LLM aplikazioetarako OWASP Top 10 2026: 10 arriskuak azalduta
Eguneratua November 19, 20266 Irakurri minutuak
LLM aplikazioetarako OWASP Top 10 zerrenda OWASP GenAI Security Project-ena da, eta hizkuntza-eredu handietan (LLM) oinarritutako aplikazioen segurtasun-arrisku larrienak biltzen ditu. 2026ko edizioa 2026ko abuztuan argitaratu zen (haren baliabide-orriak abuztuaren 3ko data du), eta 2026ko irailaren 1ean iragarri zen. Gida honek hamar kategoriak zerrendatzen ditu beren ID ofizialekin, bakoitza laburki azaltzen du, kontrol praktiko bat proposatzen du kategoria bakoitzeko eta 2025etik zer aldatu den laburbiltzen du.
Proiektuko arduradunen hasierako gutunak ezartzen du tonua: «Utzi engainatu ezin den eredu bat eraikitzen saiatzeari. Eraiki sistema haren inguruan, ereduari iruzur egiten diotenean (eta egingo diote) ezer garrantzitsurik hautsi ez dadin».
Nola osatu zen 2026ko zerrenda
Aurreko edizioak profesionalen irizpidean oinarritzen ziren. 2026rako, OWASPek komunitatearen bozketa ere kontrastatu zuen benetako 7714 gertakariko corpus batekin, ahultasunen datu-base publikoetatik eta AIak eragindako kalteen datu-base batetik bildua; horietatik 6639k zuten sailkatzeko adina xehetasun. Bozketak pisuaren hiru laurden ditu, eta gertakarien datuek laurden bat. Biak ez zetozen beti bat: gertakarien kopuru gordinaren arabera ordenatuz gero, prompt injekzioa top 10etik kanpo geratzen da, eta OWASPek «defentsa-efektu» bati egozten dio hori: taldeek gogor egiten diote aurre, eta, beraz, ustiapen argi gutxiago iristen dira datu-base publikoetara. Misinformation kategoriarekin alderantziz gertatu zen: bozkatzaileek azkenetik gertu jarri zuten, gertakarien historialak hasieratik gertu, eta datuek zazpigarren postura igo zuten.
2026ko zerrenda begirada batean
| 2026ko kategoria | 2025eko postua |
|---|---|
| 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 (System Prompt Leakage izenarekin) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
2025eko postuak OWASPen 2025eko zerrendatik hartu dira.
LLM01:2026 Prompt Injection (prompt injekzioa)
Ereduaren portaera garatzaileak nahi ez zuen moduan aldatzen duen edozein sarrera, berdin dio erabiltzaile batengandik, dokumentu batetik, tresna baten emaitzatik, irudi batetik edo memoriatik datorren. Kategoriak orain irudietan edo audioan jarraibideak ezkutatzen dituzten eraso intermodalak ere hartzen ditu. Kontrola: gorde kredentzialak eta egoera aldatzen duten ekintzak aplikazioaren kodean, eta eman ereduari gutxieneko pribilegioa eragiketa bakoitzean. Prompt injekzioari buruzko gure gidak sakon lantzen du kategoria hau.
LLM02:2026 Sensitive Information Disclosure (informazio sentikorra agerian uztea)
Datu konfidentzialak edo arautuak edozein kanaletatik isurtzea: erantzuna, tresna-deien argumentuak, arrazoiketa-arrastoak, berreskuratutako zatiak, erregistroak edo embeddingak. OWASPek dioenez, gertakari gehienen atzean dauden bi hutsegiteetako bat jatorrian gehiegi partekatzea da, hala nola sarbide-mugarik gabeko unitate partekatuek berreskurapenarekin areagotutako sorkuntzako (RAG) indize bat elikatzea. Kontrola: baimendu berreskuratu aurretik, dokumentu- eta zati-mailako sarbide-kontrola indizeari egindako kontsultaren beraren barruan aplikatuz.
LLM03:2026 Excessive Agency (gehiegizko autonomia)
Ereduaren ustekabeko, anbiguo edo manipulatutako irteeren ondorioz egindako ekintza kaltegarriak. Oinarrizko kausak funtzionalitate, baimen edo autonomia gehiegi dira. Sistema agentikoetan, OWASPen arabera, tresnen erabilera desegoki gisa, identitatearen eta pribilegioen gehiegikeria gisa edo hutsegite kateatu gisa ager daiteke. Kontrola: murriztu tresnak eta haien baimenak gutxienekora (mezu elektronikoak laburtzen dituen tresna batek irakurtzeko baimena baino ez du behar) eta eskatu giza onespena eragin handiko ekintzetarako.
