AVDH halló 100 fallos críticos en dos días, pero un humano validó cada uno
AVDH halló más de 100 vulnerabilidades críticas clasificadas como verdaderos positivos en solo dos días, durante una investigación de respuesta a incidentes sobre repositorios corporativos robados. La publicación técnica de Google Threat Intelligence, fechada el 18 de agosto de 2026, presentó por primera vez la arquitectura interna que Mandiant utilizó para obtener ese resultado.
No fue la respuesta de un modelo a un único prompt. AVDH encadena agentes para reconocer el repositorio, construir un modelo de amenazas, localizar entradas, reunir el código relacionado, generar hipótesis y someterlas a una validación adversarial. El análisis independiente de Atlacis subraya el límite decisivo: Mandiant solo cuenta el hallazgo después de que un consultor reproduce manualmente el exploit con una prueba de concepto funcional.
El análisis empieza con un modelo de amenazas revisado
AVDH no recorre el código buscando patrones peligrosos sin contexto. Primero, un agente Explorer determina la finalidad del repositorio, identifica el tipo de aplicación, revisa la documentación disponible y propone qué directorios deben quedar fuera del análisis. Subagentes especializados estudian áreas como autenticación, autorización y enrutamiento.
Un agente de síntesis integra esos resultados en un modelo de amenazas que representa los componentes expuestos, sus conexiones y los posibles vectores de ataque. En ese punto aparece la primera barrera humana: un consultor revisa las versiones textual y visual antes de autorizar la siguiente etapa. La aprobación importa porque una interpretación errónea de la arquitectura podría ocultar rutas alcanzables o dirigir el análisis hacia código irrelevante.
Con el modelo aprobado, agentes Discovery procesan en paralelo los archivos incluidos y extraen puntos de entrada, como rutas HTTP, interfaces de comunicación entre procesos y otras superficies capaces de recibir datos controlados por un usuario. El resultado de esta fase es un inventario de lugares que requieren examen; todavía no es una lista de vulnerabilidades.
De cada punto de entrada surge una hipótesis, no un veredicto
Cada entrada seleccionada pasa a un agente Enrichment, encargado de reunir el contexto aunque esté repartido entre varios archivos y llamadas anidadas. Busca validadores, comprobaciones de permisos, condiciones de enrutamiento, transformaciones y accesos a almacenamiento. Así evita evaluar una función de forma aislada cuando la defensa —o el fallo— se encuentra en otra parte de la aplicación.
Después, AVDH divide el análisis en dos recorridos. Los agentes de Access Control examinan quién puede alcanzar una operación y plantean problemas como autorizaciones ausentes, escaladas de privilegios o falsificación de solicitudes. Los agentes de Data Flow Analysis siguen los datos aportados por el usuario hasta operaciones sensibles para formular hipótesis sobre inyección SQL, ejecución de comandos, cross-site scripting o recorrido de rutas.
En esta etapa se favorece la amplitud: los agentes realizan poca autovalidación y pueden producir numerosas posibilidades. Un filtro de confianza configurado por el consultor decide cuáles continúan. Por eso, una sospecha generada durante la exploración no equivale a uno de los fallos críticos aceptados en el caso divulgado.
La validación automática termina donde comienza la prueba humana
Las hipótesis que superan el filtro pasan a un grupo distinto de agentes. Varios validadores evalúan cada propuesta de manera independiente y con una configuración orientada a obtener razonamientos diversos. Un agente de síntesis compara sus conclusiones con el modelo de amenazas y clasifica la hipótesis como confirmada, refutada o rechazada.
“Confirmada” todavía es una etiqueta interna de la canalización. Después de deduplicar y calificar el riesgo, Mandiant entrega el candidato a un especialista, que intenta reproducir dinámicamente la explotación, ejecuta código de prueba de concepto y comprueba si algún control compensatorio bloquea el ataque. Si la prueba falla, el candidato se descarta; si funciona, el consultor combina el resultado de la IA con su propio análisis antes de prepararlo para divulgación.
La intervención humana tampoco se limita al final. Las reglas que guían el análisis condensan conocimientos de los consultores sobre lenguajes, frameworks y clases de vulnerabilidad. Mandiant también evalúa cambios en prompts y reglas con repositorios sintéticos privados: especialistas verifican que cada vulnerabilidad insertada sea alcanzable y explotable, y una persona revisa después las calificaciones emitidas por los agentes.
La velocidad está documentada; la precisión global, no
El caso demuestra que la canalización puede reducir con rapidez un espacio de búsqueda grande y entregar candidatos explotables a especialistas. En sus primeros diez meses, AVDH analizó entornos con decenas de millones de líneas de código, ejecutó miles de canalizaciones y generó decenas de miles de resultados; ese trabajo derivó en 12 CVE asignados y aproximadamente otra docena permanecía en divulgación activa cuando se publicó la arquitectura.
Esos datos no constituyen una medición independiente de precisión. No se publicaron el tamaño de los repositorios robados, el número inicial de hipótesis, la distribución de los fallos, la tasa de falsos positivos ni una comparación reproducible con revisores humanos o herramientas comerciales. El examen de Cyber Ivy señala además que el cliente no fue identificado y que el rendimiento general de AVDH carece de un benchmark independiente.
AVDH fue presentado como una arquitectura interna de Mandiant para evaluaciones puntuales y profundas, no como un producto autónomo de disponibilidad general. La publicación describe el método, pero no proporciona los repositorios del incidente, las reglas especializadas ni los datos necesarios para repetir el resultado. Ante sistemas que prometan hallazgos “verificados por IA”, la comparación útil exige precisar:
- qué etapa convierte una hipótesis en un hallazgo reportable;
- si validadores separados intentan refutarla;
- cómo se miden falsos positivos y falsos negativos;
- y si una persona reproduce realmente el exploit.
Por ahora, la conclusión verificable es más estrecha que el titular comercial: AVDH aceleró la búsqueda de vulnerabilidades en un incidente concreto, pero la cifra final dependió de pruebas de concepto ejecutadas por especialistas. Sin métricas públicas comparables ni detalles del repositorio, no es posible separar cuánto aportaron los modelos, la orquestación, las reglas privadas y la revisión humana.
Lee también:
Suscríbete a nuestro boletín
Reciba las últimas noticias sobre Web3, IA y criptomonedas directamente en su bandeja de entrada.