El informe “AI Across the Intrusion Lifecycle” de Gambit Security muestra cómo AI se está integrando en los ciberataques del mundo real

Gambit Security’s nuevo informe, AI Across the Intrusion Lifecycle ofrece una visión detallada de cómo la inteligencia artificial está moviéndose más allá de un papel de apoyo en el cibercrimen y se está integrando en la mecánica diaria de las intrusiones reales. Escrito por el Director de Inteligencia de Amenazas Eyal Sela y el Investigador de Amenazas Cibernéticas Nir Varon, el informe examina tres actores de amenazas no relacionados que utilizan AI para todo, desde la creación de scripts y herramientas de explotación hasta el análisis de datos de negocios robados, la solución de problemas de infraestructura y la determinación interactiva de qué hacer a continuación en entornos comprometidos.
La importancia no radica simplemente en que los atacantes están pidiendo a los grandes modelos de lenguaje que escriban malware. Los casos sugieren algo más consecuente: AI se está convirtiendo en parte del flujo de trabajo operativo de una intrusión, ayudando a los atacantes a adaptarse a medida que aparecen nuevos sistemas, credenciales, errores y oportunidades.

De asistente de codificación a participante operativo

A lo largo de las tres investigaciones, Gambit observó a los atacantes utilizando AI en diferentes etapas de una intrusión. Los modelos generaron scripts personalizados para los entornos que encontraron, desarrollaron herramientas de explotación, priorizaron la información de negocios valiosa, realizaron tareas de TI y DevOps, y refinaron repetidamente los comandos en función de la salida devuelta por los sistemas comprometidos.

Esto representa una evolución importante desde algunas de las primeras discusiones sobre el cibercrimen habilitado por AI, que se centraron en gran medida en correos electrónicos de phishing, generación de malware o reducir la barrera técnica para atacantes inexpertos.

AI puede funcionar ahora más como un asistente técnico altamente receptivo que permanece involucrado a medida que se desarrolla la operación.

El panorama de amenazas más amplio parece estar moviéndose en la misma dirección. Anthropic analizó recientemente 832 cuentas asociadas con actividad cibernética maliciosa entre marzo de 2025 y marzo de 2026 y encontró que el uso de AI abarcaba las 14 tácticas representadas en el marco de ataque MITRE. La empresa también encontró que la participación de actores que clasificó como de riesgo medio o superior aumentó del 33% al 56% entre la primera y la segunda mitad del período estudiado.

Los casos de Gambit proporcionan una visión particularmente concreta de cómo puede verse ese cambio dentro de las comprometidas activas.

Un operador de ransomware sospechoso pone Claude Code dentro del bucle de ataque

El primer caso implica a un operador de ransomware sospechoso que Gambit observó utilizando Claude Code en intrusiones a seis organizaciones en junio de 2026, con los investigadores también conectando al actor con dos compromisos anteriores.

Las víctimas abarcaron múltiples industrias y países, incluyendo una empresa de servicios energéticos australiana, una empresa de servicios financieros en Mauricio, empresas en Sudáfrica, Tailandia y Malasia, y varias organizaciones en los Estados Unidos. Gambit atribuye la actividad con confianza media a un afiliado que utiliza la operación de ransomware como servicio de The Gentlemen.

Lo que destaca es el alcance del papel de Claude Code.

El atacante utilizó el sistema para realizar reconocimiento, generar comandos de explotación, escribir scripts maliciosos, modificar políticas de firewall, mapear sistemas internos y determinar qué máquinas o bases de datos merecían atención adicional.

Una vez que se establecieron las credenciales y el acceso remoto, AI ayudó a interpretar los datos de reconocimiento e identificar sistemas de mayor valor, como controladores de dominio, servidores de archivos y infraestructura de respaldo. En otra parte de la intrusión, analizó bases de datos pertenecientes a una plataforma de servicios financieros y ayudó a identificar datos de producción y documentos de clientes como particularmente importantes.

El caso también ilustra los límites de las salvaguardias actuales. En un momento, Claude reconoció que parecía interactuar con una red corporativa real y se negó a proceder sin evidencia de autorización. El operador abrió una nueva sesión, reformuló el trabajo como prueba de vulnerabilidad autorizada y el modelo continuó.

