Cyberpediapor Brain

Slopsquatting: el paquete inventado por la IA

Un asistente de código puede aconsejar un paquete inexistente que un atacante puede crear después. Qué muestran los estudios y qué reflejo adoptar.

En esta página
  1. 1En 30 segundos
  2. 2De qué se trata
  3. 3Preguntas directas
  4. 4En la piel del atacante
  5. 5Lo que ve en la pantalla
  6. 6Bajo el capó
  7. 7Fuentes
  8. 8Citar este artículo

En 30 segundos

Dónde ocurre
Cuando un asistente de código recomienda un paquete para Python o JavaScript[1].
Qué quiere el atacante
Registrar el nombre que inventa el modelo, para que se instale su paquete trampa[2].
El reflejo
No instalar nunca un paquete solo porque lo diga una IA. OWASP recomienda contrastar las respuestas de un modelo con fuentes externas fiables[3].

De qué se trata

Un asistente de código puede proponer la instalación de un paquete de software que no existe. Los investigadores hablan de alucinación de paquete: un error en el que el modelo, al escribir código, contradice los hechos[1]. Ven en ello una forma nueva de ataque por confusión de paquete[1]. Si un atacante registra el nombre inventado, puede incluir en él código malicioso[3]. Este ataque se llama slopsquatting[2].

Las cifras de este artículo proceden de estudios de investigadores. Son fallos demostrados y medidos por investigadores, no un ataque observado en víctimas.

Preguntas directas

¿Qué es el slopsquatting?

Los paquetes son piezas de código que los desarrolladores descargan de repositorios centralizados, como PyPI para Python y npm para JavaScript[1][2]. Cuando un modelo cita un paquete que no existe, un atacante puede registrar ese nombre[2]. Un desarrollador que se fía de la sugerencia del asistente incorpora entonces el paquete del atacante[3].

¿Se equivoca a menudo un asistente?

Depende del modelo y del año. Un estudio publicado en junio de 2024 (aceptado en USENIX Security 2025) generó 576 000 ejemplos de código con 16 modelos. El porcentaje medio de paquetes inventados alcanza al menos el 5,2 % en los modelos comerciales y el 21,7 % en los modelos abiertos, con 205 474 nombres inventados distintos[1].

Una réplica de 2026 abarca cinco modelos recientes y 199 840 generaciones de código Python y JavaScript. Mide entre un 3,6 y un 5,0 % de nombres inventados entre los paquetes citados (del 2,2 al 3,4 % de las generaciones). Según su autor, los modelos recientes se sitúan al nivel de los modelos comerciales de 2024, y la diferencia con los modelos abiertos ha desaparecido. Python supera a JavaScript en cada modelo[2].

¿Ha desaparecido el riesgo con los modelos recientes?

El título de la réplica de 2026 lo dice: el margen se reduce, la amenaza sigue ahí[2]. Su autor señala que al menos 23 nombres sugeridos por los modelos habían alojado ya un software malicioso, retirado después por los repositorios. Un nombre inventado también se registró con un software malicioso tras sus pruebas[2].

¿Recuperan los atacantes rápidamente los nombres inventados?

En este estudio, alrededor del 1 % de los nombres inventados se registró en seis meses. La lista del autor quedó expuesta públicamente por accidente durante ese período. No encuentra ningún efecto detectable de esa publicación: la tasa es la misma para los nombres publicados y para los no publicados[2].

¿Cambia algo mi manera de formular la pregunta?

Sí. Un estudio de 2025 probó siete modelos. Un error tipográfico de un solo carácter provoca alucinaciones en hasta un 26 % de las tareas. Un nombre de biblioteca fabricado de la nada se acepta hasta el 99 % de las veces, y las peticiones vinculadas al tiempo provocan alucinaciones hasta en un 85 %[4].

¿Qué hacer antes de instalar un paquete propuesto por una IA?

Dos comprobaciones. La primera es verificar que el paquete existe. No basta: en un estudio de 2026, la mitad de los nombres señalados como inventados eran paquetes ya registrados en PyPI, imitaciones de baja calidad de proyectos conocidos[5]. La segunda es verificar que el paquete es conocido, contrastando la respuesta de la IA con una fuente externa fiable, como OWASP recomienda para las respuestas de un modelo[3]. Un paquete que no se pueda confirmar no se instala solo por la sugerencia del asistente.

