La misma semana en que un modelo de IA demostró que podía encadenar exploits funcionales en cinco sistemas operativos, llegó otro modelo de IA afirmando que puede encontrar, explotar y parchear vulnerabilidades mejor que cualquier cosa que haya existido antes. No es una coincidencia. Es el nuevo punto de partida.
El miércoles, Google DeepMind presentó Gemini 4 Carbon. Koray Kavukcuoglu, SVP de Google DeepMind, dio los números sin rodeos: Carbon alcanza un 88,2% en SEC-bench Pro para encontrar vulnerabilidades, un 54,8% en ExploitGym para explotación y un 71,0% en CWE-bench para parcheo. También lidera el Artificial Analysis Intelligence Index con 59, superando por poco a Claude Opus 5.5 de Anthropic con 58 y a GPT-6 Astra de OpenAI con 57. Y según Google, es el doble de propenso a generar código seguro que el modelo al que sustituye, Gemini 4 Argon.
Párate a pensarlo un segundo. Un modelo. El mismo modelo. Encontrar el fallo, convertirlo en arma y arreglarlo. Tres categorías de benchmark que antes describían tres puestos de trabajo completamente distintos.
Qué significan realmente esos tres números
La mayoría de las historias sobre benchmarks de seguridad se entremezclan. Estas tres no, porque cada una corresponde a una etapa distinta del ciclo de vida del incidente.
SEC-bench Pro mide el descubrimiento de vulnerabilidades en software del mundo real. Ese es tu escáner, tu pentester, tu equipo de investigación de amenazas.
ExploitGym mide la explotación. Esa es la parte que históricamente ha exigido paciencia, creatividad y un especialista que entienda el diseño de la memoria, las mitigaciones y las rarezas de cada objetivo. Un 54,8% no es una puntuación perfecta, pero es una puntuación.
CWE-bench mide el parcheo. Ese es tu backlog de remediación, eso que cada equipo de ingeniería jura que atacará el próximo sprint.
Cuando un único modelo destaca en las tres, la consecuencia práctica no es «ahora la IA es buena en seguridad». La consecuencia es que la distancia entre la divulgación y la conversión en arma se derrumba, mientras que la distancia entre la divulgación y el parche no tiene por qué hacerlo. Los atacantes solo necesitan una habilidad: apuntar el modelo hacia un objetivo. Los defensores necesitan la mitad menos glamurosa: decidir qué arreglar, demostrar que está arreglado y conservar la evidencia.
El detalle de arquitectura que vale más que los benchmarks
Por debajo de las puntuaciones estrella hay una línea que importa más para cualquiera que ejecute agentes en producción: al parecer, Carbon responde a tareas ambiguas y de alta presión pidiendo intervención humana en lugar de adivinar, y resistió todos los intentos evaluados de inyección indirecta de prompt.
Léelo dos veces. La resistencia a la inyección de prompt es la propiedad más solicitada por cualquier empresa que despliegue un agente cerca de contenido no confiable, ya sea una página web, un ticket de soporte, un hilo de correo o un PDF que subió un cliente. Si un modelo de frontera aguanta los intentos de inyección evaluados, eso importa más a tu arquitectura que un punto de benchmark.
El problema es el acceso. El despliegue de Carbon sigue el de Argon: primero un grupo limitado de defensores cibernéticos y después una expansión a través del Fairwind Program de Google. Google también confirmó que participa en el proceso voluntario de pruebas previas al lanzamiento del gobierno de EE. UU. GPT-6.1 Terra, lanzado por OpenAI la misma semana, cumple el umbral Critical de su Preparedness Framework. Es decir, los modelos de seguridad más capaces están hoy restringidos a un grupo reducido, y todos los demás heredamos los efectos posteriores.
La ventana de vulnerabilidad es ahora un problema de planificación
Aquí está el cambio que debería alterar cómo planificas el próximo trimestre. Durante veinte años, los equipos de seguridad han optimizado el tiempo medio de parcheo contra un atacante que se suponía que tardaría. Un investigador reporta, un fabricante escribe un arreglo, un atacante lo aprovecha tarde o temprano. Ese margen era toda la premisa de la industria de gestión de vulnerabilidades.
Esa premisa ha desaparecido. En el mismo ciclo vimos al Frontier Red Team de Anthropic publicar cadenas de exploits para Chrome, Safari, Android, Windows y una ruta zero-click en el kernel de Linux, y vimos abrirse a los defensores un modelo de producción optimizado exactamente para ese flujo de trabajo. La ventana entre un parche público y un exploit funcional ahora se mide en horas en los peores días. Si tu SLA de parcheo sigue expresado en días y puntuaciones de severidad, estás ajustando un dial para una máquina que ya se ha movido.
Traducción práctica: la priorización tiene que venir de la explotabilidad y la alcanzabilidad, no solo del CVSS. Un 9,8 en un servicio al que nadie puede llegar pierde frente a un 6,4 en lo que golpea a cada cliente.
Qué deberían hacer los clientes de aratech este trimestre
Cinco movimientos, por orden de apalancamiento:
-
Recalibra tu SLA de parcheo por explotabilidad, no por severidad. Acompaña cada hallazgo con una comprobación de alcanzabilidad. Baja la prioridad de lo que no está expuesto y sube la de lo que está en la ruta del perímetro.
-
Inventaría todo lo que ha escrito la IA. Con modelos el doble de propensos a generar código seguro, la curva de calidad mejora, pero la curva de volumen de código va a peor. No puedes proteger lo que nunca has contado.
-
Trata la inyección de prompt como un control verificable, no como una nota al pie del diseño. Construye una batería adversarial para cada agente que toque contenido no confiable y ejecútala en cada actualización de modelo.
-
Compara tus propias defensas contra un modelo de frontera. Lanza tu escáner, tu SAST y tus herramientas de dependencias contra un objetivo donde ya conoces todas las respuestas. Si un modelo encuentra más que tu stack, ya sabes cuál comprar después.
-
Conserva la pista de evidencia. Los reguladores y las aseguradoras ya no preguntan si tenías una política. Preguntan qué hiciste, cuándo y con qué base. La remediación automatizada solo es defendible si además queda registrada de forma automática.
La parte incómoda
Todos y cada uno de esos números son autodeclarados. Google probó su propio modelo con benchmarks que eligió. Puede que Gemini 4 Carbon sea realmente el modelo de seguridad más fuerte del mercado, o puede que sea el más fuerte en las pruebas concretas que un fabricante decidió publicar. Ambas cosas pueden ser ciertas.
No es razón para ignorarlo. Es razón para instrumentar tu propia realidad. Las organizaciones que salgan intactas de 2027 no serán las que elijan antes al fabricante ganador. Serán las que puedan responder, un martes cualquiera y sin previo aviso, exactamente qué sistemas eran explotables ayer y cuáles están arreglados hoy.
La velocidad de los modelos cambió lo que es posible. La velocidad de la gobernanza sigue dependiendo de ti.
En aratech construimos la mitad aburrida: el contexto, el inventario, la pista de auditoría, el bucle que sigue corriendo después de compilar el código. Porque en un mundo donde un solo modelo encuentra, explota y arregla, la única ventaja duradera que queda es saber con precisión dónde estás.