LLM04:2026 Supply Chain (hornikuntza-katea)
Hirugarrenen ereduetan, datu-multzoetan eta egokitzaileetan (LoRA, adibidez), bihurketa-pipelineetan eta paketeetan dauden arriskuak, «slopsquatting» delakoa barne: erasotzaileek kode-laguntzaileek haluzinatzen dituzten pakete-izenak erregistratzen dituzte. Kontrola: finkatu ereduaren artefaktuak digest aldaezin baten bidez, ez etiketa aldakor baten bidez, egiaztatu sinadurak eta ziurtatu AIak iradokitako mendekotasunak existitzen direla instalatu aurretik.
LLM05:2026 Data and Model Poisoning (datuak eta ereduak pozoitzea)
Aurre-entrenamenduan, doikuntza finean, embeddingak sortzean edo banaketan atzeko ateak edo alborapenak txertatzen dituzten datu edo eredu-artefaktu manipulatuak. Pozoitzea merkea izan daiteke: Souly et al. (2025) lanaren egileek aurkitu zuten 250 dokumentu pozoituk 600 milioi eta 13 mila milioi parametro arteko ereduak arriskuan jartzen zituztela, datu-multzoaren tamaina edozein zela ere. Kontrola: jarraitu datuen eta ereduen jatorriaren arrastoari, bertsionatu zure datu-multzoak eta tratatu txat-txantiloiak, tokenizatzailearen konfigurazioak eta egokitzaileak sinatu eta egiaztatu beharreko kode gisa.
LLM06:2026 Unbounded Consumption (mugarik gabeko kontsumoa)
Zerbitzu-etenak, kostu neurrigabeak («denial of wallet») edo ereduaren lapurreta erauzketa bidez eragiten dituen inferentzia kontrolik gabea. Arrazoiketa-ereduek, sarrera multimodalek eta agenteen tresna-begiztek larriagotu egiten dute. Kontrola: inferentzia geldiarazten duten gastu-muga zorrotzak, eta agenteentzako etengailuak (circuit breakers), urratsen, errekurtsioaren, denboraren eta exekuzio bakoitzeko kostuaren mugekin.
LLM07:2026 Misinformation (informazio okerra)
Haren arabera jarduteko bezain sinesgarria dirudien irteera oker edo oinarririk gabea. Sistema agentikoetan, erantzun oker bat ekintza oker bihurtzen da; adibidez, agente batek babeskopia bat egin dela jakinarazten du, inoiz egin ez denean. Kontrola: «claim-check-act» eredua (baieztatu, egiaztatu, jardun), sorkuntza eta exekuzioa bereizten dituena eta baieztapenak eta aurrebaldintzak egiaztatzen dituena jardun aurretik.
LLM08:2026 Hidden Context Exposure (testuinguru ezkutuaren esposizioa)
Testuinguru ezkutua erauztea edo berreraikitzea: sistema-promptak, garatzailearen jarraibideak, berreskuratutako politika-testuak eta tresna-eskemak. OWASPek gomendatzen du ontzat ematea testuinguru ezkutua aurki daitekeela. Kontrola: ez jarri bertan kredentzialik edo sekreturik, eta aplikatu baimenak kode deterministan, eredutik kanpo.
LLM09:2026 Vector and Embedding Weaknesses (bektoreen eta embeddingen ahuleziak)
RAGaren, agenteen memoriaren eta cache semantikoen oinarrian dagoen embedding-geruzaren aurkako erasoak. OWASPen hitzetan, «pozoitzeak sistema okertzen du, inbertsioak isurketak eragiten ditu, interferentziak isilarazi egiten du eta sarbide-kontrolaren hutsegiteak bereizketarik gabe jokatzera eramaten du». Kontrola: aplikatu maizter bakoitzeko (tenant) isolamendua indizeari egindako kontsultaren barruan, ez berreskurapenaren ondoren aplikatzen den iragazki gisa, eta gorde konfiantza-maila desberdineko edukiak indize bereizietan.
