Google: los hackers evolucionan con agentes de IA que explotan parches al instante
PanewslabAutor: Google Threat Intelligence Group (GTIG)
Traducción: Shenchao TechFlow
**Introducción de Shenchao:** El equilibrio entre ataque y defensa en el ciberespacio está siendo completamente alterado por la autonomía de la IA generativa. El último informe de seguimiento global publicado por GTIG señala que los hackers han superado oficialmente la fase inicial de "simplemente hacer preguntas a la IA" y han escalado a armas cibernéticas totalmente automatizadas de extremo a extremo impulsadas por la colaboración de múltiples agentes.
En una intrusión real recientemente revelada, los atacantes desplegaron una cadena automatizada de búsqueda de vulnerabilidades basada en un marco de múltiples agentes de código abierto, convirtiendo directamente el parche de seguridad de PHP recién publicado oficialmente en código de ataque armado, y en muy poco tiempo lanzaron una infiltración automatizada y robo de datos contra sitios web gubernamentales y comerciales franceses.
Este artículo repasa de forma panorámica la línea de tiempo de la evolución de los marcos de infiltración de múltiples agentes, el ecosistema de reventa ilegal de potencia de cómputo de modelos grandes en la nube por parte de los hackers (LLMJacking, secuestro de potencia de cómputo de modelos grandes), y cómo los defensores de primera línea están reconstruyendo las líneas de defensa de seguridad automatizadas en la era de los agentes.
Resumen ejecutivo: los atacantes entran oficialmente en la era de los múltiples agentes autónomos
A medida que los grupos de hackers aceleran su transición de las simples preguntas de prompt al despliegue de flujos de trabajo de agentes totalmente autónomos, el uso táctico de la inteligencia artificial generativa (GenAI) en los ciberataques reales ha alcanzado un importante punto de inflexión.
GTIG, basándose en la respuesta de emergencia de primera línea de Mandiant y en datos de telemetría global, resume las cinco tendencias principales de evolución de las amenazas de IA a nivel mundial durante el último trimestre:
Transición a flujos de trabajo autónomos y marcos de múltiples agentes: los atacantes no solo utilizan los modelos de lenguaje grandes (LLM) como herramientas de productividad, sino que están integrando agentes de ejecución totalmente autónomos, coordinando múltiples modelos para ejecutar en paralelo reconocimiento, auditoría de código y explotación de vulnerabilidades.
Búsqueda automatizada de vulnerabilidades e ingeniería inversa de parches: los hackers están utilizando modelos grandes para analizar sistemáticamente los parches de seguridad recién publicados, deduciendo en cuestión de horas la lógica de activación de las vulnerabilidades, lo que pone fin por completo a la ventana de parches de los defensores.
Secuestro de potencia de cómputo y monetización de credenciales de IA (LLMJacking): los ciberdelincuentes motivados por el lucro invaden masivamente los entornos de nube empresariales, roban claves API de LLM de alto valor y cuotas de cómputo, y construyen "mezcladores de modelos (LLM Mixer)" en la dark web para revenderlos a un tercio de su precio.
Automatización de extremo a extremo de las operaciones de desinformación (IO): los hackers patrocinados por estados y los contratistas de guerra de opinión comercial han integrado profundamente los modelos grandes en matrices de cuentas falsas, logrando el registro totalmente automático de cuentas falsas, la generación de fotos de vida realistas y la difusión de mensajes dirigidos personalizados a gran escala.
Infiltración dirigida contra empresas de criptomonedas y alta tecnología: los hackers norcoreanos y de otros orígenes concretos abusan ampliamente de las herramientas de falsificación de currículums y voz con IA para hacerse pasar por solicitantes de empleo, generan respuestas en tiempo real durante las entrevistas técnicas y, tras ser contratados, llevan a cabo envenenamiento profundo de la cadena de suministro.
Marcos de múltiples agentes en intrusiones de red
En investigaciones de seguimiento anteriores, GTIG registró principalmente intentos esporádicos de hackers que probaban LLM a pequeña escala; sin embargo, la adopción actual de marcos de múltiples agentes autónomos por parte de los atacantes marca la entrada oficial de la guerra cibernética en la colaboración autónoma a gran escala.
