Pentest-AI, o ptai, es una herramienta de código abierto para automatizar pruebas de penetración autorizadas. El programa combina un modelo de lenguaje, comprobaciones propias y utilidades externas, gestiona la secuencia de acciones y recopila los resultados en un único informe. El proyecto está escrito en Python y funciona como aplicación de consola o como servidor MCP para Claude Code, Cursor, Codex y otros clientes compatibles. En el momento de la revisión sigue vigente la versión 1.1.0 del 29 de junio de 2026. El repositorio ha acumulado alrededor de 1.500 estrellas y 296 bifurcaciones. En PyPI el proyecto aparece con el estado Alpha, por lo que aún es pronto para considerarlo un reemplazo maduro del conjunto consolidado de herramientas de un pentester.
La característica principal de Pentest-AI no es tanto la generación de hipótesis mediante IA como la revalidación de parte de los hallazgos. Una detección primero recibe el estado de candidato. Luego un módulo de máquina separado, que el desarrollador denomina «oráculo», repite la explotación y verifica un escenario de control seguro. La etiqueta VERIFIED aparece solo tras una confirmación reproducible. Al resultado se adjunta una «cápsula de pruebas» que se puede ejecutar de nuevo con el comando ptai replay.
Funciones Pentest-AI
En el repositorio se declaran 17 agentes especializados, más de 200 envoltorios para herramientas externas y 60 comprobaciones, orientadas principalmente a aplicaciones web y interfaces de una sola página. Entre las herramientas integrables están Nmap, Nuclei, FFUF, SQLmap, Nikto, Dalfox, WPScan, Hydra, Hashcat, BloodHound, Impacket, Trivy y Prowler. Pentest-AI lanza comandos, normaliza la salida y transmite los datos a las etapas siguientes.
- reconocimiento, búsqueda de subdominios, puertos, servicios y tecnologías;
- comprobación de aplicaciones web, API REST, GraphQL y OpenAPI;
- trabajo con sesiones autenticadas y cookies;
- análisis de Active Directory, entornos en la nube, Kubernetes y aplicaciones móviles;
- búsqueda de cadenas de ataque multietapa;
- verificación de funciones de IA según los escenarios OWASP LLM Top 10;
- informes en Markdown, HTML, PDF, SARIF y JUnit XML;
- reglas de detección en formatos Sigma, SPL y KQL;
- ejecución en CI/CD con umbral por nivel de riesgo o solo para hallazgos verificados.
Cómo funciona la herramienta
Tras el arranque el operador define el objetivo y el ámbito de las pruebas. El orquestador ejecuta en secuencia el reconocimiento, la autorización, las comprobaciones de la aplicación web, la API, la infraestructura y el entorno en la nube. Los resultados se guardan en una base SQLite local, donde el programa agrupa duplicados y conserva las evidencias técnicas. Luego el agente de correlación construye posibles cadenas de ataque y el validador intenta reproducir cada hallazgo de forma segura.
El modelo de lenguaje elige acciones, interpreta la salida y ayuda a relacionar hechos, pero no actúa como único detector. Las búsquedas iniciales las realizan comprobaciones deterministas y las herramientas conectadas. Este enfoque reduce el riesgo de que el modelo invente una vulnerabilidad. La cobertura del resultado depende, en todo caso, del alcance de las comprobaciones incorporadas, de la calidad de las herramientas externas, de los permisos disponibles y de la correcta configuración del objetivo.
El desarrollador indica 14 clases de vulnerabilidades con revalidación automática. Entre ellas SQLi, BOLA e IDOR, XSS reflejado y almacenado, bypass de JWT mediante alg:none, XXE, suplantación de Host, asignación masiva, SSRF, redirección abierta y traversal. Las pruebas en OWASP Juice Shop y en un entorno especialmente preparado no mostraron falsos positivos entre los resultados verificados. Esa ejecución no debe considerarse una evaluación universal de la precisión en sistemas reales. El mecanismo aumenta la fiabilidad de los hallazgos, pero no garantiza cobertura completa.
Para quién es adecuado Pentest-AI
La herramienta está pensada para especialistas en seguridad de aplicaciones (AppSec), pentesters internos, consultores, equipos Red Team y desarrolladores que quieran añadir comprobaciones activas al flujo de pruebas. Un escenario práctico es escanear un entorno de pruebas después de cambios en la aplicación y publicar SARIF en GitHub Code Scanning. Los playbooks YAML permiten fijar una metodología interna y ejecutarla de forma consistente en distintos proyectos.
