Anthropic Glasswing: 442 CVEs y solo 217 correcciones

Siete meses de Project Glasswing: el balance que contradice el lanzamiento

Siete meses después de que Anthropic pusiera en marcha Project Glasswing, el investigador Patrick Garrity, de la firma de inteligencia de vulnerabilidades VulnCheck, publicó un balance que no cuadra con el relato del lanzamiento: de los 37.966 hallazgos que la compañía reporta en su ledger público, solo 217 figuran como corregidos. Menos del 1%.

El proyecto se anunció el 7 de abril con una promesa fuerte: Anthropic dijo haber identificado «miles de vulnerabilidades adicionales de severidad alta y crítica» que iría divulgando de forma responsable a los mantenedores de open source. Siete meses después, el propio ledger de la compañía muestra que el cuello de botella no desapareció: se movió de lugar.

¿Cuántas vulnerabilidades reales encontró Glasswing?

Garrity empezó a rastrear los hallazgos el 17 de abril en un repositorio abierto llamado Anthropic Credited CVEs, cruzando registros CVE, avisos GHSA, commits del kernel de Linux y el propio ledger de Anthropic. El resultado: 442 CVE atribuibles a Anthropic, un promedio de 63 por mes.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Sobre los 93.450 CVE publicados en lo que va del año, eso representa alrededor del 0,5%. Y de esos 442, solo dos aparecen como explotados en el mundo real (CVE-2026-61500 y CVE-2026-26980), un 0,45%.

El dato importa porque el lanzamiento se vendió como el inicio de una era de descubrimiento masivo de vulnerabilidades. Encontrar un fallo no equivale a que sea explotable en condiciones reales, y la evidencia acumulada hasta ahora apunta justamente a esa distancia.

Los números que no cierran

El ledger de Anthropic arrancó en mayo con 23.019 hallazgos y una tasa declarada de verdaderos positivos del 90,8%. Al 2 de noviembre, la foto es otra:

Hallazgos totales: de 26.153 (8 de septiembre) a 37.966
Hechos públicos: de 2.736 (10,5%) a 7.349 (19,4%)
Corregidos: de 202 a 217, apenas 15 más en dos meses
Retirados: de 245 a 419
Duplicados: de 2 a 1.670
Tasa de verdaderos positivos declarada: de 91,4% a 94,2%

La lectura es incómoda: en dos meses Anthropic sumó casi 12.000 hallazgos y corrigió 15. Los duplicados crecieron de 2 a más de 1.600, y el 4,4% de los hallazgos ya figura como duplicado, casi ocho veces más que las correcciones. Además, hay 419 hallazgos retirados.

Que la tasa de verdaderos positivos suba mientras se retiran y duplican hallazgos es, como mínimo, una pregunta abierta sobre cómo se contabiliza. Garrity también detectó un error en el ledger que infla el número de hallazgos marcados como divulgados.

El OSS Scanner: la validación se traslada a los mantenedores

Con el frente abierto, Anthropic lanzó el 8 de octubre su OSS Scanner, un escáner autoservicio al que los proyectos se suscriben y cuyos hallazgos validan ellos mismos. La compañía reconoció que había encontrado más de 29.000 vulnerabilidades candidatas, que solo había revisado manualmente unas 6.000 y que seguía «limitada por la capacidad humana de validar estos hallazgos». También había enviado ya casi 5.000 informes sin verificar a mantenedores que pidieron todo en bloque.

Anthropic es explícita: esos reportes son «totalmente generados por el modelo, sin revisión ni triaje humano» y «es posible que los informes sean incorrectos o inválidos». El cuello de botella no se resolvió: se transfirió a quien menos capacidad tiene para absorberlo.

El caso curl: 55,9% de falsos positivos

Tres días antes de este informe, Daniel Stenberg, mantenedor de curl, anunció que el proyecto recibió un lote de 45 informes de Anthropic. La compañía calificó uno como severidad media y el resto como baja. Stenberg los está migrando a GitHub a un ritmo deliberado «para amortiguar el impacto en el equipo».