El paradigma central de este marco de ataque consiste en introducir el clásico ciclo de combate OODA (observar, juzgar, decidir, actuar), donde un agente maestro asigna tareas y subagentes especializados ejecutan en paralelo el rastreo de topología de red, la identificación de huellas digitales, la escritura de scripts y el movimiento lateral.
Figura: Flujo de ejecución colaborativa del marco ofensivo de múltiples agentes LLM
Además de ARTEX, una herramienta de pruebas de penetración que ha recibido mucha atención en la comunidad de seguridad recientemente, GTIG ha capturado de forma independiente en defensas reales varios agentes ofensivos de código abierto utilizados directamente por los atacantes en intrusiones de primera línea:
• CAIRN: un marco de pruebas de penetración de múltiples agentes de código abierto basado en un bucle cerrado OODA, capaz de escanear de forma totalmente autónoma hosts de red interna desprotegidos y generar exploits dinámicamente sin intervención humana.
• CyberStrikeAI: un marco ofensivo diseñado de forma nativa para LLM, con subagentes integrados dedicados al mantenimiento de privilegios y al robo de credenciales.
• HexStrike AI: una herramienta ofensiva activa que integra profundamente el Model Context Protocol (MCP), capaz de conectar sin problemas varias líneas de comandos de penetración de hackers a modelos grandes comerciales.
• PentAGI: una herramienta automatizada destinada a reducir drásticamente el umbral técnico de los ataques de hackers, que permite incluso a script kiddies que no comprenden en absoluto los principios subyacentes de las vulnerabilidades emitir instrucciones de intrusión complejas.
Figura: Hoja de ruta de evolución de la madurez de los LLM en la confrontación real de ataque y defensa cibernética
Uso de agentes para la investigación y desarrollo de vulnerabilidades: convertir parches en ataques
La amenaza práctica más alarmante de la tecnología de múltiples agentes radica en su capacidad para comprimir el tiempo de búsqueda de vulnerabilidades y desarrollo de exploits de días a minutos.
Los atacantes capturan automáticamente el código de parche oficial de código abierto en GitHub y lo alimentan a agentes de análisis de código, que comparan el diff del código en tiempo real y localizan con precisión la lógica de los defectos subyacentes que aún no han sido ampliamente parcheados.
Figura: Comparación del número de vulnerabilidades N-Day y 0-Day explotadas en entornos reales por hackers desde 2024 hasta la actualidad
En un incidente de seguridad real recientemente resuelto, GTIG rastreó y capturó un servidor de staging de ataques expuesto públicamente en Internet. El servidor desplegaba un marco totalmente automatizado de búsqueda de vulnerabilidades basado en LLM, y en los comentarios del código aparecía de forma destacada un registro de desarrollo en ruso:
Claves API de LLM para explotación automatizada de vulnerabilidades (proyecto piloto exploit_agent)
Debe rellenarse manualmente la clave en la variable de entorno, prohibido introducirla en la ventana de chat pública, ambas líneas de configuración son obligatorias
Este grupo de hackers (nombre en clave Emad) utilizó este marco para realizar análisis inverso totalmente automático de las vulnerabilidades centrales de PHP recién publicadas (CVE-2026-109618 y CVE-2026-109619), y generó cargas útiles de ataque reales en cuestión de horas después de la publicación del parche. Posteriormente, este clúster automatizado lanzó un sondeo masivo e indiscriminado de relleno de credenciales contra múltiples portales gubernamentales y comerciales europeos, incluida Francia, y logró robar datos sensibles de nivel inferior.
Secuestro de potencia de cómputo (LLMJacking): cómo los hackers monetizan los modelos grandes en la nube robados
Con la adopción generalizada de la nube por parte de las empresas y la popularización de la infraestructura de IA generativa, el daño del robo de credenciales en la nube se está extendiendo rápidamente al nivel de la potencia de cómputo de los modelos.
