superficie de ataque externa: XBOW, probado en HackerOne (la primera IA en llegar al n.º 1 de la clasificación de EE. UU., en 2025), pero encuentra y explota; no corrige.
- Si quieres 0-days nuevos o I+D de fuzzing: Big Sleep (encontró un 0-day explotable en SQLite en 2024) y OSS-Fuzz-Gen (abierto, C/C++; sus harnesses generados por IA encontraron el CVE-2024-9143 de OpenSSL).
- Si solo quieres que pasen menos vulnerabilidades por tu CI: Copilot Autofix (si usas GitHub/CodeQL), Semgrep Assistant (si usas Semgrep) o un corrector independiente como Mobb / Pixee / Corgea. Menos infraestructura nueva y el mejor ritmo de remediación; eso sí, no esperes que descubran fallos nuevos.
Cómo elegir, de una pasada
- ¿Necesitas descubrir o remediar? Descubrir fallos nuevos → Mantis / Aardvark / sistemas del AIxCC / Big Sleep. Corregir más rápido lo ya encontrado → Copilot Autofix / Semgrep / Mobb / Pixee / Corgea.
- ¿Puede tu código fuente salir de tu entorno? No → Mantis o los sistemas del AIxCC (autoalojados). Sí → se abren las opciones SaaS.
- ¿En qué lenguaje está el código? Mucho C/C++ → OSS-Fuzz-Gen y el linaje del AIxCC están probados ahí. Lenguajes de aplicaciones web → los correctores comerciales y Corgea.
- ¿Tienes un experto en seguridad que verifique los resultados? Si no, quédate con las herramientas que sugieren PR con una persona en el bucle; los auditores autónomos dan por hecho que un experto revisa cada hallazgo.
- Antes de todo eso, ¿tienes un modelo de amenazas? Un agente autónomo es mucho más útil cuando conoce las fronteras de confianza que defiende. Construye uno primero.
Elijas lo que elijas, el patrón es el mismo: deja que la máquina haga la búsqueda y la reproducción incansables, mantén a una persona en el veredicto y no registres nunca de forma automática un hallazgo de IA sin verificar. Las herramientas que ganan son las que demuestran su propio trabajo: reproducen el fallo, lo parchean y muestran que el fallo ha desaparecido.
Preguntas frecuentes
¿Qué herramienta autónoma de vulnerabilidades es la mejor?
Depende del trabajo, y la única evidencia neutral es el AI Cyber Challenge (AIxCC) de DARPA, en el que se dio el mismo código a todos los sistemas. Allí, ATLANTIS, de Team Atlanta, quedó primero, Buttercup, de Trail of Bits, segundo, y Theori tercero, todos publicados ya como código abierto. Entre los agentes de un solo proveedor, CodeMender, de Google DeepMind, tiene el mejor historial público (72 correcciones de seguridad incorporadas a proyectos de código abierto), pero no está disponible públicamente. Para un framework abierto y autoalojable que puedas usar hoy, Google Mantis es el análogo más cercano a esos sistemas (tiene el ciclo de reproducir y verificar), pero se publica como «solo demostración» y sin benchmark. Para un producto cerrado y gestionado, Aardvark, de OpenAI, es el equivalente comercial más cercano, pero está en beta privada y solo con cifras comunicadas por el proveedor. Para la remediación en el control de CI sobre un escáner existente, GitHub Copilot Autofix, Semgrep Assistant, Corgea, Mobb o Pixee encajan con la menor infraestructura nueva. Cualquier cifra de rendimiento de un proveedor debe tratarse como marketing hasta que se verifique de forma independiente.
¿Qué es Google DeepMind CodeMender y cómo se compara?
