OWASP Top 10 para aplicaciones de LLM 2026: los 10 riesgos explicados
Actualizado el November 19, 20268 min de lectura
El OWASP Top 10 para aplicaciones de LLM es la lista del OWASP GenAI Security Project con los riesgos de seguridad más críticos para las aplicaciones basadas en grandes modelos de lenguaje (LLM). La edición de 2026 se publicó en agosto de 2026 (su página de recursos tiene fecha del 3 de agosto) y se anunció el 1 de septiembre de 2026. Esta guía enumera las diez categorías con sus identificadores oficiales, explica brevemente cada una, propone un control práctico por categoría y resume qué ha cambiado desde 2025.
La carta de presentación de los responsables del proyecto marca el tono: «Deja de intentar construir un modelo al que no se pueda engañar. Construye el sistema a su alrededor para que, cuando el modelo sea engañado, que lo será, no se rompa nada importante».
Cómo se elaboró la lista de 2026
Las ediciones anteriores se basaban en el criterio de los profesionales. Para 2026, OWASP también contrastó la votación de la comunidad con un corpus de 7714 incidentes reales procedentes de bases de datos públicas de vulnerabilidades y de una base de datos de daños causados por la IA, de los que 6639 tenían el detalle suficiente para clasificarlos. La votación aporta tres cuartas partes del peso y los datos de incidentes, una cuarta parte. Ambas fuentes no siempre coincidieron: si se ordena por el número bruto de incidentes, la inyección de prompts queda fuera del top 10, algo que OWASP atribuye a un «efecto defensa», ya que los equipos la combaten con ahínco y llegan menos exploits claros a las bases de datos públicas. Con Misinformation ocurrió lo contrario: los votantes la situaron cerca del final, el historial de incidentes cerca del principio, y los datos la subieron al séptimo puesto.
La lista de 2026 de un vistazo
| Categoría de 2026 | Puesto en 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 (como System Prompt Leakage) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
Los puestos de 2025 proceden de la lista de 2025 de OWASP.
LLM01:2026 Prompt Injection (inyección de prompts)
Entradas que cambian el comportamiento del modelo de formas que el desarrollador no pretendía, tanto si proceden de un usuario como de un documento, del resultado de una herramienta, de una imagen o de la memoria. La categoría cubre ahora los ataques intermodales que ocultan instrucciones en imágenes o en audio. Control: mantén las credenciales y las acciones que cambian el estado en el código de la aplicación, y da al modelo el mínimo privilegio en cada operación. Nuestra guía sobre la inyección de prompts trata esta categoría en profundidad.
LLM02:2026 Sensitive Information Disclosure (divulgación de información sensible)
Fugas de datos confidenciales o regulados por cualquier canal: la respuesta, los argumentos de las llamadas a herramientas, las trazas de razonamiento, los fragmentos recuperados, los logs o los embeddings. OWASP señala que compartir en exceso en origen, por ejemplo con unidades compartidas sin restricciones de acceso que alimentan un índice de generación aumentada por recuperación (RAG), es uno de los dos fallos que hay detrás de la mayoría de los incidentes. Control: autoriza antes de recuperar, aplicando el control de acceso por documento y por fragmento dentro de la propia consulta al índice.
LLM03:2026 Excessive Agency (agencia excesiva)
Acciones dañinas en respuesta a salidas del modelo inesperadas, ambiguas o manipuladas. Las causas de fondo son el exceso de funcionalidad, de permisos o de autonomía. En los sistemas agénticos, según OWASP, puede manifestarse como uso indebido de herramientas, abuso de identidad y privilegios o fallos en cascada. Control: reduce al mínimo las herramientas y sus permisos (una herramienta que resume correos solo necesita leerlos) y exige aprobación humana para las acciones de alto impacto.
LLM04:2026 Supply Chain (cadena de suministro)
Riesgos en modelos, conjuntos de datos y adaptadores de terceros como LoRA, en pipelines de conversión y en paquetes, incluido el «slopsquatting», en el que los atacantes registran nombres de paquetes que los asistentes de código alucinan. Control: fija los artefactos del modelo por su digest inmutable en lugar de por una etiqueta mutable, verifica las firmas y comprueba que las dependencias sugeridas por la IA existen antes de instalarlas.
LLM05:2026 Data and Model Poisoning (envenenamiento de datos y modelos)
Datos o artefactos de modelo manipulados que introducen puertas traseras o sesgos durante el preentrenamiento, el ajuste fino, la generación de embeddings o la distribución. Envenenar puede salir barato: Souly et al. (2025) comprobaron que 250 documentos envenenados comprometían modelos de 600 millones a 13 mil millones de parámetros, con independencia del tamaño del conjunto de datos. Control: registra el linaje de datos y modelos, versiona tus conjuntos de datos y trata las plantillas de chat, las configuraciones del tokenizador y los adaptadores como código que debe firmarse y verificarse.
LLM06:2026 Unbounded Consumption (consumo ilimitado)
Inferencia descontrolada que provoca caídas del servicio, costes desbocados («denial of wallet») o el robo del modelo mediante extracción. Los modelos de razonamiento, las entradas multimodales y los bucles de herramientas de los agentes lo agravan. Control: topes de gasto estrictos que detengan la inferencia, además de circuit breakers para agentes con límites de pasos, de recursión, de tiempo y de coste por ejecución.
