Vuit mesos. Quatre incidents importants. Un patró: la cadena de subministrament de programari no va tenir un nou adversari, sinó una nova arma. Entre setembre de 2025 i maig de 2026, un cuc autopropagador, un actor de l'estat nació, una campanya d'imitació i un model d'IA segrestat van trobar el seu camí a... pipelineen què milions de desenvolupadors confien cada dia. Aquesta és la nova forma de les amenaces de ciberseguretat: més ràpides, més difícils de veure i cada cop més impulsades per la mateixa IA que els equips de desenvolupament utilitzen per enviar codi.
Si el vostre model mental d'amenaces de ciberseguretat encara comença i acaba amb correus electrònics de phishing i servidors sense pegats, les dades següents l'actualitzaran.
La nova forma de les amenaces de ciberseguretat
Durant anys, les amenaces de ciberseguretat van significar credencials robades, servidors mal configurats i enginyeria social. Aquests riscos no han desaparegut: el 81% de les filtracions de dades confirmades el 2022 van implicar credencials compromeses. Però una nova categoria s'ha situat al centre de la conversa: les amenaces d'IA. Els equips de desenvolupament ara confien en assistents de codificació d'IA, copilots agents i... Protocol de context model (MCP) servidors per crear programari més ràpidament, i cadascun d'ells ara també és un objectiu. Les investigacions mostren que al voltant del 40% del codi generat per IA conté vulnerabilitats de seguretat, cosa que significa que la velocitat que promet la IA ve acompanyada d'un augment proporcional dels riscos de seguretat de la IA integrats directament a la base de codi.
Vuit mesos, quatre incidents: com van augmentar les amenaces de la IA
L'evidència més clara que les amenaces de la IA s'estan accelerant no és una previsió; és una cronologia del que ja ha passat:
- Setembre de 2025, Shai-Hulud: el primer cuc npm autopropagant, que converteix els propis desenvolupadors en un mecanisme de lliurament.
- Març de 2026, axios: programari maliciós d'estat-nació amagat dins d'un paquet s'extreu aproximadament 100 milions de vegades per setmana.
- Abril de 2026, SAP npmuna repetició a menor escala del mateix patró de cucs, que mostra les escales de la tècnica.
- Maig de 2026, Claude Opus → PromptMink: un gran model de llenguatge convertit en arma per implantar programari maliciós dins d'un agent autònom, amb la mateixa IA actuant com a vector d'atac.
Cada incident reutilitzava i escalava l'anterior. Aquesta és la característica definidora de les amenaces d'IA el 2026: es compuneixen més ràpidament que les amenaces tradicionals de ciberseguretat, perquè la mateixa automatització que ajuda els desenvolupadors a enviar també ajuda els atacants a propagar-se.
Per què les eines tradicionals no poden veure aquests riscos de la IA
Les eines tradicionals d'AppSec s'aturen al repositori i no saben què és un model. Les eines tradicionals de punt final observen el sistema operatiu i no entenen els paquets, els servidors MCP ni els assistents d'IA. Aquesta bretxa entre els dos és exactament on aterren els riscos d'IA, sense ser detectats, fins que el dany està fet.
Dues xifres fan que l'exposició sigui concreta: el robatori de credencials dirigit a la IA va augmentar un 376% entre el quart trimestre del 2025 i el primer trimestre del 2026, i un únic pont MCP maliciós (CVE-2025-6514) es va descarregar 437,000 vegades abans de ser detectat, cosa que va permetre l'execució remota de codi al client. Els servidors MCP públics tampoc són segurs per defecte: el 5.5% tenen defectes d'enverinament d'eines i el 43% tenen defectes d'injecció d'ordres prou greus com per convertir les eines d'un desenvolupador en una de les amenaces de ciberseguretat més greus a què es pot enfrontar una organització.
La cadena de subministrament de programari continua sent la major font d'amenaces de ciberseguretat
La IA no va inventar aquest problema, el va ampliar. La cadena de subministrament de programari ja era el punt d'entrada més explotat per a les amenaces de ciberseguretat, i les xifres ho avalen. S'han identificat més de 778,500 paquets maliciosos de codi obert des del 2019, i aquesta xifra va augmentar un 156% en un sol any fins a arribar als 512,847 paquets. L'ENISA ha descobert que el 60% dels atacs a la cadena de subministrament es van aprofitar de la confiança dels clients en un proveïdor i, segons algunes estimacions, la cadena de subministrament de programari ara pateix un atac aproximadament cada 48 hores. Els atacs a la cadena de subministrament van augmentar un 742% entre el 2019 i el 2022, amb projeccions que suggereixen que el 45% de les organitzacions es veuran afectades el 2025 i que els costos anuals arribaran als 138 milions de dòlars el 2031; el cost dels atacs a la cadena de subministrament de programari només aquest any s'estima en 60 milions de dòlars.
La mateixa dependència i pipeline Les debilitats que van crear aquestes amenaces clàssiques de ciberseguretat ara també comporten riscos d'IA: un paquet compromès, una acció de GitHub mal configurada o un fitxer no fixat. CI/CD Un pas pot dirigir-se a un agent d'IA tan fàcilment com a un desenvolupador humà.
