Probanza Codebase Auditor

Encuentra dónde un sistema de IA puede ser dirigido por lo que lee, dónde se confía en sus respuestas sin revisarlas y dónde hay reglas de negocio escondidas en prompts, antes de que salga a producción.

El problema

Un sistema con modelos de lenguaje falla de formas que la revisión de código habitual no detecta, y un escáner ruidoso enseña al equipo a ignorar todas sus alertas.

Qué construyó Aztli

• Núcleo determinista: los hallazgos oficiales salen de parseo, validación de políticas, mapa de severidad y procedencia. Los LLM solo clasifican, revisan y resumen.
• Reglas para inyección de prompts (en el mismo archivo y entre archivos), llamadas a modelos sin validador, salida no estructurada, fórmulas de negocio dentro de prompts, credenciales, ejecución insegura y huecos de tests.
• Puerta de CI con umbral (--fail-on high), contrato de CLI versionado y códigos de salida fijos.
• Cuatro informes por auditoría: envoltorio técnico, narrativa, informe de gobierno y modelo del sistema de IA.
• Configuración por repositorio y vista previa gratuita por MCP sobre repositorios públicos.

Resultado verificable

Una regla solo se activa por defecto cuando tiene métricas etiquetadas. La regla de inyección entre archivos se activó con 21 verdaderos positivos, 0 falsos positivos y 4 omisiones: precisión 1.000 y recall 0.840.

Stack

• TypeScript
• Node.js
• MCP
• Gemini (opcional)
• CI

Motor de código cerrado; se ofrece como servicio de auditoría. Oferta y vista previa en probanza.divergia.ai.