LLM07:2026 Misinformation (información errónea)
Salidas incorrectas o sin fundamento que parecen lo bastante creíbles como para actuar en consecuencia. En los sistemas agénticos, una respuesta errónea se convierte en una acción errónea, como un agente que informa de que se hizo una copia de seguridad que nunca llegó a ejecutarse. Control: un patrón «claim-check-act» (afirmar, comprobar, actuar) que separe la generación de la ejecución y verifique las afirmaciones y las condiciones previas antes de actuar.
LLM08:2026 Hidden Context Exposure (exposición del contexto oculto)
Extracción o reconstrucción del contexto oculto: prompts de sistema, instrucciones del desarrollador, texto de políticas recuperado y esquemas de herramientas. OWASP aconseja dar por hecho que el contexto oculto se puede descubrir. Control: no incluyas en él credenciales ni secretos, y aplica la autorización en código determinista, fuera del modelo.
LLM09:2026 Vector and Embedding Weaknesses (debilidades de vectores y embeddings)
Ataques a la capa de embeddings en la que se apoyan el RAG, la memoria de los agentes y las cachés semánticas. En palabras de OWASP, «el envenenamiento hace que el sistema se equivoque, la inversión hace que filtre datos, la interferencia lo deja mudo y el fallo del control de acceso lo vuelve indiscriminado». Control: aplica el aislamiento por inquilino (tenant) dentro de la consulta al índice, no como filtro posterior a la recuperación, y guarda el contenido de distintos niveles de confianza en índices separados.
LLM10:2026 Improper Output Handling (manejo inadecuado de la salida)
Pasar la salida del modelo a otros sistemas sin validarla, lo que puede provocar XSS, inyección SQL, SSRF o ejecución remota de código. Ahora también abarca el código inseguro que los asistentes generan a gran escala. Control: trata la salida del modelo como una entrada de usuario: codifícala según su contexto, usa consultas parametrizadas y desactiva la renderización automática de imágenes Markdown y de vistas previas de enlaces.
Qué ha cambiado desde la edición de 2025
OWASP afirma que el orden «se ha movido más que en años anteriores». Los principales cambios:
- Excessive Agency subió del sexto al tercer puesto, lo que OWASP califica como «el movimiento con más consecuencias de la lista».
- Unbounded Consumption subió cuatro puestos, e Improper Output Handling fue la que más cayó, del quinto al décimo.
- Prompt Injection y Sensitive Information Disclosure mantuvieron los dos primeros puestos.
- System Prompt Leakage pasó a ser Hidden Context Exposure, una categoría más amplia.
- Las categorías existentes absorbieron riesgos más recientes en lugar de crearse categorías nuevas: la inyección intermodal, los artefactos de modelo que no son lo que dicen ser, la subversión del ajuste fino y el código generado inseguro.
- Las correspondencias con marcos de referencia (NIST, MITRE ATLAS, CWE y otros) se han reunido en un único apéndice.
OWASP también traza un límite más claro. Esta lista cubre el modelo como componente de tu aplicación. En cuanto el modelo se convierte en un actor con herramientas, memoria y consecuencias en otros sistemas, OWASP recomienda combinarla con el OWASP Top 10 para aplicaciones agénticas, que nuestra guía sobre cómo proteger agentes de IA explica en detalle.
Cómo usar la lista en tu equipo
El consejo de OWASP es «trabajar los diez, empezando por arriba». En la práctica:
- Repasa las diez categorías cuando diseñes o revises una función de LLM, y anota dónde está expuesta.
- Convierte cada control en un ticket con un responsable, y vuelve a probar después de las correcciones.
- Etiqueta los hallazgos con los ID de las categorías para que desarrolladores, ingenieros de seguridad y product owners compartan un mismo vocabulario.
- Prueba solo sistemas que sean tuyos o que tengas permiso por escrito para probar, y comprueba que las condiciones de tu proveedor del modelo permiten las pruebas de seguridad.
El proyecto final del curso a tu ritmo Seguridad de la IA: protección de aplicaciones de LLM y agentes de IA, «Atacar, corregir y volver a probar un agente de IA», termina con un informe de seguridad que relaciona cada hallazgo con las listas de OWASP.
Siguientes pasos
Empieza por la categoría que encabeza la lista: nuestra guía sobre qué es la inyección de prompts explica los ataques directos e indirectos y las defensas por capas. Si tu aplicación recupera documentos, fíjate bien en LLM02 y LLM09, que tratan los permisos de recuperación y la capa de embeddings; AI Engineer: introducción a RAG y a la búsqueda es un curso a tu ritmo relacionado.
Una forma estructurada de desarrollar estas habilidades es el curso Seguridad de la IA: protección de aplicaciones de LLM y agentes de IA: a tu ritmo, de nivel intermedio y de 40 horas, para desarrolladores, ingenieros de IA y profesionales de la seguridad que crean o prueban funciones de IA.

Aprende habilidades tecnológicas online con Code Labs Academy
Únete a una comunidad que te apoya, desbloquea tu potencial y da impulso a tu carrera.
Solicita plaza