CodeMender es un agente de seguridad del código que Google DeepMind anunció en octubre de 2025, construido sobre Gemini Deep Think. Funciona de dos maneras: de forma reactiva, parchea las vulnerabilidades recién encontradas atacando su causa raíz; de forma proactiva, reescribe el código existente para eliminar clases enteras de vulnerabilidades, por ejemplo aplicando anotaciones -fbounds-safety a libwebp (la biblioteca detrás de CVE-2023-4863). Combina análisis estático y dinámico, pruebas diferenciales, fuzzing y solucionadores SMT, y ejecuta un paso de crítica con un juez LLM que comprueba la corrección de cada parche y las posibles regresiones antes de que lo revise una persona. DeepMind informó de 72 correcciones de seguridad incorporadas a proyectos de código abierto, algunos de más de 4,5 millones de líneas de código. Sigue en fase de investigación y no está disponible públicamente. Frente a Google Mantis, CodeMender tiene el historial pero es cerrado; Mantis es abierto y autoalojable, pero de nivel de demostración y sin resultados publicados.
¿Qué diferencia hay entre encontrar, reproducir y parchear?
Encontrar es señalar una vulnerabilidad sospechosa. Reproducir es demostrar que es real escribiendo una prueba de concepto y provocando el fallo (normalmente un cierre inesperado) en un sandbox: esto es lo que reduce los falsos positivos. Parchear es generar una corrección; los sistemas más sólidos vuelven a ejecutar después la reproducción para confirmar que el fallo ha desaparecido (un ciclo adversarial de verificación de la corrección). La mayoría de las herramientas comerciales encuentran y sugieren correcciones pero se saltan la reproducción; los sistemas de ciclo completo (Mantis, Aardvark, los CRS del AIxCC) reproducen y verifican, por eso sus correcciones son más fiables, y por eso consumen más cómputo.
¿Cuáles son de código abierto?
Abiertos y autoalojables: Google Mantis (Apache-2.0), OSS-Fuzz-Gen y los siete sistemas de razonamiento cibernético finalistas del DARPA AIxCC (publicados con licencias aprobadas por la OSI, incluidos ATLANTIS, de Team Atlanta, y Buttercup, de Trail of Bits). No publicados: Google DeepMind CodeMender y Google Big Sleep (investigación). Comerciales/SaaS: OpenAI Aardvark (beta privada), XBOW, GitHub Copilot Autofix (gratis en repositorios públicos), Semgrep Assistant, Mobb, Pixee y Corgea. Si mantener el código fuente en casa es un requisito imprescindible, destacan Mantis (ejecutado en tu propio sandbox) y los sistemas del AIxCC.
¿Puedo fiarme de las cifras de precisión que anuncian estas herramientas?
Trátalas como marketing del proveedor salvo que se verifiquen de forma independiente. El ~92 % de detección de Aardvark, el 96 % de acuerdo en el triaje de Semgrep Assistant, el 76 % de tasa de fusión de Pixee, el «más de 2/3 remediados» de Copilot Autofix y el «90 % menos falsos positivos» de Corgea los comunica el propio proveedor sobre sus propios benchmarks. La única excepción con una evaluación rigurosa, neutral y comparable es el AIxCC de DARPA, en el que todos los sistemas de razonamiento cibernético se ejecutaron contra el mismo corpus con las mismas reglas; en la final de agosto de 2025 los sistemas encontraron en conjunto 54 vulnerabilidades sintéticas y parchearon 43, y descubrieron 18 vulnerabilidades reales. Ese es tu punto de referencia más defendible para saber «qué sistema autónomo de encontrar y parchear funciona de verdad».
Solo quiero reducir las vulnerabilidades de mi canalización de CI: ¿qué uso?
Si ya usas GitHub Advanced Security / CodeQL, activa Copilot Autofix (gratis en repositorios públicos): añade sugerencias de corrección con IA a los hallazgos existentes sin herramientas nuevas. Si usas Semgrep, añade Semgrep Assistant para el triaje automático y los PR de corrección automática. Si quieres un corrector de IA independiente que importe los hallazgos de un escáner, mira Mobb, Pixee o Corgea. Son herramientas de ritmo de remediación: hacen más rápido corregir, no buscan fallos nuevos. Para una auditoría autónoma profunda de todo un código base, ahí entran Mantis o (con acceso a la beta) Aardvark, y deberías combinar cualquiera de los dos con un modelo de amenazas para que el agente sepa qué está defendiendo.