Para un principiante, Pentest-AI puede ayudar a unir utilidades dispersas, pero el programa no exime al operador de responsabilidad. Para trabajar se requieren conocimientos de HTTP, redes, explotación y reglas para definir el ámbito de la prueba. Ejecutar pruebas contra recursos de terceros sin un permiso escrito explícito está prohibido.
Instalación y ejecución
Pentest-AI es compatible con Python desde 3.10 hasta 3.13. La instalación básica se realiza mediante PyPI:
python -m venv .venv source .venv/bin/activate pip install ptai ptai demo
El comando ptai demo inicia una aplicación de demostración local, comprueba variantes vulnerables y corregidas y reproduce un hallazgo de la cápsula. Ese modo permite familiarizarse con la lógica sin un objetivo propio.
Para Claude Code se añade el servidor MCP con:
claude mcp add pentest-ai -- ptai mcp
Otros clientes MCP se configuran con ptai setup --mcp. No es necesario una clave Anthropic específica para Pentest-AI en ese modo, pero las solicitudes y la salida leída por el cliente pasan por el proveedor del servicio de IA elegido. Para ejecutar de forma independiente desde la terminal se necesita una clave de Anthropic o OpenAI, o un modelo local mediante Ollama:
export PENTEST_AI_LLM_PROVIDER=ollama ptai start https://test.example
Las herramientas externas se instalan con los conjuntos core, recommended y full o por separado. Antes de probar un entorno de producción hay que habilitar explícitamente intensidad segura, respeto de límites de tasa y una vinculación estricta al ámbito de la prueba. Según la documentación, los parámetros intensity=safe, respect_rate_limits y strict_scope están desactivados por defecto.
Ventajas y desventajas
| Ventajas | Desventajas |
|---|---|
| Revalida parte de los hallazgos y crea pruebas reproducibles. | Los «oráculos» automáticos cubren un conjunto limitado de clases de vulnerabilidades. |
| Integra muchas herramientas en un mismo flujo de trabajo. | La instalación completa requiere un gran número de programas de terceros. |
| Soporta autorización, cadenas de ataque, CI/CD y SARIF. | La cobertura depende de las comprobaciones, del modelo y de la configuración del objetivo. |
| Puede ejecutarse localmente con Ollama. | En la modalidad en la nube los datos pasan por el proveedor del servicio. |
| Código abierto, licencia MIT y varios formatos de informe. | El proyecto es joven y está marcado oficialmente como Alpha. |
| El operador puede intervenir en el ciclo automático. | Los parámetros de protección para producción se habilitan por separado. |
La base de hallazgos se almacena localmente y, según el autor, no hay telemetría. Las excepciones dependen de la configuración. El cliente MCP transmite al proveedor del modelo las solicitudes y los resultados de las llamadas que el modelo debe leer. Para ciertos SSRF ciegos, SQLi, XXE y algunas otras clases, Pentest-AI usa por defecto el servidor público oast.fun. El contenido de las interacciones se cifra con una clave local; sin embargo, el operador del servidor ve la IP del objetivo, la hora y el protocolo. En proyectos sensibles es mejor desplegar un Interactsh propio o desactivar OAST con --no-oast, teniendo en cuenta la pérdida de algunas comprobaciones.
Licencia
El código fuente se publica bajo la licencia MIT. Esta permite usar, modificar, distribuir e incluir el programa en productos comerciales siempre que se conserve el aviso de derechos de autor y el texto de la licencia. El desarrollador no ofrece garantías ni se responsabiliza por daños. Además, el proyecto requiere aceptar las reglas de uso aceptable y los términos del servicio. La licencia del código no autoriza a probar sistemas sin el permiso del propietario.
Conclusión
Pentest-AI resulta interesante como una capa de integración entre el modelo de lenguaje, escáneres activos, comprobaciones propias e informes. La parte más útil del proyecto es el intento de separar la suposición del hallazgo reproducible. Las cápsulas de pruebas facilitan la verificación de resultados por parte de desarrolladores y equipos de seguridad.
Pentest-AI sigue siendo una herramienta joven con un ámbito declarado amplio y una cobertura verificada más limitada. Es preferible usar el programa como asistente en un entorno de pruebas controlado y no como auditor autónomo. La verificación manual y el control de las solicitudes de red siguen siendo obligatorios.
