Desarrolladores en más de 300 organizaciones subieron sin saberlo registros de facturación y funcionalidades no lanzadas a repositorios públicos al usar herramientas de IA que pedían capturas de pantalla para revisión de código.
La empresa de seguridad Glow detectó más de 13.000 imágenes internas de empresas alojadas en repositorios públicos de GitHub, producto de un patrón de uso no previsto en agentes de inteligencia artificial para codificación. Las capturas — que incluían registros de facturación de clientes y pantallas de funcionalidades aún no lanzadas — quedaron expuestas bajo cuentas personales de desarrolladores en más de 300 organizaciones. El hallazgo revela una brecha entre cómo están diseñados estos agentes y cómo los equipos de desarrollo los integran en flujos de trabajo reales.
Cómo las capturas de pantalla terminaron en repositorios públicos sin alarmas
Los agentes de IA para codificación solicitan capturas de pantalla de cambios en el código como parte de su proceso de revisión automatizada. Los desarrolladores, siguiendo las instrucciones de la herramienta, subían esas imágenes a repositorios de GitHub — en muchos casos, bajo sus cuentas personales en lugar de las corporativas — sin advertir que el repositorio era público o que las capturas contenían información sensible más allá del fragmento de código que querían revisar.
Glow identificó que la mayoría de las imágenes se encontraban bajo cuentas personales de desarrolladores, no bajo organizaciones corporativas. Esto sugiere que el flujo de trabajo típico involucraba repositorios de prueba o proyectos paralelos donde los controles de visibilidad eran menos estrictos. Las capturas incluían registros de facturación de clientes — datos que en cualquier contexto corporativo deberían estar clasificados como confidenciales — y pantallas de funcionalidades no lanzadas, lo que expone tanto información comercial sensible como posibles vectores de ataque antes de que las características lleguen a producción.
El patrón que ninguna herramienta de prevención de pérdida de datos estaba monitoreando
La exposición no fue resultado de una vulnerabilidad técnica en GitHub ni en los agentes de IA, sino de un flujo de trabajo que ninguna capa de seguridad tradicional estaba diseñada para interceptar. Las herramientas de prevención de pérdida de datos (DLP) corporativas suelen escanear texto en repositorios — credenciales, claves API, números de tarjeta — pero rara vez analizan el contenido de imágenes subidas como parte de commits o issues. Los agentes de IA, por su parte, no incluyen advertencias sobre la sensibilidad de las capturas que solicitan ni validan si el repositorio de destino es público antes de pedir ese tipo de material.
El resultado es una brecha de visibilidad: los desarrolladores asumen que están compartiendo código para revisión, las herramientas de IA asumen que el desarrollador controla la visibilidad del repositorio, y los sistemas de seguridad corporativos no escanean imágenes en busca de datos sensibles. Glow no especificó cuánto tiempo estuvieron expuestas las imágenes antes de ser detectadas, pero el hecho de que se acumularan más de 13.000 capturas sugiere que el patrón se repitió durante meses sin que ninguna organización lo identificara internamente.
Por qué América Latina queda expuesta por la adopción acelerada de herramientas de IA sin políticas de uso
Aunque Glow no desglosó la distribución geográfica de las organizaciones afectadas, el patrón de exposición es especialmente relevante para empresas en América Latina que están adoptando agentes de IA para codificación sin actualizar sus políticas de seguridad en desarrollo. En países como Brasil, México y Argentina — donde startups tecnológicas y equipos de desarrollo distribuidos dependen cada vez más de herramientas de IA para acelerar ciclos de entrega — la falta de controles sobre repositorios personales y la ausencia de escaneo de imágenes en pipelines de CI/CD crea una superficie de exposición que crece más rápido que la capacidad de los equipos de seguridad para auditarla.
El uso de cuentas personales de GitHub para proyectos corporativos — una práctica común en equipos pequeños o en empresas que no han implementado políticas estrictas de separación entre trabajo personal y profesional — amplifica el riesgo. En organizaciones donde los desarrolladores trabajan de forma remota y usan sus propias herramientas, la línea entre un repositorio de prueba personal y un repositorio corporativo se vuelve difusa. Si a eso se suma que muchas empresas en la región no tienen equipos de seguridad dedicados a revisar configuraciones de repositorios ni a monitorear qué datos suben los desarrolladores fuera de los sistemas corporativos, el patrón detectado por Glow es probablemente más extendido de lo que las cifras públicas sugieren.
Qué tendría que cambiar en el diseño de los agentes de IA para evitar que se repita
La solución no pasa por prohibir el uso de agentes de IA para codificación — una medida que sería impracticable dado el ritmo de adopción — sino por rediseñar cómo estas herramientas solicitan y manejan información sensible. Los agentes deberían incluir advertencias explícitas cuando piden capturas de pantalla, validar si el repositorio de destino es público antes de sugerir subir material, y ofrecer alternativas que no impliquen exponer interfaces completas (como compartir solo fragmentos de código en texto plano en lugar de capturas de pantalla de aplicaciones en ejecución).
Del lado corporativo, las organizaciones necesitan extender sus políticas de DLP para incluir análisis de contenido en imágenes subidas a repositorios — una capacidad que ya existe en herramientas de seguridad avanzadas pero que rara vez se activa en contextos de desarrollo. También deberían implementar controles que impidan a los desarrolladores usar cuentas personales para proyectos corporativos, o al menos auditar qué repositorios personales contienen código o datos relacionados con la empresa. Glow no publicó una lista de las organizaciones afectadas, pero el hecho de que hayan sido más de 300 sugiere que el problema no está limitado a un sector o tipo de empresa específico.
Nuestro análisis
Este caso expone una falla de diseño en cómo se están integrando herramientas de IA en flujos de trabajo de desarrollo sin que las capas de seguridad tradicionales se hayan adaptado. No es la primera vez que la adopción acelerada de una tecnología nueva deja brechas de visibilidad — pasó con contenedores, con servicios en la nube, con APIs de terceros — pero la particularidad aquí es que la exposición no proviene de una configuración incorrecta ni de una vulnerabilidad explotada, sino de seguir las instrucciones de la herramienta tal como fueron diseñadas. Los agentes de IA pidieron capturas de pantalla, los desarrolladores las subieron, y ningún sistema intermedio detectó que esas imágenes contenían datos que no deberían estar en un repositorio público.
Lo que todavía no se sabe es cuántas de esas 13.000 imágenes fueron accedidas por terceros antes de que Glow las identificara, ni si alguna organización ya había detectado el patrón internamente y tomado medidas sin hacerlo público. Tampoco está claro si los proveedores de agentes de IA van a modificar sus flujos de trabajo en respuesta a este hallazgo, o si van a dejar la responsabilidad enteramente del lado de las organizaciones que los usan. ¿Qué pasaría si en lugar de capturas de pantalla, el próximo patrón de exposición involucrara grabaciones de sesiones completas de desarrollo compartidas con modelos de IA en la nube?