En la Dark Web ya no solo se venden herramientas como LLMs sin censura o deepfakes, sino también datasets valiosos como correos corporativos, historiales de chat, documentos internos y bases de datos empresariales, que permiten entrenar modelos de IA para replicar el lenguaje y contexto organizativo. Estos datos, antes usados para fraudes puntuales, ahora sirven para entender estructuras internas, mejorar ataques de phishing con precisión y crear modelos que imitan comunicaciones reales. El problema es que, una vez filtrados, no pueden ser "parcheados", ya que el conocimiento extraído persiste y puede usarse para ingeniería social avanzada.

Lo que se vende de IA en la Dark Web (III) — el mercado negro de datasets

En artículos anteriores, se abordaron herramientas como los LLMs sin censura o los deepfakes como servicio. Sin embargo, hay un elemento aún más crítico: los datos.

La idea común es que los modelos son cada vez más potentes y los ataques más sofisticados, pero falta un componente esencial. Un modelo sin datos no sirve de nada. En cambio, un modelo con datos reales transforma por completo el panorama.

En la dark web ya no solo se comercializan accesos o credenciales. Ahora, el producto estrella son los datasets. No se trata de información genérica, sino de material altamente valioso: correos corporativos completos, historiales de chat (Slack, Teams, WhatsApp), documentos internos, tickets de soporte y bases de conocimiento empresariales.

En los foros underground no encontrarás anuncios que digan "dataset para entrenar IA". En su lugar, verás ofertas como "full corporate email dump", "customer support logs" o "SQL database leak". Lo que antes se consideraba material para fraudes puntuales, hoy es un recurso estratégico. Conversaciones reales, lenguaje auténtico y contexto organizativo listos para ser reutilizados. Aunque no se vendan explícitamente como datasets, en la práctica lo son. Y cuando alguien los usa para entrenar un modelo, dejan de ser una simple filtración para convertirse en conocimiento operativo.

Un dump de correos corporativos, por ejemplo, ya no solo sirve para buscar contraseñas. Ahora permite entender cómo se comunica una organización: el tono, la redacción, los procesos de escalado y hasta cómo suena un correo legítimo.

Ejemplos como el Enron Email Dataset, utilizado durante años en entornos académicos, demuestran el valor de estos datos. Miles de correos reales con conversaciones completas, decisiones, tensiones y urgencias. Un mapa detallado del lenguaje corporativo ideal para entrenar modelos de IA.

Las campañas de phishing que usan correos reales no son nuevas, pero ahora operan con mayor escala y precisión. Tras múltiples brechas, se han detectado ataques que citan conversaciones auténticas, replican firmas internas e incluso incluyen referencias válidas.

Además, estos datasets permiten inferir un mapping interno de la organización. Casos como el hackeo a Sony Pictures en 2014 no solo expusieron información sensible, sino también la estructura organizativa: quién se comunica con quién, quién toma decisiones y cómo fluye la información. Con miles de correos o chats, es posible reconstruir un organigrama funcional más preciso que cualquier documento oficial. Esto tiene un valor enorme: si conoces cómo circula la información en una empresa, no necesitas hackear sistemas, solo intervenir en el punto clave.

Empresas de ciberseguridad como IBM X-Force y Trend Micro han señalado esta evolución: el uso de datos filtrados no solo como vector de ataque, sino como material para mejorar la ingeniería social.

Al combinar esto con LLMs sin censura y deepfakes, el resultado es preocupante.

El problema que no se puede parchear

El mayor desafío es que este tipo de información no tiene solución.

Cuando una empresa sufre una brecha, puede restablecer credenciales, cerrar accesos o reforzar controles. Pero no puede borrar lo más valioso: que su comunicación interna haya quedado expuesta.

Una vez que el lenguaje, el tono y el contexto de una organización son capturados, no hay vuelta atrás. Lo que antes era una simple filtración, ahora puede convertirse en algo persistente: un modelo que aprende cómo eres, cómo hablas y cómo decides.

Fuentes:
https://www.hackplayers.com/2026/04/lo-que-se-vende-de-ia-en-la-dark-web-iii-datasets.html