El equipo de primera línea de Mandiant ha gestionado en los últimos meses varios casos de un nuevo tipo de delito informático denominado "LLMJacking" (secuestro de potencia de cómputo de modelos grandes). Después de que los hackers invaden los entornos de AWS o Google Cloud de las empresas, ya no priorizan el despliegue de troyanos de minería, sino que activan rápidamente los permisos de acceso a las API de modelos grandes de alto nivel de las empresas víctimas.
Figura: Aumento catastrófico del volumen de llamadas a la API de modelos grandes en la nube de una empresa víctima debido a LLMJacking
Los hackers utilizan credenciales de administrador robadas para crear roles IAM y cuentas de servicio ocultas dentro de la empresa, y luego las conectan a la "puerta de enlace de servicios de mezcla de LLM (LLM Mixer)" en la dark web.
En el mercado clandestino de la dark web han surgido numerosas plataformas ilegales de reventa similares a APIMart. Los hackers revenden públicamente las API de modelos grandes comerciales legítimos robados a otros ciberdelincuentes a precios de ganga de solo el 20% al 30% del precio oficial. Las empresas víctimas no solo se enfrentan a la filtración de datos centrales, sino que también tienen que pagar facturas mensuales de cientos de miles de dólares por las llamadas desenfrenadas de los hackers.
Integración total de los modelos grandes en la desinformación y la guerra de opinión
En el ámbito de la confrontación cognitiva y las granjas de bots, los LLM se han convertido en la palanca central que altera la estructura de costos de los estudios tradicionales de bots.
Los grupos criminales comerciales de "influencia como servicio (IaaS)" han desarrollado sistemas automatizados de manipulación de opinión listos para usar. El sistema asigna automáticamente a las cuentas falsas el tono y los modismos locales de segmentos de audiencia específicos, e incluso al generar imágenes con modelos de difusión, añade deliberadamente un ligero ruido de lente, desenfoque e inclinación de ángulo para simular de manera realista fotos de la vida cotidiana tomadas con teléfonos móviles comunes, eludiendo así fácilmente los algoritmos de detección de IA de las principales redes sociales.
Al mismo tiempo, para evitar el bloqueo de IP de las plataformas sociales, los grupos operativos enrutan el tráfico a través de redes de proxies residenciales distribuidas por todo el mundo, y junto con el registro masivo totalmente automático mediante números de teléfono desechables, construyen una matriz de bots completamente descentralizada y regenerable en cualquier momento.
Defensa de seguridad proactiva y refuerzo del ecosistema de Google
Ante el desafío cada vez más grave del armamento de agentes, Google está aprovechando plenamente la inteligencia de amenazas de primera línea para retroalimentar la alineación de seguridad subyacente de los modelos, construyendo una defensa proactiva en profundidad de múltiples capas:
Refuerzo del modelo en tiempo real e inmunización contra muestras adversarias: los últimos prompts de hackers y la lógica de ataque de múltiples agentes capturados en la naturaleza por Mandiant se convierten de inmediato en corpus de entrenamiento adversario para Google DeepMind y el equipo de seguridad, bloqueando en la capa subyacente la respuesta del modelo a código malicioso e instrucciones de infiltración.
Plataforma de seguimiento de amenazas Google AI Threat Tracker: proporciona a los clientes empresariales globales monitoreo en tiempo real del comportamiento malicioso de agentes y alertas tempranas de anomalías en el volumen de llamadas, bloqueando en segundos el tráfico anómalo no autorizado de LLMJacking.
Automatización de operaciones de seguridad (SecOps): despliega modelos especializados de monitoreo del comportamiento de agentes en el centro de seguridad en la nube, utilizando IA contra IA para identificar con precisión los rastros latentes de malware autónomo a partir de la topología de comunicaciones de red y las secuencias de llamadas del sistema.
Este contenido se proporciona únicamente con fines informativos y educativos y no constituye asesoramiento de inversión relacionado con BTCC. BTCC realiza todos los esfuerzos posibles, pero no puede garantizar la veracidad, exactitud u originalidad del contenido anterior.