Artículos en profundidad sobre la tecnología que da forma al futuro.

Las apps generadas con IA salen sin Row-Level Security

Pasaportes y más de 200.000 mensajes privados expuestos por apps con IA sin row-level security en Supabase. Así puedes auditar la tuya.

Apps idénticas generadas con IA sobre una cinta transportadora, cada una con una puerta abierta que filtra documentos.
Cuando todas las apps salen de la misma plantilla, una sola cerradura que falta abre miles de puertas.

159.041 apps. Esa es la cantidad de aplicaciones web creadas con IA que un equipo de investigación extrajo del archivo de Common Crawl para comprobar un fallo sencillo y aburrido: ¿se podían leer registros de la base de datos sin iniciar sesión? En 7.403 de los sitios que sondearon a fondo, la respuesta fue sí: las tablas con direcciones de correo podían leerlas todos los que lo pidieran. Al seguir escarbando aparecieron nombres completos y fechas de nacimiento, datos de pago, códigos de entradas, exportaciones internas de WhatsApp, resúmenes generados con IA del correo de un administrador de fincas, más de 200.000 mensajes privados de un foro de estilo de vida y, en el peor caso, más de mil registros con números de pasaporte, fechas de caducidad y nacionalidades. La causa raíz, caso tras caso, fue la falta de row-level security en Supabase, y explotarla no requería nada más exótico que las herramientas de desarrollador del navegador.

Conviene ser precisos con las cifras, porque se citan mal. De los 159.041 proyectos de Lovable identificados, 34.545 usaban Supabase como base de datos. De ellos, 24.664 enviaban registros de la base de datos al navegador en cuanto se cargaba la página: sin login, sin interacción. Eso por sí solo no es un fallo; muchos datos están pensados para ser públicos. Así que los investigadores hicieron peticiones adicionales de solo lectura con la misma clave de API que cada sitio incluía en su propio JavaScript, y miraron qué devolvía. Aparecieron direcciones de correo en 10.560 tablas repartidas en 7.403 sitios: el 30% de los sitios que examinaron de cerca. No es una tasa de brechas confirmada, y los investigadores lo dejan claro: algunas direcciones son buzones de contacto públicos o datos de prueba. Pero los casos que verificaron a mano no admiten dudas. Clientes reales. Pasaportes reales. Mensajes privados reales.

Row-Level Security de Supabase es la única puerta

Para entender por qué esto sigue pasando, hay que entender el trato que Supabase hace contigo. Obtienes una base de datos Postgres con una API REST generada automáticamente delante, y tu frontend habla con la base de datos directamente. No hay una capa de backend que haga cumplir la autorización: ni middleware de Express, ni mixin de permisos de Django, nada. El navegador tiene una clave de API anon, pública por diseño y que viaja en tu bundle de JavaScript. Una segunda clave, service_role, se salta todo y nunca debe tocar el cliente.

Como el cliente se conecta directamente a la base de datos, es la propia base de datos la que debe decidir qué puede ver cada petición. Ese mecanismo es el row-level security de Postgres: políticas por tabla que filtran qué filas puede leer o modificar un rol determinado. Aquí está el problema que muerde a la gente: si RLS no está activado en una tabla, la clave pública anon puede leer y escribir todas las filas. Punto. La tabla podría ser perfectamente un JSON estático en tu CDN.

create table profiles (
id uuid primary key default gen_random_uuid(),
full_name text,
email text,
date_of_birth date
);
-- This is the line that decides whether the table is public:
alter table profiles enable row level security;
-- Without it, the shipped anon key reads and writes every row.
# The "attack": the same request the app makes, minus the login
curl "https://your-project.supabase.co/rest/v1/profiles?select=*" \
-H "apikey: eyJhbGciOi..." \
-H "Authorization: Bearer eyJhbGciOi..."

Mira otra vez ese comando curl. No es un exploit en ningún sentido relevante. Es la misma petición que hace el frontend legítimo, repetida sin sesión de usuario. La clave de API no fue robada: fue publicada, servida a cada visitante como parte del propio código del sitio. Lo único que se interpone entre esa petición y los pasaportes de tus clientes es una opción de Postgres que nadie activó. Por eso sigo diciendo que las exposiciones de Lovable no fueron «hackeadas». Se dejaron sin cerrar con llave.

Por qué los generadores de apps con IA entregan control de acceso roto

La pregunta obvia: ¿por qué el generador no activa RLS sin más? Porque, desde su perspectiva, nada está roto. La app funciona. La vista previa carga, aparecen los registros, la demo impresiona al fundador que la pidió. La falta de control de acceso es un fallo silencioso: una app sin RLS se comporta exactamente igual que una bien protegida hasta que aparece alguien no autorizado. No hay stack trace para «un desconocido en otro país está leyendo tu tabla de mensajes». Un generador optimizado para «¿funciona?» invertirá sistemáticamente poco en «¿quién más puede ejecutarlo?».

