El panorama, con cifras y fuentes
En 2026, varios trabajos independientes dejaron de hablar de impresiones y empezaron a medir. La conclusión más citada cabe en una frase: solo alrededor del 35 % del código backend generado por IA es a la vez seguro Y correcto según las evaluaciones empíricas. Dicho de otro modo, en la mayoría de los casos el código producido es o incorrecto, o vulnerable, o ambas cosas, incluso cuando «parece» funcionar.
La proporción de código que contiene al menos una vulnerabilidad se estima entre el 62 % y el 92 % según el estudio. Es una horquilla amplia y debe leerse como tal: las metodologías difieren (lenguajes probados, definición de vulnerabilidad, gravedad considerada, corpus de prompts). Ninguna cifra aislada de esa horquilla debe citarse por separado sin precisar el estudio y su método; lo honesto es la horquilla, no un punto.
El riesgo no es teórico. El «Vibe Security Radar» de Georgia Tech registra las CVE ligadas al código generado por IA con una fuerte aceleración en el primer trimestre de 2026: 6 en enero, 15 en febrero, 35 en marzo, es decir, en esos tres meses, más que todo 2025 en conjunto.
En cuanto a la percepción, la desconfianza sigue a las cifras: el 87 % de los desarrolladores dice dudar de la fiabilidad del código generado por IA. Quienes más lo usan suelen ser los primeros en no fiarse a ciegas.
Una precisión de método, por honestidad: este corpus es sobre todo investigación de seguridad industrial, informes de empresas de seguridad, auditorías, benchmarks, y no un conjunto de literatura académica revisada por pares. Solo hay un trabajo realmente académico (un artículo de arXiv); el resto procede de la industria. Esto no hace falsas las cifras, pero obliga a leerlas por lo que son: mediciones independientes que convergen, no un consenso científico consolidado.
Uno de estos trabajos merece nombrarse, porque enmarca exactamente el debate: el benchmark independiente Vibe-Eval (2026) cataloga los modos de fallo de varios generadores de uso masivo, Lovable, Bolt, Cursor, Replit, v0, con criterios de seguridad de aplicaciones. Es precisamente el terreno en el que un motor que publica una validación en tiempo de ejecución fechada puede medirse de frente, en lugar de remitir a la confianza.
- ~35 % del código backend generado por IA es a la vez seguro y correcto (evaluaciones empíricas).
- Del 62 % al 92 % del código generado contiene vulnerabilidades, horquilla amplia, métodos distintos.
- CVE relacionadas: 6 → 15 → 35 al mes (ene. → mar. 2026, Vibe Security Radar, Georgia Tech).
- El 87 % de los desarrolladores duda de la fiabilidad del código generado por IA.
Por qué: un modelo probabilístico produce código plausible, no garantizado
La causa es estructural, no coyuntural. Un gran modelo de lenguaje produce el token más probable dado el contexto. Aplicado al código, eso da la continuación más verosímil, no necesariamente la correcta ni la segura. El modelo no tiene una noción interna de «este esquema compila», «esta consulta está parametrizada», «este control de acceso existe»; tiene una noción de «a qué se parece el código de este tipo».
Es justamente eso lo que hace pernicioso el problema: el código alucinado es plausible. Se lee bien, a veces compila, se despliega y falla en el uso, o peor, funciona en apariencia mientras deja abierta una inyección SQL, un secreto en claro, un control de autorización ausente. Las categorías de fallos recurrentes documentadas por los estudios (inyección, mala gestión de secretos, ausencia de validación de entrada, control de acceso defectuoso) son precisamente las que un modelo reproduce porque abundan en sus datos de entrenamiento.
Añadir una instrucción al prompt («escribe código seguro») desplaza las probabilidades, pero no cambia la naturaleza del objeto: nada garantiza el resultado, porque nada lo verifica. Una instrucción no es una prueba.
La distinción que lo cambia todo: la IA escribe la especificación, un builder compila el código
Blueprint Maker parte de esta constatación y se niega a que el modelo escriba el código. El pipeline separa dos papeles que nada obliga a confundir. La IA hace lo que mejor sabe hacer: comprender un dominio de negocio y producir una especificación estructurada, un esquema de entidades, relaciones y reglas en formato JSON. Diseña, no programa.
