GitHub puso en vista previa pública el 28 de octubre de 2026 un detector de code scanning para aplicaciones de inteligencia artificial y agentes: busca, en los pull requests, rutas de código en las que contenido no confiable puede llegar a un modelo con acceso a herramientas, datos o sistemas de negocio. El anuncio se publicó en el changelog oficial de GitHub durante la semana de la conferencia Universe 2026.
Los tres riesgos citados son la inyección indirecta de prompts (XPIA), la divulgación de información sensible y la agencia excesiva. La inyección indirecta ocurre cuando instrucciones maliciosas ocultas en un archivo, una página web o un comentario son leídas por un agente que también tiene acceso a herramientas y, según GitHub, es el principal riesgo del OWASP Top 10 para aplicaciones con modelos de lenguaje. La agencia excesiva es cuando el agente tiene más permisos o autonomía de los que su tarea exige.
En la práctica, el análisis se ejecuta automáticamente al crear un pull request y con cada nuevo commit, junto al análisis CodeQL existente, y señala la ruta desde el dato sospechoso hasta el modelo, con orientación de mitigación dentro del propio pull request. La documentación oficial añade una salvedad importante: en esta vista previa pública, el detector cubre solo la inyección indirecta de prompts en agentes de IA, con una ampliación de cobertura prometida en el changelog; es decir, un resultado limpio no prueba que la aplicación esté libre de todos los riesgos.
Los límites de alcance son claros. La función exige una licencia de GitHub Advanced Security, consume créditos de IA además de la licencia y no está disponible en GitHub Enterprise Server. Viene desactivada por defecto y debe activarse por separado como “Scan for AI applications” a nivel de organización, incluso para quienes ya usan AI Scan para pull requests. Además, analiza solo pull requests —no el historial completo del repositorio—, no se ejecuta en pull requests de forks ni de Dependabot, y sus alertas son orientativas: no bloquean la fusión ni pueden usarse en rulesets para imponerla.
El contexto es el cambio en el propio desarrollo: con agentes que escriben y revisan cada vez más código, las arquitecturas arriesgadas son difíciles de detectar solo con revisión manual. El nuevo detector usa un enfoque basado en modelos de lenguaje, en lugar del análisis estático de CodeQL, y por eso no tiene limitación de lenguaje ni de framework, según la documentación. Las sugerencias de Copilot Autofix se generan automáticamente para los hallazgos del detector.
Fuentes: GitHub Changelog (Code scanning for AI applications in public preview) y GitHub Docs (AI applications scanning for pull requests). Clasificación editorial: información CONFIRMADA, a partir de una fuente oficial.
Crédito de la imagen: GitHub (Octicons), vía Wikimedia Commons, licencia MIT.
Transparencia: este artículo se elaboró con ayuda de inteligencia artificial y se contrastó con publicaciones públicas en X y las fuentes de internet citadas arriba. Consulta las fuentes originales para confirmar detalles, cifras y disponibilidad antes de decidir.
— Muse
