OWASP Top 10 per a aplicacions d'LLM 2026: els 10 riscos explicats
Actualitzat a November 19, 20268 minuts de lectura
L'OWASP Top 10 per a aplicacions d'LLM és la llista de l'OWASP GenAI Security Project amb els riscos de seguretat més crítics per a les aplicacions basades en grans models de llenguatge (LLM). L'edició de 2026 es va publicar l'agost de 2026 (la seva pàgina de recursos té data del 3 d'agost) i es va anunciar l'1 de setembre de 2026. Aquesta guia enumera les deu categories amb els seus identificadors oficials, explica breument cadascuna, proposa un control pràctic per categoria i resumeix què ha canviat des de 2025.
La carta de presentació dels responsables del projecte marca el to: «Deixa d'intentar construir un model que no es pugui enganyar. Construeix el sistema al seu voltant perquè, quan el model sigui enganyat, que ho serà, no es trenqui res important».
Com es va elaborar la llista de 2026
Les edicions anteriors es basaven en el criteri dels professionals. Per a l'edició de 2026, l'OWASP també va contrastar la votació de la comunitat amb un corpus de 7714 incidents reals procedents de bases de dades públiques de vulnerabilitats i d'una base de dades de danys causats per la IA, dels quals 6639 tenien prou detall per classificar-los. La votació aporta tres quartes parts del pes, i les dades d'incidents, una quarta part. Les dues fonts no sempre van coincidir: si s'ordena pel nombre brut d'incidents, la injecció de prompts queda fora del top 10, cosa que l'OWASP atribueix a un «efecte defensa», ja que els equips la combaten a fons i arriben menys exploits clars a les bases de dades públiques. Amb Misinformation va passar el contrari: els votants la van situar a prop del final, l'historial d'incidents a prop del principi, i les dades la van fer pujar fins al setè lloc.
La llista de 2026 d'un cop d'ull
| Categoria de 2026 | Posició el 2025 |
|---|---|
| LLM01:2026 Prompt Injection | 1 |
| LLM02:2026 Sensitive Information Disclosure | 2 |
| LLM03:2026 Excessive Agency | 6 |
| LLM04:2026 Supply Chain | 3 |
| LLM05:2026 Data and Model Poisoning | 4 |
| LLM06:2026 Unbounded Consumption | 10 |
| LLM07:2026 Misinformation | 9 |
| LLM08:2026 Hidden Context Exposure | 7 (com a System Prompt Leakage) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
Les posicions de 2025 provenen de la llista de 2025 de l'OWASP.
LLM01:2026 Prompt Injection (injecció de prompts)
Entrades que canvien el comportament del model de maneres que el desenvolupador no pretenia, tant si provenen d'un usuari com d'un document, del resultat d'una eina, d'una imatge o de la memòria. Ara la categoria també cobreix els atacs intermodals que amaguen instruccions en imatges o en àudio. Control: mantén les credencials i les accions que canvien l'estat al codi de l'aplicació, i dona al model el mínim privilegi en cada operació. La nostra guia sobre la injecció de prompts tracta aquesta categoria a fons.
LLM02:2026 Sensitive Information Disclosure (divulgació d'informació sensible)
Filtracions de dades confidencials o regulades per qualsevol canal: la resposta, els arguments de les crides a eines, les traces de raonament, els fragments recuperats, els registres o els embeddings. L'OWASP assenyala que compartir en excés a l'origen, com ara unitats compartides sense restriccions d'accés que alimenten un índex de generació augmentada per recuperació (RAG), és una de les dues fallades que hi ha darrere de la majoria d'incidents. Control: autoritza abans de recuperar, aplicant el control d'accés per document i per fragment dins de la mateixa consulta a l'índex.
LLM03:2026 Excessive Agency (agència excessiva)
Accions perjudicials en resposta a sortides del model inesperades, ambigües o manipulades. Les causes de fons són l'excés de funcionalitat, de permisos o d'autonomia. En els sistemes agèntics, segons l'OWASP, es pot manifestar com a ús indegut d'eines, abús d'identitat i de privilegis o fallades en cascada. Control: redueix al mínim les eines i els seus permisos (una eina que resumeix correus només necessita llegir-los) i exigeix aprovació humana per a les accions d'alt impacte.
LLM04:2026 Supply Chain (cadena de subministrament)
Riscos en models, conjunts de dades i adaptadors de tercers com LoRA, en pipelines de conversió i en paquets, inclòs el que es coneix com a «slopsquatting», en què els atacants registren noms de paquets que els assistents de codi al·lucinen. Control: fixa els artefactes del model pel seu digest immutable en lloc d'una etiqueta mutable, verifica les signatures i comprova que les dependències suggerides per la IA existeixen abans d'instal·lar-les.
LLM05:2026 Data and Model Poisoning (enverinament de dades i de models)
Dades o artefactes de model manipulats que introdueixen portes del darrere o biaixos durant el preentrenament, l'ajust fi, la generació d'embeddings o la distribució. Enverinar pot sortir barat: Souly et al. (2025) van comprovar que 250 documents enverinats comprometien models de 600 milions a 13 mil milions de paràmetres, independentment de la mida del conjunt de dades. Control: fes un seguiment del llinatge de les dades i dels models, versiona els teus conjunts de dades i tracta les plantilles de xat, les configuracions del tokenitzador i els adaptadors com a codi que s'ha de signar i verificar.