De los 34 informes publicados hasta ahora, 19 fueron marcados como no vulnerabilidades, 6 se confirmaron como severidad baja y 9 siguen pendientes de evaluación. Eso deja una tasa de falsos positivos del 55,9% y solo un 17,6% de hallazgos confirmados, todos de severidad baja.

No es la primera vez. En mayo, Stenberg escribió que cinco hallazgos de Mythos se redujeron a una sola vulnerabilidad confirmada. Y en septiembre, Garrity encontró que Claude calificaba el 91,5% de los hallazgos del ledger como críticos o altos, mientras los mantenedores calificaban así solo el 51,3%.

El contraste con IA especializada es notable. Según un comunicado de AISLE difundido por Yahoo Finance, las vulnerabilidades detectadas por su plataforma representaron 18 de los 24 CVE corregidos en la versión de curl del 14 de octubre, y la compañía acumula 35 CVE y 160 bugs adicionales en el proyecto. El mismo comunicado recuerda que curl discontinuó su programa de bug bounty por el volumen de reportes generados por IA y que en julio suspendió temporalmente la recepción de reportes.

¿Qué dice la evidencia independiente sobre el impacto?

No todo apunta en la misma dirección. Un preprint de Thomas Mosk difundido el 4 de noviembre y recogido por CryptoSlate encontró que las empresas con acceso temprano a Claude Mythos Preview aumentaron sus divulgaciones de fallos cerca de un 120% frente a empresas chinas sin acceso, y cerca de un 150% en fallos de alto impacto. En los canales de reparación medidos no se detectó una desaceleración: la mediana de tiempo hasta el arreglo se mantuvo en un día, y las estimaciones descartan una ralentización mayor al 13%.

Ese mismo análisis aclara sus límites: la selección de participantes no fue aleatoria y no se midieron las cargas de trabajo no divulgadas ni la instalación de parches por parte de los usuarios.

Unite.AI resume bien el problema de fondo: la industria pasó décadas optimizando el descubrimiento y nunca construyó la capacidad de procesar hallazgos a escala de IA. Y TechTarget aporta otro dato de contexto: de 1.061 vulnerabilidades atribuidas a descubrimiento asistido por IA, solo 14 figuraban como explotadas a junio de 2026.

Qué significa esto para tu startup

Presupuesta el triaje como parte del costo. Si un escáner te entrega cientos de hallazgos, el gasto real no es la herramienta: es el tiempo de ingeniería para validarlos. En curl, casi 6 de cada 10 reportes no eran vulnerabilidades.
Prioriza por explotación real, no por severidad declarada. La brecha entre el 91,5% de hallazgos «críticos o altos» según el modelo y el 51,3% según los mantenedores es una advertencia: no conviertas la etiqueta del modelo en tu cola de trabajo.
Mide tu propio ratio de conversión. Cuántos hallazgos se confirman, cuántos se corrigen y cuánto tarda cada uno. Sin esa métrica no puedes saber si la IA te ahorra tiempo o te lo consume.
Cuida la superficie de ataque que abres. Garrity advierte que las propias herramientas de IA se están volviendo blanco: los frameworks de IA con ejecución remota de código son un vector nuevo. Aplica mínimo privilegio a lo que conectas.
Si dependes de open source crítico, contribuye. Con componentes open source en el 98% de los codebases comerciales, la sostenibilidad de los mantenedores es parte de tu riesgo operativo.

Conclusión

Siete meses después, la evidencia no respalda el relato del lanzamiento: los CVE atribuidos a Anthropic son una fracción mínima del total anual, casi ninguno se explota, las correcciones se estancaron mientras los duplicados y retiros se acumulan, y la carga de triaje se está desplazando hacia los mantenedores que Glasswing prometió ayudar. La IA sí sirve para encontrar vulnerabilidades, eso no está en discusión. Lo que falta es la parte que ninguna promesa de marketing resuelve: quién valida, quién prioriza y quién asume la responsabilidad de arreglarlo.