También hay un problema de especificación. «Hazme una plataforma de reservas para mi restaurante» no contiene ni una pizca de información sobre quién debería poder leer la tabla de reservas. Un desarrollador humano rellena ese hueco con convenciones, cicatrices de experiencias previas y preguntas incómodas en la reunión inicial. Un LLM lo rellena con la continuación estadísticamente más común, y el código de tutorial de Supabase más extendido en internet tiene RLS desactivado, porque los tutoriales lo desactivan para que el camino feliz sea más corto. Es la brecha entre especificación e implementación haciendo lo de siempre: el fallo vive exactamente donde el prompt guardó silencio.

Luego está la cuestión de los valores por defecto, y Supabase tiene parte de culpa. Durante años, las tablas nuevas creadas desde su panel tenían RLS desactivado a menos que supieras activarlo: un compromiso deliberado de onboarding, porque nada mata el impulso de un tutorial como las consultas que devuelven resultados vacíos. Tras críticas sostenidas, Supabase pasó los proyectos nuevos a RLS por defecto, pero los proyectos existentes conservaron su configuración original. Si sumas a eso un generador entrenado con años de código anterior al cambio de valores por defecto, obtienes una cadena que produce tablas expuestas de forma fiable.

Por último, el factor humano. La promesa de Lovable es que no hace falta ningún conocimiento técnico, y sus términos del servicio sitúan la responsabilidad sobre la aplicación y sus datos directamente en el cliente. Esa brecha es de donde salen las 7.403 apps con fugas. Un fundador no técnico no puede auditar lo que no sabe leer. No sabe que existe RLS, no sabe que la clave anon es pública, y el alegre momento de «¡tu app está en línea!» no le da motivo para preguntar. El marketing decía que el avión vuela solo. La letra pequeña decía que ellos son los pilotos.

Un patrón roto, miles de objetivos idénticos

Lo que lo hace realmente peligroso no es ninguna app con fugas en concreto, sino la homogeneidad. Los generadores de IA producen patrones de integración repetidos: la misma configuración de cliente, las mismas convenciones de tablas, la misma URL del proyecto de Supabase en el mismo bundle de JavaScript. Eso reduce drásticamente el coste para el atacante. Escribe un script que identifique un sitio construido con Lovable, extraiga la URL de Supabase y la clave anon, liste las tablas expuestas y ejecute select=* sobre cada una, y funcionará contra miles de apps con apenas modificaciones. El control de acceso roto lleva años en lo más alto del OWASP Top 10; lo nuevo es la escala industrial a la que ahora se pueden fabricar y cosechar instancias idénticas de ese fallo.

Algunos profesionales discuten que esto siquiera sea una «brecha»: los propios sitios enviaron la clave y sirvieron los datos, así que usarla no es acceso no autorizado; el acto de publicar fue la fuga. Técnicamente tienen parte de razón en la terminología. Pero es un tecnicismo que solo importa para repartir culpas, y no significa nada para la persona cuyo número de pasaporte acabó en la respuesta JSON de un desconocido. Nadie consintió esa arquitectura.

La app funcionaba perfectamente. Ese era el problema: funcionaba perfectamente para todo el mundo.

Las consecuencias legales caen donde siempre caen: sobre quien publicó la app. Según el RGPD, el propietario de la app es el responsable del tratamiento, y esta investigación salió de Alemania, sobre una plataforma sueca, con documentos de identidad de ciudadanos de la UE. Número de pasaporte, nombre y nacionalidad son un kit inicial para el robo de identidad; 200.000 mensajes privados son un depósito para chantaje y phishing. Si los reguladores abrirán expedientes es una cuestión abierta, pero si eres un fundador que programó a base de vibes una base de datos de clientes y se fue, «lo hizo la IA» no es una defensa que ninguna autoridad de protección de datos vaya a aceptar.

Una fila de casas idénticas, cada una con una llave bajo el felpudo, mientras una figura las recoge.
El código generado homogéneo significa que un mismo manual de ataque funciona contra toda una fila de apps.

Cómo auditar las configuraciones de Supabase generadas antes de publicar

Si has publicado —o heredado— una app generada con IA sobre Supabase, esta es la auditoría que hago. Lleva una tarde. Hazla antes de que cualquier dato real de clientes se acerque a la aplicación.

