Anthropic reportó que 21,119 hallazgos de su modelo de IA permanecen sin verificación externa por falta de personal de seguridad disponible.
Anthropic utilizó Claude Mythos Preview para analizar 281 proyectos de código abierto y generó 23,019 vulnerabilidades candidatas. De ese total, firmas de seguridad externas revisaron apenas 1,900 hallazgos — el 8% del conjunto. Los mantenedores de proyectos recibieron 1,596 reportes, reconocieron 1,451 como válidos, implementaron 97 correcciones en producción y publicaron 88 advisories de seguridad. Los datos están actualizados al 22 de mayo de 2026. Las 21,119 vulnerabilidades candidatas restantes nunca fueron revisadas por nadie fuera de Anthropic. La compañía atribuye la brecha directamente a la escasez de personal de seguridad disponible para verificar el trabajo del modelo.
El cuello de botella está en la verificación humana, no en la detección automatizada
Claude Mythos Preview demostró capacidad para generar volúmenes de hallazgos que superan por órdenes de magnitud la capacidad de procesamiento de los equipos de seguridad tradicionales. La proporción de 23,019 candidatos contra 1,900 revisiones externas revela que el problema no es técnico — el modelo puede escanear y señalar posibles fallas a escala — sino operativo: no hay suficientes analistas humanos para validar cada señal. Anthropic no publicó la tasa de falsos positivos del modelo, dato crítico para evaluar si los 21,119 hallazgos sin revisar representan riesgo real o ruido estadístico. Sin esa métrica, los mantenedores de proyectos enfrentan una decisión imposible: ignorar 21,000 alertas potencialmente válidas o desviar recursos escasos a validar un conjunto de señales cuya precisión se desconoce.
La cadena de validación se rompió en tres puntos distintos
De los 1,900 hallazgos que llegaron a revisión externa, 1,596 se convirtieron en reportes formales a mantenedores — una pérdida del 16% en el filtro de las firmas de seguridad. Los mantenedores reconocieron 1,451 de esos 1,596 reportes como vulnerabilidades legítimas, lo que implica una tasa de aceptación del 91% en esta etapa. Pero solo 97 correcciones llegaron a producción, un 6.7% del total reconocido. La brecha entre reconocimiento (1,451) y remediación (97) sugiere que validar una vulnerabilidad no garantiza que se corrija: los mantenedores pueden carecer de tiempo, presupuesto o expertise para implementar el fix, especialmente en proyectos de código abierto mantenidos por voluntarios. Los 88 advisories publicados representan apenas el 6% de las vulnerabilidades reconocidas, lo que indica que la mayoría de las fallas confirmadas nunca se documentaron públicamente.
América Latina depende de proyectos open source sin recursos para procesar este volumen de alertas
Los 281 proyectos analizados por Anthropic no fueron identificados públicamente, pero la infraestructura crítica en Argentina, Brasil, Chile, Colombia y México depende estructuralmente de componentes de código abierto — desde bibliotecas de criptografía hasta frameworks web — que operan con equipos de mantenimiento reducidos o inexistentes. Si alguno de esos proyectos está en la lista de Anthropic y tiene vulnerabilidades sin revisar entre las 21,119 pendientes, los sistemas que los integran en la región están expuestos a fallas conocidas por un modelo de IA pero desconocidas para los equipos de seguridad locales. La escasez de personal de seguridad que Anthropic reporta como causa de la brecha de revisión es estructuralmente más aguda en América Latina, donde el déficit de profesionales certificados en ciberseguridad supera el 60% según estimaciones regionales de 2025. Esto significa que incluso si los hallazgos de Claude Mythos llegaran a mantenedores latinoamericanos, la capacidad local para validarlos y remediarlos es proporcionalmente menor que en mercados con mayor densidad de talento especializado.
Anthropic no publicó criterios de priorización ni tasa de precisión del modelo
La compañía no detalló cómo seleccionó los 1,900 hallazgos que fueron a revisión externa ni qué criterios aplicó para priorizar esos candidatos sobre los 21,119 restantes. Tampoco publicó la tasa de falsos positivos de Claude Mythos Preview — el porcentaje de vulnerabilidades candidatas que, tras revisión humana, resultaron no ser explotables o no representar riesgo real. Esa métrica determina si los 21,119 hallazgos sin revisar son un backlog de riesgo acumulado o un conjunto mayoritariamente compuesto por señales incorrectas. Sin datos de precisión, los mantenedores de proyectos no pueden estimar el costo-beneficio de procesar alertas generadas por el modelo. La ausencia de un marco de priorización público también impide que terceros repliquen o auditen el proceso: no hay forma de saber si los hallazgos más críticos fueron revisados primero o si la selección respondió a otros factores.
Nuestro análisis
El caso de Claude Mythos expone una paradoja operativa: la IA puede detectar vulnerabilidades más rápido de lo que los humanos pueden validarlas, pero sin validación humana, los hallazgos no tienen valor accionable. Anthropic generó 23,019 señales y solo pudo procesar 8% con recursos externos — una proporción que replica el patrón de otros experimentos de detección automatizada a gran escala, donde el volumen de output supera la capacidad de triage disponible. La diferencia crítica aquí es que Anthropic atribuyó explícitamente la brecha a escasez de personal, no a limitaciones del modelo, lo que sugiere que Claude Mythos tiene capacidad técnica para operar a esta escala pero el ecosistema de seguridad no tiene infraestructura humana equivalente. La tasa de reconocimiento del 91% en los hallazgos que llegaron a mantenedores indica que el modelo tiene precisión alta cuando sus señales son revisadas, pero esa métrica solo cubre el 8% del conjunto total — no sabemos si los 21,119 candidatos sin revisar tienen la misma calidad.
El dato más revelador es la brecha entre vulnerabilidades reconocidas (1,451) y correcciones implementadas (97): solo el 6.7% de las fallas confirmadas fue remediado. Esto replica un patrón documentado en estudios previos de gestión de vulnerabilidades en código abierto, donde el cuello de botella no está en descubrir fallas sino en conseguir que alguien las corrija. Si Claude Mythos puede generar 23,000 hallazgos pero el ecosistema solo puede remediar 97, el modelo no está resolviendo el problema de seguridad — está documentando su magnitud. La pregunta que Anthropic no respondió es si planea liberar los 21,119 hallazgos sin revisar de forma pública: ¿deberían los mantenedores de proyectos recibir alertas que nadie validó, sabiendo que carecen de recursos para procesarlas?