Apex es un agente de pruebas de penetración autónomo impulsado por IA, diseñado para operar en modo caja negra contra aplicaciones en vivo. No requiere acceso al código fuente, pistas ni rutas de ataque predefinidas. Esto le permite descubrir, encadenar y verificar vulnerabilidades del mundo real a la velocidad que exige el desarrollo de software moderno.

Apex es un agente de pruebas de penetración autónomo impulsado por IA, diseñado para operar en modo black-box contra aplicaciones en vivo. No necesita acceso al código fuente, pistas ni rutas de ataque predefinidas. Esto le permite descubrir, encadenar y verificar vulnerabilidades del mundo real a la velocidad que exige el desarrollo de software moderno.

El detonante de Apex es un colapso estructural en cómo se practica la seguridad del software. Los agentes de codificación con IA están generando y fusionando código a escala de máquina: solo los agentes de codificación de Stripe fusionan 1.300 solicitudes de extracción por semana, mientras que algunos equipos de ingeniería gastan más de 1.000 dólares diarios en tokens de IA por ingeniero, sin revisión humana del código.

Los escáneres tradicionales y las evaluaciones lideradas por humanos no pueden seguir este ritmo. Apex se construyó como la capa de verificación adversarial: un agente independiente que ataca la aplicación en ejecución exactamente como lo haría un atacante real, detectando vulnerabilidades antes de que se conviertan en brechas.

Apex opera en tres modos de despliegue. En las pipelines de CI, valida cada despliegue contra una réplica en sandbox de la aplicación, mapeando la superficie de ataque e intentando explotarla antes de fusionar el código.

En producción, identifica debilidades explotables en tiempo real. También admite pruebas bajo demanda contra cualquier objetivo, reemplazando el informe trimestral en PDF por un bucle de retroalimentación que opera a la velocidad de las amenazas modernas.

Para validar sus capacidades, PensarAI creó Argus, un benchmark de código abierto con 60 aplicaciones web vulnerables autónomas y dockerizadas, diseñadas específicamente para evaluar agentes de seguridad ofensiva.

Los benchmarks existentes se consideraron insuficientes: el conjunto más utilizado, el de XBOW con 104 desafíos, está compuesto en un 70% por PHP, cubre objetivos con una sola vulnerabilidad y carece de escenarios como GraphQL, confusión de algoritmos JWT, condiciones de carrera, cadenas de contaminación de prototipos, bypass de WAF y fallos de aislamiento multiinquilino.

Argus abarca los frameworks dominantes en producción: Node.js/Express (40%), Python/Flask/Django (20%), arquitecturas multiservicio (25%), Go, Java/Spring Boot y PHP.

Introduce categorías que ningún otro benchmark cubre: evasión de WAF e IDS, cadenas de exploits de hasta 7 vulnerabilidades encadenadas, fallos de aislamiento multiinquilino, condiciones de carrera y fallos de lógica de negocio, bypasses de autenticación modernos (JWT, OAuth, SAML, MFA) y ataques a infraestructura en la nube/Kubernetes. La dificultad se calibra en 2 desafíos fáciles, 27 medios y 31 difíciles.

271 vulnerabilidades en 60 aplicaciones

Apex se enfrentó a los 60 desafíos de Argus en modo black-box completo, utilizando Claude Haiku 4.5, el modelo más pequeño y económico disponible, para aislar las mejoras arquitectónicas sobre la capacidad bruta del modelo.

Apex logró una tasa de éxito del 35%, superando a PentestGPT (30%) y Raptor (27%). En los 10 desafíos más difíciles con Claude Opus 4.6, la brecha se amplió notablemente: Apex resolvió el 80%, PentestGPT alcanzó el 70% y Raptor el 60%.

En toda la prueba, Apex descubrió 271 vulnerabilidades únicas, que incluyen inyección SQL, SSRF, inyección NoSQL, contaminación de prototipos, SSTI, XXE, condiciones de carrera, IDOR, bypass de autenticación, configuraciones incorrectas de CORS, inyección de comandos y traversal de rutas. El costo promedio por desafío fue de aproximadamente 8 dólares, y la ejecución completa de los 60 desafíos con Haiku costó menos de 500 dólares.

Entre los logros destacados se incluyen un ataque de doble gasto por condición de carrera en 7 pasos en un endpoint de transferencias de fintech, una cadena de SSRF multiinquilino que pivotaba a través de una caché compartida para extraer claves API de inquilinos vecinos, y una inyección SpEL que llevó a la ejecución remota de código (RCE) en una aplicación Java Spring Boot, todo en menos de 15 minutos.

Los modos de fallo documentados de Apex son reveladores. La ejecución del último paso, como completar la extracción de credenciales tras una cadena de SSRF exitosa, surgió como la principal brecha. Los señuelos engañaron al agente en dos ocasiones, y cadenas complejas de múltiples pasos, como el envenenamiento de pipelines de CI/CD y la compromisión de Kubernetes, superaron el presupuesto de 30 minutos.

Tanto Apex como el benchmark Argus están disponibles como código abierto en GitHub.