  1. Haz un inventario de tablas expuestas. Ejecuta la consulta de RLS de abajo en el editor SQL. Cada tabla del esquema public con RLS desactivado es legible y escribible por cualquiera mediante la clave anon publicada.
  2. Lee cada política. Tener RLS activado no sirve de nada si la política es using (true). Los generadores adoran emitir políticas que lo permiten todo, porque silencian errores durante el desarrollo.
  3. Recorre la app como un desconocido. Copia la clave anon de tu JavaScript desplegado y lanza peticiones a cada endpoint REST sin sesión. Cualquier fila que devuelva es pública. ¿Era esa tu intención?
  4. Revisa los buckets de almacenamiento. Un bucket marcado como público convierte cada archivo que contiene en una URL accesible. Los álbumes de fotos y los escaneos de DNI no tienen nada que hacer ahí.
  5. Busca service_role en el bundle del cliente. Que se publique la clave anon está bien; que se publique la clave de servicio es una catástrofe. Tu cliente de API desplegado es una bóveda de credenciales: audítalo.
-- Tables exposed via the API with RLS disabled (each one is public)
select schemaname, tablename
from pg_tables
where schemaname = 'public'
and rowsecurity = false;
-- The subtler failure: RLS enabled, but what do the policies allow?
select schemaname, tablename, policyname, cmd, qual
from pg_policies
where schemaname = 'public';

La segunda consulta es donde se pone interesante. Encontrarás tablas con RLS activado pero sin ninguna política, lo cual falla en cerrado y normalmente significa que una funcionalidad se rompió silenciosamente y alguien la «arregló» aflojando otra cosa. Y encontrarás políticas como esta, que ya he visto en suficientes códigos generados como para reconocerla a simple vista:

-- The policy generators emit when a query fails during development:
create policy "allow all" on messages for all using (true);
-- It silences the error and publishes the table. Reject it on sight.
-- What a real policy looks like:
create policy "users read their own messages"
on messages for select
to authenticated
using (auth.uid() = sender_id or auth.uid() = recipient_id);

El patrón using (true) merece atención especial, porque es el equivalente en código generado a comentar una comprobación de autenticación para que pase un test. Existe porque el generador se topó con un error de permisos, diagnosticó bien que faltaba una política y escribió la más perezosa posible. Cuando la encuentres, no te limites a endurecer la política: pregúntate por qué la tabla era accesible en esa ruta de código. Y repite toda la auditoría después de cada regeneración importante. Los constructores de IA reescriben tu esquema con alegría, y las políticas estrictas de ayer no sobreviven al prompt de hoy «haz que el panel muestre todos los usuarios».

Los escáneres de seguridad ayudan, pero los valores por defecto deciden

Hay que reconocerlo: el equipo de seguridad de Lovable respondió directamente a la investigación. Identifican el RLS insuficiente como causa raíz, escanean cada app automáticamente antes de publicar, ofrecen un escaneo SAST más profundo y permiten a los usuarios corregir los hallazgos con un clic, activar la corrección automática o bloquear la publicación si hay resultados críticos, todo gratis para todos los usuarios. Es un conjunto de herramientas razonable, y más de lo que ofrecen la mayoría de constructores de apps.

Pero fíjate en lo que implica un escáner previo a la publicación: el generador produjo el fallo primero, y ahora existe un segundo sistema para atraparlo. La tasa de hallazgos del escáner mide con qué frecuencia la salida por defecto es insegura. Ya he escrito sobre cómo los escáneres de seguridad con IA están cobrando nuestra deuda técnica: son útiles, pero tratan síntomas. La solución duradera es una generación que deniegue por defecto: cada tabla creada con RLS activado, cada tabla con una política explícita, aunque sea «denegar todo» hasta que el usuario decida abrir más. El estado inseguro debería ser el que exige esfuerzo. Hoy es al revés, y que 24.664 apps transmitan registros de la base de datos al cargar la página es lo que cuesta esa inversión.

Una lupa sobre una cuadrícula de datos luminosa, con algunas filas resaltadas como expuestas.
Auditar esquemas generados implica revisar cada tabla: las filas expuestas rara vez avisan de que lo están.

La conclusión para quien publica apps creadas con IA

La IA no inventó el control de acceso roto. IDOR y la falta de autorización llevan en las listas de vulnerabilidades desde mucho antes de que alguien pidiera a una IA que generara una app. Lo que la IA cambió fue el volumen y el perfil de quien opera: industrializó un modo de fallo conocido y puso el botón de despliegue en manos de gente que no distingue una política RLS de una regla CSS. El 30% de este estudio no es un escándalo de una sola plataforma. Es un adelanto de cada ecosistema donde el código generado se encuentra con una base de datos pública y un modelo de seguridad opcional.

Así que trata cada app generada con IA como tratarías código de un proveedor sin auditar, porque eso es. Ejecuta las consultas de arriba antes del lanzamiento y después de cada cambio importante. Si la app va a almacenar datos regulados o de identidad y nadie de la casa sabe leer una política de Postgres, paga a alguien que sepa: una tarde de revisión experta sale más barata que explicarle a un regulador los números de pasaporte. El no-code eliminó la sintaxis. No eliminó la responsabilidad, y nunca lo hará.