OWASP Top 10 para aplicacións de LLM 2026: os 10 riscos explicados
Actualizado en November 19, 20268 Minutos lidos
O OWASP Top 10 para aplicacións de LLM é a lista do OWASP GenAI Security Project cos riscos de seguridade máis críticos para as aplicacións baseadas en grandes modelos de linguaxe (LLM). A edición de 2026 publicouse en agosto de 2026 (a súa páxina de recursos ten data do 3 de agosto) e anunciouse o 1 de setembro de 2026. Esta guía enumera as dez categorías cos seus identificadores oficiais, explica brevemente cada unha, propón un control práctico por categoría e resume que cambiou desde 2025.
A carta de presentación dos responsables do proxecto marca o ton: «Deixa de tentar construír un modelo que non se poida enganar. Constrúe o sistema ao seu redor para que, cando o modelo sexa enganado, que o será, non se rompa nada importante».
Como se elaborou a lista de 2026
As edicións anteriores baseábanse no criterio dos profesionais. Para a edición de 2026, OWASP tamén contrastou a votación da comunidade cun corpus de 7714 incidentes reais procedentes de bases de datos públicas de vulnerabilidades e dunha base de datos de danos causados pola IA, dos que 6639 tiñan detalle suficiente para clasificalos. A votación achega tres cuartas partes do peso, e os datos de incidentes, unha cuarta parte. As dúas fontes non sempre coincidiron: se se ordena polo número bruto de incidentes, a inxección de prompts queda fóra do top 10, algo que OWASP atribúe a un «efecto defensa», xa que os equipos a combaten a fondo e chegan menos exploits claros ás bases de datos públicas. Con Misinformation ocorreu o contrario: os votantes situárona preto do final, o historial de incidentes preto do principio, e os datos fixérona subir ata o sétimo posto.
A lista de 2026 dunha ollada
| Categoría de 2026 | Posto 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 |
Os postos de 2025 proceden da lista de 2025 de OWASP.
LLM01:2026 Prompt Injection (inxección de prompts)
Entradas que cambian o comportamento do modelo de xeitos que o desenvolvedor non pretendía, tanto se proceden dun usuario coma dun documento, do resultado dunha ferramenta, dunha imaxe ou da memoria. Agora a categoría tamén cobre os ataques intermodais que ocultan instrucións en imaxes ou en audio. Control: mantén as credenciais e as accións que cambian o estado no código da aplicación, e dálle ao modelo o mínimo privilexio en cada operación. A nosa guía sobre a inxección de prompts trata esta categoría en profundidade.
LLM02:2026 Sensitive Information Disclosure (divulgación de información sensible)
Fugas de datos confidenciais ou regulados por calquera canle: a resposta, os argumentos das chamadas a ferramentas, as trazas de razoamento, os fragmentos recuperados, os rexistros ou os embeddings. OWASP sinala que compartir en exceso na orixe, como cando unidades compartidas sen restricións de acceso alimentan un índice de xeración aumentada por recuperación (RAG), é un dos dous fallos que hai detrás da maioría dos incidentes. Control: autoriza antes de recuperar, aplicando o control de acceso por documento e por fragmento dentro da propia consulta ao índice.
LLM03:2026 Excessive Agency (axencia excesiva)
Accións daniñas en resposta a saídas do modelo inesperadas, ambiguas ou manipuladas. As causas de fondo son o exceso de funcionalidade, de permisos ou de autonomía. Nos sistemas axénticos, segundo OWASP, pode manifestarse como uso indebido de ferramentas, abuso de identidade e privilexios ou fallos en cascada. Control: reduce ao mínimo as ferramentas e os seus permisos (unha ferramenta que resume correos só necesita lelos) e esixe aprobación humana para as accións de alto impacto.
LLM04:2026 Supply Chain (cadea de subministración)
Riscos en modelos, conxuntos de datos e adaptadores de terceiros como LoRA, en pipelines de conversión e en paquetes, incluído o «slopsquatting», no que os atacantes rexistran nomes de paquetes que os asistentes de código alucinan. Control: fixa os artefactos do modelo polo seu digest inmutable en lugar de por unha etiqueta mutable, verifica as sinaturas e comproba que as dependencias suxeridas pola IA existen antes de instalalas.
LLM05:2026 Data and Model Poisoning (envelenamento de datos e de modelos)
Datos ou artefactos de modelo manipulados que introducen portas traseiras ou nesgos durante o preadestramento, o axuste fino, a xeración de embeddings ou a distribución. Envelenar pode saír barato: Souly et al. (2025) comprobaron que 250 documentos envelenados comprometían modelos de 600 millóns a 13 mil millóns de parámetros, independentemente do tamaño do conxunto de datos. Control: rexistra a liñaxe dos datos e dos modelos, versiona os teus conxuntos de datos e trata os modelos de chat (chat templates), as configuracións do tokenizador e os adaptadores como código que se debe asinar e verificar.
LLM06:2026 Unbounded Consumption (consumo ilimitado)
Inferencia descontrolada que provoca caídas do servizo, custos desbocados («denial of wallet») ou o roubo do modelo mediante extracción. Os modelos de razoamento, as entradas multimodais e os bucles de ferramentas dos axentes agrávano. Control: topes de gasto estritos que deteñan a inferencia, ademais de circuit breakers para axentes con límites de pasos, de recursión, de tempo e de custo por execución.