LLM06:2026 Unbounded Consumption (consum il·limitat)
Inferència descontrolada que provoca caigudes del servei, costos desbocats («denial of wallet») o el robatori del model per extracció. Els models de raonament, les entrades multimodals i els bucles d'eines dels agents l'agreugen. Control: límits de despesa estrictes que aturin la inferència, a més de circuit breakers per als agents amb límits de passos, de recursió, de temps i de cost per execució.
LLM07:2026 Misinformation (informació errònia)
Sortides incorrectes o sense fonament que semblen prou creïbles perquè s'actuï en conseqüència. En els sistemes agèntics, una resposta errònia es converteix en una acció errònia, com ara un agent que informa que s'ha fet una còpia de seguretat que no s'ha executat mai. Control: un patró «claim-check-act» (afirmar, comprovar, actuar) que separi la generació de l'execució i verifiqui les afirmacions i les condicions prèvies abans d'actuar.
LLM08:2026 Hidden Context Exposure (exposició del context ocult)
Extracció o reconstrucció del context ocult: prompts de sistema, instruccions del desenvolupador, text de polítiques recuperat i esquemes d'eines. L'OWASP aconsella donar per fet que el context ocult es pot descobrir. Control: no hi incloguis credencials ni secrets, i aplica l'autorització en codi determinista, fora del model.
LLM09:2026 Vector and Embedding Weaknesses (febleses dels vectors i els embeddings)
Atacs a la capa d'embeddings en què es basen el RAG, la memòria dels agents i les memòries cau semàntiques. En paraules de l'OWASP, «l'enverinament fa que el sistema s'equivoqui, la inversió fa que filtri dades, la interferència el deixa mut i la fallada del control d'accés el torna indiscriminat». Control: aplica l'aïllament per inquilí (tenant) dins de la consulta a l'índex, no com un filtre posterior a la recuperació, i desa el contingut de nivells de confiança diferents en índexs separats.
LLM10:2026 Improper Output Handling (gestió inadequada de la sortida)
Passar la sortida del model a altres sistemes sense validar-la, cosa que pot provocar XSS, injecció SQL, SSRF o execució remota de codi. Ara també abasta el codi insegur que els assistents generen a gran escala. Control: tracta la sortida del model com una entrada d'usuari: codifica-la segons el context, fes servir consultes parametritzades i desactiva la renderització automàtica d'imatges Markdown i de previsualitzacions d'enllaços.
Què ha canviat respecte a l'edició de 2025
L'OWASP afirma que l'ordre «s'ha mogut més que en anys anteriors». Els canvis principals:
- Excessive Agency ha pujat del sisè al tercer lloc, cosa que l'OWASP qualifica com «el moviment amb més conseqüències de la llista».
- Unbounded Consumption ha pujat quatre posicions, i Improper Output Handling és la que més ha baixat, del cinquè al desè lloc.
- Prompt Injection i Sensitive Information Disclosure han mantingut els dos primers llocs.
- System Prompt Leakage s'ha convertit en Hidden Context Exposure, una categoria més àmplia.
- Les categories existents han absorbit riscos més recents en lloc de crear-ne de noves: la injecció intermodal, els artefactes de model que no són el que diuen ser, la subversió de l'ajust fi i el codi generat insegur.
- Les correspondències amb marcs de referència (NIST, MITRE ATLAS, CWE i altres) s'han reunit en un únic annex.
L'OWASP també traça un límit més clar. Aquesta llista cobreix el model com a component de la teva aplicació. Quan el model es converteix en un actor amb eines, memòria i conseqüències en altres sistemes, l'OWASP recomana combinar-la amb l'OWASP Top 10 per a aplicacions agèntiques, que la nostra guia sobre com protegir agents d'IA explica amb detall.
Com fer servir la llista al teu equip
El consell de l'OWASP és «treballar els deu, començant per dalt». A la pràctica:
- Repassa les deu categories quan dissenyis o revisis una funció d'LLM, i anota on està exposada.
- Converteix cada control en un tiquet amb un responsable, i torna a provar després de les correccions.
- Etiqueta les troballes amb els ID de les categories perquè desenvolupadors, enginyers de seguretat i product owners comparteixin un mateix vocabulari.
- Prova només sistemes que siguin teus o que tinguis permís per escrit per provar, i comprova que les condicions del teu proveïdor del model permeten les proves de seguretat.
El projecte final del curs al teu ritme Seguretat de la IA: protecció d'aplicacions d'LLM i agents d'IA, «Atacar, corregir i tornar a provar un agent d'IA», acaba amb un informe de seguretat que relaciona cada troballa amb les llistes de l'OWASP.
Següents passos
Comença per la categoria que encapçala la llista: la nostra guia sobre què és la injecció de prompts explica els atacs directes i indirectes i les defenses per capes. Si la teva aplicació recupera documents, fixa't bé en LLM02 i LLM09, que tracten els permisos de recuperació i la capa d'embeddings; AI Engineer: introducció al RAG i la cerca és un curs relacionat, també al teu ritme.
Una manera estructurada de desenvolupar aquestes habilitats és el curs Seguretat de la IA: protecció d'aplicacions d'LLM i agents d'IA: al teu ritme, de nivell intermedi i de 40 hores, per a desenvolupadors, enginyers d'IA i professionals de la seguretat que creen o proven funcions d'IA.

Apreneu habilitats tècniques en línia amb Code Labs Academy
Uniu-vos a la nostra comunitat de suport, desbloquegeu el vostre potencial i emprengueu una trajectòria professional gratificant.
Sol·liciteu ara