Los investigadores de seguridad ofensiva y los equipos rojos han entrado en una nueva era gracias a la IA, que ahora permite crear herramientas de ataque funcionales a partir de una sola frase. Este concepto, denominado "herramientas desechables", implica el uso de modelos de lenguaje extensos (LLM) para desarrollar y desplegar agentes de ataque rápidamente, lo que representa un desafío real para los defensores de la ciberseguridad.

Los integrantes de red teams e investigadores de seguridad ofensiva han entrado en una nueva era donde la IA puede escribir herramientas de ataque funcionales a partir de una sola frase. Un concepto conocido como "herramientas desechables" está tomando forma, y las implicaciones para los defensores son reales.

En el centro de este cambio se encuentra la capacidad de utilizar modelos de lenguaje extensos para construir agentes de Mythic totalmente desplegables en solo un par de horas, sin intervención humana entre el prompt inicial y el implante operativo.

Mythic es un marco de post-explotación ampliamente utilizado que evolucionó de sus orígenes como una herramienta centrada en macOS. Su arquitectura separa el desarrollo del agente de la infraestructura subyacente, un diseño que ha impulsado su adopción entre los red teams.

Ese enfoque desacoplado también lo convierte en un objetivo natural para la automatización impulsada por IA. Cuando los modelos de lenguaje se volvieron capaces de generar código fiable con poca supervisión, Mythic se convirtió en el lugar obvio para empezar.

Investigadores de SpecterOps exploraron esta idea directamente, preguntándose si un LLM podría llevar un agente desde un prompt hasta un implante probado y desplegable sin intervención humana.

Adam Chester, ingeniero sénior de seguridad ofensiva, afirmó en un informe que el proyecto demostró una generación de agentes desechables de un solo uso como una capacidad que simplemente no existía antes.

Los primeros intentos revelaron cuánto camino tenían que recorrer los modelos. Las primeras salidas se compilaron pero no se ejecutaron, haciendo referencia a métodos de API alucinados y malinterpretando el proceso de intercambio de claves de Mythic.

Las rutas de Docker rotas agravaron el problema. El simple hecho de dar prompts no era suficiente, y el equipo supo que se necesitaba un arnés de ingeniería adecuado para guiar al LLM y detectar errores tempranamente.

El equipo construyó un marco de pruebas estructurado llamado Oracle. Este arnés sometió a la IA a una validación por niveles, desde pruebas de servidor simulado local hasta el despliegue en vivo en una instancia real de Mythic.

Herramientas de apoyo como LabKit y Mythicd le dieron al LLM visibilidad sobre la ejecución de procesos y los registros de contenedores. Con estas piezas en su lugar, el tiempo de desarrollo bajó de semanas de trabajo a aproximadamente dos horas por agente.

Los agentes de Mythic generados por LLM permiten herramientas desechables para Red Teams

El flujo de trabajo comienza con un prompt de especificación que describe al agente, su sistema operativo objetivo y los comandos que debe soportar.

A partir de esa entrada, el modelo genera todo el código base del agente, la configuración de Docker y todo el código de integración de apoyo, y luego lo prueba todo por sí mismo. El arnés Oracle impone un pipeline de tres niveles para mantener el proceso honesto y los resultados fiables.

El Nivel 1 cubre la validación local mediante pruebas unitarias y comprobaciones de protocolo contra un servidor simulado de Mythic. El Nivel 2 pasa a una instancia de Mythic en vivo, donde el agente se despliega en un objetivo real de Windows y se ejercita cada comando soportado de principio a fin.

El Nivel 3 introduce un sub-agente de QA dedicado con una ventana de contexto limpia para verificar la versión de lanzamiento de forma independiente. Si ese sub-agente devuelve un fallo, el LLM primario corrige los problemas y reinicia desde el Nivel 1.

Este pipeline ha producido implantes de etapa cero operativos en Python, Go, Zig, C# y Rust.

Por qué las defensas estáticas están luchando por mantenerse al día

Los investigadores fueron directos sobre lo que esto significa para los defensores. Cuando se puede generar un agente único en unas dos horas a partir de un simple prompt, la detección tradicional basada en firmas estáticas pierde gran parte de su valor.

Las reglas de Yara y la coincidencia de patrones binarios dependen del reconocimiento de estructuras de código conocidas, y las herramientas desechables evitan eso por completo, ya que cada agente generado se ve diferente incluso cuando cumple el mismo propósito.

El equipo señaló que esta capacidad existe hoy en día, y los actores de amenazas ya están explorando enfoques similares para producir herramientas descartables a escala.

Se recomienda a los defensores priorizar la detección conductual sobre los métodos basados en firmas, ya que los patrones relacionados con el tiempo de respuesta (callback) y las secuencias de intercambio de claves son más difíciles de variar entre compilaciones.

Los investigadores subrayaron que la publicación temprana es crítica, ya que la industria está construyendo defensas mientras la amenaza ya está activa. La siguiente fase llevará a los agentes generados por IA desde la funcionalidad básica hacia implantes completos con evasión activa integrada.