Después, unos builders deterministas, escritos una vez, probados, versionados, transforman esa especificación en código: esquema de base de datos, pantallas, rutas, cuadros de mando. El código, por tanto, nunca es «alucinado» por el LLM: lo produce un programa cuyo comportamiento se conoce. Las propiedades de los componentes no se adivinan, se derivan de la especificación según reglas fijas. La misma especificación de entrada produce siempre el mismo código de salida.
Esta separación no elimina mágicamente todo riesgo, pero traslada el problema a donde es tratable: en lugar de esperar que un modelo probabilístico no haya introducido un fallo en miles de líneas únicas, se garantiza por construcción que los patrones de código (consultas, formularios, controles) salgan de un único generador, auditable y corregible de una vez por todas.
- La IA → comprende el dominio → produce una especificación (no código).
- Los builders deterministas → compilan la especificación → producen el código.
- El código no se infiere línea por línea por el modelo: lo genera un programa conocido.
La defensa exigible: una validación en tiempo de ejecución publicada (K-15 / Health Score)
Escribir código con un método más seguro sigue siendo una promesa mientras no se demuestre. La diferencia decisiva no es afirmar «nuestro código es fiable», es medirlo y publicar la medida. Cada aplicación producida por Blueprint Maker pasa una validación en tiempo de ejecución automatizada, llamada K-15: el código se compila, la aplicación se arranca de verdad y luego se recorre pantalla por pantalla mediante un navegador automatizado. El criterio es binario: funciona, o no funciona.
El resultado agregado, la proporción de aplicaciones que superan el conjunto de estas comprobaciones en una ventana móvil de siete días, se publica y se fecha con el nombre de Health Score. Es una métrica de fiabilidad exigible: verificable, no declarativa, producida por un juez automático y no por un argumento de marketing.
Es precisamente lo que ningún generador puramente probabilístico publica, y por una razón de fondo: producir una medida así supone un medio determinista y reproducible de probar cada salida en condiciones reales. Un pipeline que hace que el modelo escriba el código y lo entrega tal cual no tiene ninguna barrera de tiempo de ejecución sistemática que mostrar. La transparencia sobre la fiabilidad solo es posible si la fiabilidad se construye para ser medida.
Nuestros límites, con honestidad
Una validación en tiempo de ejecución demuestra que una aplicación se construye, arranca y se recorre correctamente; reduce con fuerza la clase de errores «código plausible pero roto». No sustituye a una auditoría de seguridad de aplicaciones completa, una prueba de intrusión ni una revisión de conformidad. Blueprint Maker no reivindica, a día de hoy, una certificación SOC 2 o ISO: preferimos publicar una métrica real y fechada antes que un logotipo que no dice nada sobre el producto entregado.
La lectura correcta es esta: el código generado por IA tiene un problema de fiabilidad medido; la única respuesta creíble no es una promesa sino una verificación publicada; separar el diseño (la IA) de la fabricación (los builders deterministas) hace posible y reproducible esa verificación. Es una base, no un cheque en blanco, y vale más que una cifra que no se muestra.
Fuentes
Cloud Security Alliance, Vibe Coding / AI Governance Gap: https://labs.cloudsecurityalliance.org/research/csa-research-note-vibe-coding-ai-governance-gap-20260602-csa/
The Security Crisis in AI-Generated Code (2026): https://blog.vibecoder.me/security-crisis-ai-generated-code-2026
IOActive, The Security Gap in AI-Generated Code: https://www.ioactive.com/wp-content/uploads/2026/05/IOA-The-Security-Gap-in-AI-Generated-Code.pdf
AppStuck, AI-Generated App Security Risks (2026): https://www.appstuck.com/blog/ai-generated-app-security-risks
Vibe-Eval, AI App Security Benchmark 2026: https://vibe-eval.com/data-studies/ai-app-security-benchmark-2026/
Sherlock Forensics, AI Code Security Report 2026: https://www.sherlockforensics.com/pages/ai-code-security-report-2026.html
OX Security, Vibe Coding Security: https://www.ox.security/blog/vibe-coding-security/
arXiv, Coding With AI: https://arxiv.org/pdf/2512.23982