Temario del curso
Módulo 1 — Cómo se rompen las aplicaciones de IA
Lab: ninguno — recorrido por la arquitectura y discusión
El modelo mental del constructor sobre la superficie de ataque.
Temas:
- Arquitecturas LLM, RAG y agentes desde el lado del desarrollador
- el ciclo de vida de solicitud/respuesta de una función de IA
- flujo de prompts: mensajes del sistema, del desarrollador, del usuario y de las herramientas
- dónde entra (y reentra) el dato no confiable en el modelo
- los límites de confianza que un desarrollador controla vs. hereda
- por qué los ataques de IA son semánticos, no sintácticos
- mapeo de las OWASP LLM Top 10 al código que escribes
Concepto clave: Cada lugar donde el texto no confiable alcanza el modelo — o la salida del modelo alcanza tu código — es un límite que controlas.
Módulo 2 — Inyección de Prompt para Constructores
Lab: Lab 01 — 01-Prompt-Injection
El «momento de la inyección SQL» para la IA, pero no puedes escapar completamente de él.
Temas:
- inyección de prompt directa vs. indirecta
- instrucciones ocultas en documentos, páginas web, salida de herramientas
- jailbreaks y confusión de roles
- por qué la separación de instrucciones/datos es importante
- diseño defensivo de prompts (delimitadores, estructura, autoridad mínima)
- por qué la prevención es parcial — diseñar para contención
Práctico:
- atacar tu propio chatbot
- evadir un filtro ingenuo
- reestructurar el prompt para reducir el radio de explosión
Módulo 3 — Tratamiento de la Salida del Modelo como No Confiable
Lab: Lab 02 — 02-Output-Handling
La clase de errores que los desarrolladores subestiman más.
Temas:
- salida del modelo como entrada no confiable para el resto de la aplicación
- manejo inseguro de la salida (LLM02): XSS, SSRF, inyección de comandos/SQL downstream
- nunca evaluar/ejecutar/renderizar la salida cruda del modelo
- salidas estructuradas y validación de esquemas
- codificación de salida y listas de permisos
- renderizado seguro en contextos web/UI
Práctico:
- encontrar y corregir una vulnerabilidad de manejo inseguro de la salida
- aplicar un esquema JSON a las respuestas del modelo
Módulo 4 — Seguridad en RAG
Lab: Lab 03 — 03-RAG-Security
Una de las nuevas superficies de ataque más grandes — y está bajo tu responsabilidad construirla.
Temas:
- amenazas a BDs vectoriales y recuperación
- sanitización durante la ingestión
- procedencia de documentos y puntuación de confianza
- alcance de la recuperación y aislamiento de metadatos
- instrucciones ocultas en el contenido recuperado (inyección indirecta)
- fuga de datos mediante recuperación
Práctico: - envenenar un pipeline de RAG con un documento malicioso - añadir sanitización de ingestión y alcance de recuperación para defenderlo
Módulo 5 — Seguridad de Agentes y Herramientas
Lab: Lab 04 — 04-Agent-Safety
Donde un error se convierte en una acción.
Temas:
- agencia excesiva (LLM06) y abuso de herramientas
- mínimo privilegio para agentes
- listas de permisos de herramientas y validación de argumentos
- puertas de aprobación y humano en el bucle (human-in-the-loop)
- aislamiento de la ejecución de herramientas (sandboxing)
- credenciales con alcance limitado y de corta duración para agentes
- limitación de bucles autónomos y encadenamientos
Práctico:
- restringir un agente con permisos excesivos
- añadir una lista de permisos + puerta de aprobación a una herramienta peligrosa
Módulo 6 — Secretos, Identidad y Costo
Lab: Lab 05 — 05-Secrets-and-Cost
Los errores operativos que causan daño más rápido.
Temas:
- gestión de claves API y secretos (nunca en prompts, código o registros)
- autenticación y autorización por usuario para funciones de IA
- propagación de la identidad del usuario a herramientas y recuperación
- denegación de billetera: consumo ilimitado de tokens/costos
- límites de tasa, presupuestos de tokens y tiempos de espera
- registro (logging) sin revelar secretos o PII
Práctico:
- sacar los secretos del camino del prompt/código
- añadir límites de tasa por usuario y un presupuesto de tokens/costo
Módulo 7 — Bibliotecas de Barreras de Seguridad (Guardrails)
Lab: Lab 06 — 06-Guardrails
Comprar vs. construir para la seguridad de entrada/salida.
Temas:
- qué hacen (y no hacen) los frameworks de guardrails
- guardrails de entrada: clasificadores de inyección/PII/tópico
- guardrails de salida: validación, filtrado, comprobaciones de fundamentación
- cuándo un guardrail es apropiado vs. tu propia comprobación determinista
- superposición de guardrails con los controles de módulos anteriores
- rendimiento, falsos positivos y modos de fallo
Práctico:
- añadir una capa de guardrail de entrada/salida a una función de IA
- medir qué captura y qué pasa por alto
Módulo 8 — Red-Teaming de tu Propia Aplicación
Lab: Lab 07 — 07-Red-Teaming
Despliégala como si un atacante ya la hubiera comprometido.
