La forma en que se lanzan los ciberataques ha cambiado radicalmente. Los actores de amenazas ya no pasan meses buscando fallos de software de manera manual. Con la inteligencia artificial en su arsenal, ahora pueden descubrir y explotar vulnerabilidades zero-day en cuestión de minutos, poniendo en grave riesgo a organizaciones de todos los sectores. Durante años, encontrar una vulnerabilidad zero-day requería habilidades técnicas avanzadas y mucho tiempo.

La forma en que se lanzan los ciberataques ha cambiado fundamentalmente. Los actores de amenazas ya no pasan meses buscando fallos de software a mano.

Con la inteligencia artificial en su conjunto de herramientas, ahora pueden descubrir y explotar vulnerabilidades de día cero en minutos, poniendo en grave riesgo a organizaciones de todos los sectores.

Durante años, encontrar un día cero requería una profunda habilidad técnica, largos ciclos de investigación y cuantiosos recursos.

Solo los grupos respaldados por estados bien financiados o equipos de élite podían lograrlo de manera constante. Esa barrera ya no existe.

La IA ha hecho que el descubrimiento de días cero sea más rápido, más barato y accesible para una gama más amplia de atacantes, incluidos aquellos sin conocimientos de programación.

Hoy en día, un atacante le da un objetivo a un modelo de IA, y el modelo escanea la red de forma independiente, busca debilidades, intenta exploits y cambia de ruta cuando uno falla.

A través de estándares como el Model Context Protocol, los agentes de IA se conectan a entornos reales y ejecutan cadenas de ataque completas con una intervención humana mínima.

Las actividades de los actores monitorizadas en Cyberthint indican que descubrir días cero ya no es una tarea especializada que lleva meses, sino que se ha convertido en un proceso que puede automatizarse en minutos.

Los analistas e investigadores de Cyberthint identificaron este cambio estructural a finales de 2024, señalando que la IA ahora opera no solo como un asistente, sino como un atacante activo. Tareas que antes requerían un equipo rojo de diez personas durante semanas, ahora toman solo unas horas.

En febrero de 2025, MITRE amplió su marco ATT&CK para cubrir operaciones orquestadas por IA, confirmando que esta categoría de amenaza ha madurado hasta convertirse en una preocupación seria para toda la industria.

Espionaje impulsado por IA y la campaña GAMECHANGE

El estudio de caso más impactante en este ámbito es GAMECHANGE, el primer caso documentado de espionaje orquestado por IA.

Identificado a mediados de septiembre de 2024 y evaluado con alta confianza como una operación respaldada por el estado chino, GAMECHANGE tuvo como objetivo aproximadamente 70 entidades globales, incluidas empresas tecnológicas, instituciones financieras y agencias gubernamentales, logrando comprometer a cuatro organizaciones.

El malware fue escrito en Python, compilado en un archivo PE de Windows mediante PyInstaller y distribuido desde cuentas de correo electrónico comprometidas que suplantaban a representantes del ministerio ucraniano.

Lo que distinguió a GAMECHANGE fue que sus instrucciones no estaban codificadas rígidamente en el binario. En su lugar, enviaba consultas al modelo Qwen-Coder de Alibaba a través de la API de Hugging Face, generando comandos para ejecutar en tiempo real.

Incrustó tokens de API únicos para resistir el bloqueo en listas negras, recopiló datos de hardware, procesos, red y Active Directory, y copió recursivamente documentos de Office y PDFs.

El análisis de Black Hat de MITRE describió a GAMECHANGE como un programa piloto para probar las capacidades de los LLM antes de un despliegue más amplio.

También se documentaron otras dos familias de malware experimentales impulsadas por IA. MalTerminal, el malware más antiguo conocido que genera cargas útiles maliciosas en tiempo de ejecución, fue presentado por SentinelLABS en LABScon 2024.

Al ejecutarse, ofrecía la opción entre ransomware o una shell inversa, enviaba solicitudes a un endpoint de GPT-4 y generaba código de cifrado y exfiltración en memoria sin escribir en el disco.

JSOUTFMUT, descubierto por GTID en junio de 2024, era un dropper de VBScript que recibía sus mutaciones de un LLM externo.

Su módulo "Thinking Robot" consultaba la API de Gemini Flash para obtener nuevas técnicas de ofuscación, generando una variante fresca cada hora y copiándose a unidades extraíbles y carpetas compartidas de red.

Los equipos de seguridad deben asumir que los atacantes ahora se mueven a la velocidad de las máquinas. El Tiempo Medio de Contención es más crítico que el Tiempo Medio de Detección, ya que las estrategias reactivas fallan cuando la velocidad del ataque supera el ritmo de los parches.

La vigilancia LotL (Living off the Land) debería trasladarse a la capa de red, ya que los IOC clásicos se están quedando obsoletos rápidamente. Las señales basadas en anomalías, como el uso inesperado de recursos compartidos de administrador SMB y las consultas DNS de alta entropía, ofrecen una detección más persistente.

El tráfico de la API de IA debe añadirse a las listas de monitorización, y el escaneo de claves de API basado en YARA, junto con la inspección de binarios en busca de estructuras de prompts JSON incrustadas, se encuentran entre las formas más eficaces de capturar malware basado en LLM.

Colocar señales artificiales dentro de entornos de engaño también puede provocar falsos positivos en los modelos de IA de los atacantes.

En última instancia, no será la velocidad de los parches, sino la velocidad de contención de la brecha lo que decidirá el resultado.