En la piel del atacante

El escenario descrito por OWASP se resume en pocos pasos. El atacante prueba asistentes de código populares para localizar los nombres de bibliotecas que inventan con más frecuencia. Después publica paquetes maliciosos con esos nombres, en repositorios muy utilizados. Los desarrolladores que siguen la sugerencia del asistente los incorporan sin saberlo. El atacante puede así obtener un acceso no autorizado, inyectar código malicioso o instalar puertas traseras[3].

Algunos nombres se repiten de un modelo a otro: en la réplica de 2026, 104 nombres son inventados por los cinco modelos a la vez[2].

La formulación de la petición también pesa. En el estudio sobre los asistentes locales, la tasa de alucinación pasa del 0 al 10 % en tareas de programación habituales al 40 a 73 % en peticiones concebidas como cebos de slopsquatting[5].

Lo que ve en la pantalla

OWASP describe estos errores como un contenido que parece exacto aunque está fabricado: las respuestas suenan bien, pero no se apoyan en nada[3]. En el código, los errores estudiados adoptan la forma de importaciones no válidas[4].

Extracto
Ilustración, no un caso real:
pip install [nombre de paquete propuesto por el asistente, no encontrado o desconocido]

La comprobación no siempre es sencilla: un nombre de importación puede diferir del nombre del paquete. Los autores del estudio de 2026 sobre los asistentes locales dan el ejemplo de «import cv2» frente a «pip install opencv-python»[5]. En la réplica de 2026, 26 entradas de una lista anterior de nombres inventados eran en realidad importaciones correctas cuyo nombre de módulo difiere del nombre del paquete[2].

Bajo el capóEquipos de TI

OWASP explica la alucinación por el funcionamiento del modelo: rellena las lagunas de sus datos de entrenamiento con patrones estadísticos, sin entender el contenido[3]. Incluye entre los riesgos la sugerencia de bibliotecas de código poco seguras o inexistentes, que introduce vulnerabilidades si uno se fía sin verificar[3]. Añade la confianza excesiva de los usuarios, que no verifican la exactitud de lo que produce el modelo[3].

Los investigadores de 2024 también probaron contramedidas. Indican que varias estrategias reducen notablemente el número de alucinaciones y mantienen la calidad del código[1].

Un detector propuesto en agosto de 2026 combina dos comprobaciones. La primera verifica de forma determinista que el paquete existe en PyPI. La segunda es un clasificador entrenado con diez características extraídas del nombre y de los metadatos del paquete[5]. Con 300 peticiones, la cadena de procesamiento produce código sin paquete inventado en el 76 % de las pruebas[5]. El modelo principal más débil del estudio rechazó 6 cebos directos de cada 10 sin ayuda, lo que sugiere, según los autores, que el ajuste reciente de las instrucciones ofrece una defensa básica[5].

En el plano de la organización, OWASP recomienda verificar con cuidado las fuentes de datos y los proveedores, utilizando solo proveedores de confianza[6]. Recomienda también mantener al día el inventario de componentes con una lista de materiales de software (SBOM)[6].

Fuentes

  1. arXiv, «We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs», 12 de junio de 2024. https://arxiv.org/abs/2406.10279 (consultado el 14 de noviembre de 2026)
  2. arXiv, «The Range Shrinks, the Threat Remains: Re-evaluating LLM Package Hallucinations on the 2026 Frontier-Model Cohort», 16 de mayo de 2026. https://arxiv.org/abs/2605.17062 (consultado el 14 de noviembre de 2026)
  3. OWASP, «LLM09:2025 Misinformation», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (consultado el 14 de noviembre de 2026)
  4. arXiv, «Library Hallucinations in LLM-Generated Code: A Risk Analysis Grounded in Developer Queries», 26 de septiembre de 2025. https://arxiv.org/abs/2509.22202 (consultado el 14 de noviembre de 2026)
  5. arXiv, «Names Can Hurt: Spotting Slopsquatting Risks Caused by Package Name Hallucinations in Local Coding LLMs», 24 de agosto de 2026. https://arxiv.org/abs/2608.23897 (consultado el 14 de noviembre de 2026)
  6. OWASP, «LLM03:2025 Supply Chain», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm032025-supply-chain/ (consultado el 14 de noviembre de 2026)