Temas:
- construcción de un conjunto de pruebas/abuso para funciones de IA
- pruebas automatizadas de inyección de prompt y jailbreak
- regresión de pruebas de guardrails y políticas
- ejecución de comprobaciones de seguridad de IA en CI
- cadena de suministro de modelos y dependencias (procedencia, versionado fijo)
- una lista de comprobación de seguridad pre-despliegue para funciones de IA
Práctico:
- escribir pruebas automatizadas de red-teaming para una función de IA
- integrarlas en una comprobación de CI
Módulo 9 — Puntuación de la Seguridad de IA: El Framework SAIS-100
Lab: ninguno — ejercicio de puntuación (usa la aplicación Capstone)
Convierte todo lo que has construido en una puntuación repetible.
Temas:
- el Hexágono de Seguridad de IA: seis preguntas en lugar de «¿es seguro?»
- las seis categorías puntuadas (Datos, Prompt, Agente, Cadena de Suministro, Detección, Gobernanza)
- la rúbrica de 100 puntos y sus ponderaciones
- bandas de veredicto y la regla de anulación de categoría única
- la Escala Elefante del Puntuación de IA Segura (SAIS-100) como un framework marcante y re-ejecutable
- puntuar antes/después del endurecimiento como métrica
Práctico:
- puntuar la aplicación Capstone en la escala de 100 puntos
- identificar el único cambio que más eleva la puntuación
Concepto clave: Las tres categorías con mayor ponderación se mapean a los límites de confianza que un desarrollador controla — por lo que la puntuación mide exactamente lo que este curso enseñó.
Capstone
Los estudiantes endurecen una aplicación de IA deliberadamente vulnerable de extremo a extremo.
La aplicación inicial contiene:
- un prompt inyectable
- manejo inseguro de la salida
- un pipeline de RAG sin alcance definido
- un agente con permisos excesivos
- secretos en el camino del prompt
- sin límites de costo
Los estudiantes aplican lo aprendido:
- reestructurar prompts para contención
- validar y codificar la salida del modelo
- sanitizar y acotar la recuperación
- aplicar mínimo privilegio y puertas de aprobación al agente
- mover los secretos fuera y añadir límites de costo/tasa
- añadir guardrails y pruebas automatizadas de red-teaming
Entregable: una aplicación endurecida más una autoevaluación breve de las OWASP LLM Top 10.
Mapeo de Módulos a Labs
Los labs se ejecutan en orden, siguiendo el orden de los módulos. El curso tiene 9 módulos y 7 labs: el Módulo 1 es un recorrido por la arquitectura/discusión y el Módulo 9 es un ejercicio de puntuación, por lo que ninguno tiene su propia carpeta de lab.
- Lab 01 - 01-Prompt-Injection: Atacar tu chatbot y diseñar para contención (Módulo 2)
- Lab 02 - 02-Output-Handling: Corregir un error de manejo inseguro de la salida (Módulo 3)
- Lab 03 - 03-RAG-Security: Envenenar luego defender un pipeline de RAG (Módulo 4)
- Lab 04 - 04-Agent-Safety: Restringir un agente con permisos excesivos (Módulo 5)
- Lab 05 - 05-Secrets-and-Cost: Asegurar claves + añadir barreras de costo (Módulo 6)
- Lab 06 - 06-Guardrails: Añadir una capa de guardrail de entrada/salida (Módulo 7)
- Lab 07 - 07-Red-Teaming: Pruebas automatizadas de red-teaming en CI (Módulo 8)
El Módulo 1 (Cómo se rompen las aplicaciones de IA) no tiene lab — se ejecuta como un recorrido por la arquitectura y discusión. El Módulo 9 (Puntuación de la Seguridad de IA) no tiene carpeta de lab — se ejecuta como un ejercicio de puntuación contra la aplicación Capstone.
Requerimientos
- Nivel de habilidad: Intermedio.
- Los estudiantes deben sentirse cómodos construyendo y consumiendo APIs REST, utilizando un lenguaje de scripting (los laboratorios usan Python), entendiendo la autenticación básica de aplicaciones, git y la CLI.
- No se requiere conocimientos previos de aprendizaje automático (machine learning) — este es un curso de seguridad de aplicaciones para personas que construyen con LLMs, no para quienes los entrenan.
Audiencia
- Ingenieros de software / backend que desarrollan funciones de LLM
- Desarrolladores full-stack y de APIs
- Ingenieros de aplicaciones IA/ML
- Ingenieros de plataforma que despliegan copilotos y agentes
- Líderes técnicos e ingenieros seniors responsables de las funciones de IA
Reseñas (2)
Realmente disfruté aprender sobre los ataques de IA y las herramientas disponibles para comenzar a practicar y utilizarlas activamente en pruebas de seguridad. Adquirí muchos conocimientos que no tenía al inicio, y el curso cumplió con lo que esperaba. Mi parte favorita del entrenamiento fue el navegador Comet, y quedé impresionado por lo que podía hacer. Sin duda seguiré explorándolo más. En general, fue un excelente curso y disfruté aprender sobre los Top 10 de OWASP para GenAI.
Patrick Collins - Optum
Curso - OWASP GenAI Security
Traducción Automática
El conocimiento profesional y la forma en que lo presentó ante nosotros
Miroslav Nachev - PUBLIC COURSE
Curso - Cybersecurity in AI Systems
Traducción Automática
