En el ámbito de la IA, investigadores de HiddenLayer demostraron que los modelos de decisión como Jev siguen siendo susceptibles a inyecciones de prompts indirectas y manipulaciones, similar a los LLM tradicionales. Esto advierte que cambiar la estrategia de salida de texto por probabilidades no elimina los riesgos de seguridad.

Se ha detectado una vulnerabilidad crítica (CVE-2026-105192) en LMCache que permite ejecutar código remoto sin autenticación en servidores expuestos. El fallo ocurre en el modo multiproceso debido al uso inseguro de la librería pickle para deserializar datos. Actualmente no existe una versión corregida, por lo que se recomienda mantener el servidor limitado al localhost.

OpenAI ha detectado que sus modelos son vulnerables a inyecciones de prompts que se autoreplican como gusanos informáticos. Para combatir esta amenaza, utilizan un agente de red-teaming llamado GPT-Red para entrenar a futuras versiones y hacerlas más robustas. Aunque no se han reportado incidentes reales, existe el riesgo de que este entrenamiento haga que los modelos sean más sigilosos al ejecutar ataques.

Se detectó PhantomRaven, un malware basado en JavaScript distribuido mediante paquetes maliciosos en npm para robar credenciales y secretos de CI/CD. CrowdStrike indica que el código fue probablemente generado con inteligencia artificial y que el atacante lo usa para encontrar vulnerabilidades y reclamar recompensas de bug bounty. El actor ha estado activo desde 2022, afectando a diversos sectores tecnológicos y comerciales.

La AEPD informó sobre la primera brecha de datos en España causada por un agente de IA autónomo que vulneró un sistema para acceder a facturas y datos personales. Este incidente demuestra que los ataques asistidos por IA ya son una realidad, impulsando la necesidad de revisar los modelos de seguridad. Ante este riesgo, se insta a las organizaciones a implementar mecanismos de detección y respuesta rápida.

Se ha descubierto un fallo arquitectónico significativo en la forma en que proveedores de IA como OpenAI, Anthropic y Google protegen el razonamiento interno (chain-of-thought) de sus modelos principales. La investigación revela que es posible extraer estos rastros de razonamiento privados en texto plano al replicar los sobres de razonamiento cifrados de las APIs en modelos hermanos más débiles y menos protegidos.

Investigadores de 1Password descubrieron que los modelos de IA solo solucionan vulnerabilidades de seguridad correctamente en un 26% de los casos, a menudo introduciendo nuevos errores o alterando el comportamiento de las aplicaciones. El estudio concluye que los parches generados por IA requieren supervisión humana obligatoria, ya que el riesgo de fallos es alto. Además, advierten que revisar múltiples intentos incorrectos de la IA puede resultar más costoso y agotador que programar la solución manualmente.

El proyecto OWASP ha lanzado oficialmente el Top 10 para Aplicaciones LLM 2026, una guía de seguridad fundamental diseñada para combatir las vulnerabilidades más críticas en aplicaciones de inteligencia artificial modernas y agentes autónomos. Esta edición actualizada sirve como una base respaldada por evidencia y la comunidad para que desarrolladores, arquitectos y directores de seguridad (CISO) puedan gestionar de forma segura los despliegues de GenAI en las empresas.

Se ha detectado una crisis de seguridad masiva en los servidores públicos del Model Context Protocol (MCP), identificando 4.982 problemas de seguridad en 2.259 servidores afectados. Estas vulnerabilidades representan una amenaza directa para el ecosistema de la IA agentica, especialmente dado que el MCP es el estándar predominante para conectar modelos de lenguaje (LLM) con fuentes de datos locales y remotas.

Investigadores de Check Point advirtieron que modelos de IA como DeepSeek están facilitando la creación de ransomware que opera directamente en el navegador. Mediante el abuso de la API de acceso al sistema de archivos de Chrome, atacantes con poca experiencia pueden diseñar aplicaciones web maliciosas para cifrar archivos locales. Aunque algunas muestras son incompletas, el equipo demostró que es posible convertirlas en ataques funcionales con un esfuerzo mínimo.

Investigadores advierten que los modelos de IA son vulnerables a la inyección de prompts porque confunden los roles de usuario y sistema basándose en el estilo de escritura y no en una seguridad real. Esta falla estructural permite que ataques como el CoT Forgery engañen al modelo, haciendo que ignore sus restricciones de seguridad. Concluyen que, mientras no haya una percepción genuina de roles, estas amenazas persistirán a pesar de las mitigaciones actuales.

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.

Headroom es un proyecto open source diseñado para reducir hasta un 92% los tokens enviados a LLMs como Claude o GPT, optimizando la ventana de contexto al eliminar datos redundantes.

Un estudio empírico realizado a 444 aplicaciones gratuitas de iOS en la App Store de EE. UU. reveló que el 64% (282 aplicaciones) filtran credenciales de API de modelos de lenguaje extenso (LLM) a través del tráfico de red. Esta vulnerabilidad expone a los desarrolladores a un abuso a gran escala de sus cuentas de LLM y recursos en la nube.

Anthropic ha lanzado Claude Fable 5, descrito como su sistema de inteligencia artificial más potente hasta la fecha.

Un nuevo estudio revela que los modelos de lenguaje avanzado (LLMs), especialmente Claude Mythos Preview de Anthropic, están acelerando drásticamente la creación de exploits de N-day. Esta tecnología permite reducir el tiempo de desarrollo de semanas a tan solo unas pocas horas, incrementando significativamente el riesgo durante el periodo en que las vulnerabilidades ya son públicas pero aún no han sido parcheadas en los sistemas.

El presidente de Uber, Andrew Macdonald, advirtió que aún no hay un vínculo claro entre el alto gasto en tokens de IA y la creación de funciones útiles para los consumidores. Debido a esto, la empresa está frenando la inversión indiscriminada en estas tecnologías. La compañía busca ahora priorizar la productividad real y los resultados tangibles sobre el simple uso masivo de modelos de lenguaje.

La inteligencia artificial está empezando a superar a los ingenieros en áreas específicas del diseño de chips, optimizando la eficiencia y reduciendo costos. Aunque herramientas como las de Google DeepMind logran diseños super-humanos, el proceso aún requiere una guía humana constante para la toma de decisiones estratégicas. Actualmente, la IA actúa como un multiplicador de fuerza que permite a los expertos explorar innovaciones más complejas y rápidas.

Un entusiasta logró ejecutar localmente el modelo de lenguaje Kimi K2.5 de un billón de parámetros utilizando 768 GB de memoria Intel Optane usada. Gracias a una configuración híbrida de CPU y GPU, alcanzó una velocidad de procesamiento de aproximadamente 4 tokens por segundo. Este proyecto demuestra que existe una oportunidad para memorias intermedias entre la RAM y los SSD en el despliegue de IA.

Empresas como Microsoft, Palo Alto Networks y Mozilla están utilizando modelos de IA avanzados para detectar vulnerabilidades en sus códigos a una velocidad sin precedentes. Aunque esto permite corregir fallos antes de que sean explotados, ha generado un aumento masivo de parches y una carga de trabajo mucho mayor para los administradores de sistemas. Los expertos advierten que existe una ventana crítica de pocos meses para superar la capacidad de los atacantes antes de que los exploits impulsados por IA se vuelvan la norma.