Riscos de seguretat de la IA més amplis més enllà de la base de codi
No tots els riscos d'IA resideixen dins d'un fitxer de codi. Un mapa més complet dels riscos de seguretat de la IA abasta tot el cicle de vida d'un actiu d'IA: injecció ràpida i filtració ràpida del sistema, dades sensibles exposades a través de configuracions d'IA excessivament permissives, vectors i incrustacions enverinades, instruccions malicioses amagades dins de documents i fitxers de regles, configuracions MCP insegures i servidors no fiables, dependències d'IA vulnerables o desordenades i agència excessiva, on un agent d'IA actua més enllà dels límits amb què es va configurar.
Aquestes categories s'associen directament a Els 10 millors de l'OWASP per a sol·licituds de LLM, El OWASP Top 10 per a aplicacions agentives, I el Els 10 millors de l'OMPI, tres marcs de treball que s'estan convertint ràpidament en el vocabulari compartit per als riscos de seguretat de la IA a tota la indústria.
Reduir l'exposició a les amenaces de ciberseguretat: què funciona realment
Les dades apunten a dues coses que funcionen de manera consistent contra les amenaces de ciberseguretat: higiene bàsica i detecció precoç. El 98% dels ciberatacs es prevenen amb una higiene de seguretat bàsica, però el 34% de les filtracions de dades encara provenen d'amenaces internes i el 60% de les aplicacions encara contenen vulnerabilitats en el codi de primera part. El mateix GitHub no n'és immune: l'1.9% dels repositoris d'explotacions de prova de concepte de GitHub són maliciosos, creats per exfiltrar dades o implementar programari maliciós als investigadors que hi confien.
Per als riscos d'IA específicament, la solució ha de ser més aviat en el cicle de vida:
- Validació dins de l'IDE. Detectar patrons insegurs en codi generat per IA abans que arribi a pipeline tanca la font més gran de nous riscos de seguretat per a la IA.
- Detecta programari maliciós abans que existeixi una signatura. Les eines basades en la reputació no aconsegueixen paquets zero-day per definició, que és exactament la bretxa que van explotar Shai-Hulud, axios i SAP npm.
- Inventari de tots els actius d'IA. Els models, conjunts de dades, agents i servidors MCP no es poden governar ni atacar a través d'alguna cosa que un equip no sap que està executant.
Com aborda Xygeni aquestes amenaces de ciberseguretat
Xígeni tracta les amenaces d'IA com una part de primera classe de la seguretat de les aplicacions en lloc d'un problema separat afegit posteriorment. DevAI aplica la validació de seguretat en temps real dins de l'IDE del desenvolupador, marcant patrons insegurs en el codi generat per IA abans que s'enviïn. Alerta primerenca de programari maliciós (MEW) cescaneja contínuament NPM, PyPI i Maven per detectar paquets maliciosos abans que existeixi una signatura, abordant el patró exacte de la cadena de subministrament darrere de Shai-Hulud, axios i SAP npm. AI Security descobreix tots els actius d'IA a tot el SDLC, ho puntua segons els marcs OWASP anteriors, i Shield aplica una política al punt final abans que es permeti l'execució d'un model, agent o servidor MCP no segur.
Les organitzacions que gestionen bé els riscos d'IA el 2026 no són les que utilitzen més eines. Són les que poden veure tots els actius d'IA que executen, aturar el que no és segur abans que s'executi i aplicar aquesta intel·ligència a les eines que ja posseeixen.
FAQ
Quines són les majors amenaces de ciberseguretat el 2026?
Els atacs a la cadena de subministrament continuen sent la categoria més gran per volum i cost, amb uns danys estimats de 60 milions de dòlars aquest any i un atac aproximadament cada 48 hores. Juntament amb ells, les amenaces d'IA han emergit com una categoria de ràpid creixement: el robatori de credencials dirigit a la IA va augmentar un 376% en un sol trimestre, i incidents com Shai-Hulud, axios i PromptMink mostren que els atacants utilitzen activament la IA com a objectiu i com a mecanisme de lliurament.
El codi generat per IA és un risc de seguretat?
Sí. Les investigacions mostren que al voltant del 40% del codi generat per IA conté vulnerabilitats de seguretat. Això fa que la validació en temps real dins de l'IDE del desenvolupador, abans de la fusió del codi, sigui una de les maneres més efectives de reduir els riscos de seguretat de la IA a l'origen.
Què és MEW i com aborda les amenaces de la IA?
Malware Early Warning (MEW) és el sistema d'escaneig continu de Xygeni per a NPM, PyPI i Maven. Està dissenyat per detectar paquets maliciosos abans que existeixi una signatura, cosa que és important perquè les eines basades en la reputació només detecten el que ja s'ha identificat, sense detectar el patró exacte de dia zero darrere de les amenaces recents d'IA i els cucs de la cadena de subministrament.
Són els servidors MCP una font real de riscos d'IA?
Sí. Els servidors MCP públics mostren riscos de seguretat d'IA mesurables en estat natural: el 5.5% tenen defectes d'intoxicació d'eines i el 43% tenen defectes d'injecció d'ordres, i només un pont MCP compromès es va descarregar 437,000 vegades abans de la detecció.