LLM07:2026 Misinformation (información errónea)
Saídas incorrectas ou sen fundamento que parecen o bastante cribles como para actuar en consecuencia. Nos sistemas axénticos, unha resposta errónea convértese nunha acción errónea, como un axente que informa de que se fixo unha copia de seguridade que nunca chegou a executarse. Control: un patrón «claim-check-act» (afirmar, comprobar, actuar) que separe a xeración da execución e verifique as afirmacións e as condicións previas antes de actuar.
LLM08:2026 Hidden Context Exposure (exposición do contexto oculto)
Extracción ou reconstrución do contexto oculto: prompts de sistema, instrucións do desenvolvedor, texto de políticas recuperado e esquemas de ferramentas. OWASP aconsella dar por feito que o contexto oculto se pode descubrir. Control: non inclúas nel credenciais nin segredos, e aplica a autorización en código determinista, fóra do modelo.
LLM09:2026 Vector and Embedding Weaknesses (debilidades dos vectores e dos embeddings)
Ataques á capa de embeddings na que se apoian o RAG, a memoria dos axentes e as cachés semánticas. En palabras de OWASP, «o envelenamento fai que o sistema se equivoque, a inversión fai que filtre datos, a interferencia déixao mudo e o fallo do control de acceso vólveo indiscriminado». Control: aplica o illamento por inquilino (tenant) dentro da consulta ao índice, non como filtro posterior á recuperación, e garda o contido de distintos niveis de confianza en índices separados.
LLM10:2026 Improper Output Handling (xestión inadecuada da saída)
Pasar a saída do modelo a outros sistemas sen validala, o que pode provocar XSS, inxección SQL, SSRF ou execución remota de código. Agora tamén abrangue o código inseguro que os asistentes xeran a grande escala. Control: trata a saída do modelo como unha entrada de usuario: codifícaa segundo o seu contexto, usa consultas parametrizadas e desactiva a renderización automática de imaxes Markdown e de vistas previas de ligazóns.
Que cambiou desde a edición de 2025
OWASP afirma que a orde «moveuse máis ca en anos anteriores». Os principais cambios:
- Excessive Agency subiu do sexto ao terceiro posto, o que OWASP cualifica como «o movemento con máis consecuencias da lista».
- Unbounded Consumption subiu catro postos, e Improper Output Handling foi a que máis caeu, do quinto ao décimo.
- Prompt Injection e Sensitive Information Disclosure mantiveron os dous primeiros postos.
- System Prompt Leakage pasou a ser Hidden Context Exposure, unha categoría máis ampla.
- As categorías existentes absorberon riscos máis recentes en lugar de crearse categorías novas: a inxección intermodal, os artefactos de modelo que non son o que din ser, a subversión do axuste fino e o código xerado inseguro.
- As correspondencias con marcos de referencia (NIST, MITRE ATLAS, CWE e outros) reuníronse nun único apéndice.
OWASP tamén traza un límite máis claro. Esta lista cobre o modelo como compoñente da túa aplicación. En canto o modelo se converte nun actor con ferramentas, memoria e consecuencias noutros sistemas, OWASP recomenda combinala co OWASP Top 10 para aplicacións axénticas, que a nosa guía sobre como protexer axentes de IA explica en detalle.
Como usar a lista no teu equipo
O consello de OWASP é «traballar os dez, empezando por arriba». Na práctica:
- Repasa as dez categorías cando deseñes ou revises unha función de LLM, e anota onde está exposta.
- Converte cada control nun tíquet cun responsable, e volve probar despois das correccións.
- Etiqueta os achados cos ID das categorías para que desenvolvedores, enxeñeiros de seguridade e product owners compartan un mesmo vocabulario.
- Proba só sistemas que sexan teus ou que teñas permiso por escrito para probar, e comproba que as condicións do teu provedor do modelo permiten as probas de seguridade.
O proxecto final do curso ao teu ritmo Seguridade da IA: protección de aplicacións de LLM e axentes de IA, «Atacar, corrixir e volver probar un axente de IA», remata cun informe de seguridade que relaciona cada achado coas listas de OWASP.
Seguintes pasos
Comeza pola categoría que encabeza a lista: a nosa guía sobre que é a inxección de prompts explica os ataques directos e indirectos e as defensas por capas. Se a túa aplicación recupera documentos, fíxate ben en LLM02 e LLM09, que tratan os permisos de recuperación e a capa de embeddings; Enxeñeiro de IA: Introdución a RAG e Busca é un curso relacionado, tamén ao teu ritmo.
Un xeito estruturado de desenvolver estas habilidades é o curso Seguridade da IA: protección de aplicacións de LLM e axentes de IA: ao teu ritmo, de nivel intermedio e de 40 horas, para desenvolvedores, enxeñeiros de IA e profesionais da seguridade que crean ou proban funcións de IA.

Aprende habilidades técnicas en liña con Code Labs Academy
Únete á nosa comunidade de apoio, desbloquea o teu potencial e emprende un camiño profesional gratificante.
Aplicar agora