LLM10:2026 Improper Output Handling (irteeraren kudeaketa desegokia)
Ereduaren irteera beste sistemetara balidatu gabe pasatzea; horrek XSS, SQL injekzioa, SSRF edo urruneko kode-exekuzioa ekar ditzake. Orain laguntzaileek eskala handian sortzen duten kode ez-segurua ere hartzen du. Kontrola: tratatu ereduaren irteera erabiltzailearen sarrera bat bezala: kodetu testuinguruaren arabera, erabili kontsulta parametrizatuak eta desaktibatu Markdown irudien eta esteken aurrebisten errendatze automatikoa.
Zer aldatu da 2025eko ediziotik
OWASPek dioenez, ordena «aurreko urteetan baino gehiago mugitu da». Aldaketa nagusiak:
- Excessive Agency seigarren postutik hirugarrenera igo da, eta OWASPek «zerrendako ondorio handieneko mugimendua» deitzen dio.
- Unbounded Consumption lau postu igo da, eta Improper Output Handling izan da gehien jaitsi dena, bosgarrenetik hamargarrenera.
- Prompt Injection eta Sensitive Information Disclosure kategoriek lehen bi postuei eutsi diete.
- System Prompt Leakage Hidden Context Exposure bihurtu da, kategoria zabalago bat.
- Lehendik zeuden kategoriek arrisku berriagoak xurgatu dituzte, kategoria berriak gehitu beharrean: injekzio intermodala, diotena ez diren eredu-artefaktuak, doikuntza finaren iruzurrezko erabilera eta sortutako kode ez-segurua.
- Esparruekiko loturak (NIST, MITRE ATLAS, CWE eta beste batzuk) eranskin bakar batera eraman dira.
OWASPek muga argiagoa ere ezartzen du. Zerrenda honek eredua zure aplikazioaren osagai gisa hartzen du. Eredua tresnak, memoria eta beste sistemetan ondorioak dituen eragile bihurtzen denean, OWASPek aplikazio agentikoetarako OWASP Top 10 zerrendarekin batera erabiltzeko esaten du, eta AI agenteak nola babestu azaltzen duen gure gidak xehetasunez lantzen du zerrenda hori.
Nola erabili zerrenda zure taldean
OWASPen aholkua «hamarrak landu, goitik hasita» da. Praktikan:
- Berrikusi hamar kategoriak LLM funtzio bat diseinatzen edo berrikusten duzunean, eta idatzi non den zaurgarria.
- Bihurtu kontrol bakoitza arduradun bat duen txartel (ticket) bat, eta probatu berriro konponketen ondoren.
- Etiketatu aurkikuntzak kategorien IDekin, garatzaileek, segurtasun-ingeniariek eta product owner-ek hiztegi bera parteka dezaten.
- Probatu soilik zureak diren sistemak edo probatzeko idatzizko baimena duzunak, eta egiaztatu zure eredu-hornitzailearen baldintzek segurtasun-probak baimentzen dituztela.
Norberaren erritmoko AI segurtasuna: LLM aplikazioak eta AI agenteak babestea ikastaroaren azken proiektua, «AI agente bat eraso, konpondu eta berriro probatu», aurkikuntza bakoitza OWASP zerrendekin lotzen duen segurtasun-txosten batekin amaitzen da.
Hurrengo urratsak
Hasi zerrendaren buruan dagoen kategoriarekin: zer den prompt injekzioa azaltzen duen gure gidak eraso zuzenak eta zeharkakoak eta geruzakako defentsak azaltzen ditu. Zure aplikazioak dokumentuak berreskuratzen baditu, begiratu arretaz LLM02 eta LLM09 kategoriei, berreskurapen-baimenak eta embedding-geruza lantzen baitituzte; AI ingeniaria: RAG eta bilaketaren sarrera lotutako ikastaro bat da, hori ere norberaren erritmokoa.
Gaitasun horiek modu egituratuan garatzeko bide bat AI segurtasuna: LLM aplikazioak eta AI agenteak babestea ikastaroa da: norberaren erritmokoa, tarteko mailakoa eta 40 ordukoa, AI funtzioak eraikitzen edo probatzen dituzten garatzaile, AI ingeniari eta segurtasun-profesionalentzat.

Ikasi trebetasun teknikoak linean Code Labs Academy-rekin
Erregistratu gure komunitateari, desblokeatu zure potentziala eta ekintzarako bide aberasgarria.
Aplikatu orain