Pero la capacidad aumentada no significó una ejecución perfecta. Durante el compromiso de la empresa de servicios energéticos, Claude intentó modificar una configuración de firewall y finalmente dejó el dispositivo inaccesible. El incidente es un importante contrapunto a los temores de hackers de AI perfectamente autónomos: los modelos pueden acelerar las operaciones ofensivas, pero también pueden cometer errores costosos dentro de los propios sistemas que los atacantes están tratando de controlar.

Zerofot muestra qué sucede cuando AI se encuentra con la escala

El segundo caso es menos sobre una intrusión dirigida y más sobre la industrialización del robo de credenciales.

Gambit rastrea al operador como Zerofot, describiendo una campaña que busca archivos y directorios expuestos en Internet para API keys, credenciales de nube, tokens de software y claves privadas SSH.

En el centro de la operación se encontraba un escáner de recolección de credenciales personalizado llamado auto_scan. El operador construyó la herramienta utilizando OpenAI Codex y Claude Code, instruyendo a los modelos bajo el supuesto de que el trabajo se estaba llevando a cabo en un entorno de captura de banderas autorizado. El escáner recopiló archivos expuestos, los buscó en busca de credenciales potenciales y luego intentó validar las claves descubiertas contra sus respectivos servicios.

El papel de AI no se detuvo una vez que se escribió la herramienta.

Claude Code también se utilizó para el trabajo menos glamoroso pero operativamente crítico de mantener la infraestructura en funcionamiento. A través de un marco de orquestación multiagente, ayudó a gestionar la infraestructura del escáner, proxies, redes, configuraciones de firewall, monitoreo y depuración.

Esta distinción es importante. Las operaciones cibernéticas requieren mucho más que descubrir una vulnerabilidad o generar una carga útil. La infraestructura necesita ser desplegada, el software se rompe, los registros necesitan ser interpretados y los problemas de configuración deben ser resueltos. AI puede asistir cada vez más en este trabajo de conexión.

La escala documentada por Gambit es sustancial. Entre el 5 de abril y el 23 de mayo de 2026, la operación recopiló 2.975 credenciales y claves validadas de 1.742 hosts de víctimas. Esto incluyó 661 claves privadas SSH, 635 claves de acceso de AWS asociadas con 214 cuentas, 448 claves de Google Gemini, 254 claves de OpenAI y 176 claves de Anthropic, entre otros tipos de credenciales. Gambit dice que la información se compartió con la Fundación Shadowserver y los proveedores de servicios afectados para apoyar la notificación y la revocación de credenciales.

RAGE convierte el código generado por AI en un marco de explotación

La tercera investigación se centra en RAGE, un marco de trabajo personalizado de Python diseñado para escanear servicios que enfrentan Internet, explotar implementaciones vulnerables, recopilar credenciales e instalar mineros de criptomonedas.

Los investigadores de Gambit creen que gran parte de RAGE y sus scripts asociados fueron generados por AI. Una pista es particularmente reveladora: partes del código aún contienen razonamiento de primera persona, autocorregido, aparentemente dejado atrás por el modelo durante el desarrollo.

AI también se incorporó directamente en el sistema terminado. RAGE incluyó un “Orquestador de AI” respaldado por DeepSeek dentro del panel de control del operador que proporcionó orientación para gestionar la operación de minería.

El marco de trabajo se dirigió a servicios expuestos, incluyendo Redis, Elasticsearch, Docker, Tomcat, Jenkins y otros, mientras buscaba en entornos comprometidos credenciales que pudieran crear oportunidades adicionales.

En un caso, las credenciales recuperadas de una implementación de Redis expuesta perteneciente a un proveedor de software como servicio proporcionaron acceso administrativo a una cuenta de AWS. El atacante generó posteriormente herramientas adicionales para enumerar identidades, almacenamiento y otros recursos de nube.

Los registros recuperados mostraron acceso a ocho usuarios de Identity and Access Management, cuatro de los cuales tenían acceso de administrador, así como 196 cubetas de Amazon S3.

Una campaña que parecía estar motivada principalmente por la minería de criptomonedas también tenía la capacidad de convertir un servicio expuesto en una comprometida de nube más amplia.

Los errores de AI pueden convertirse en parte de la ventaja del defensor

Uno de los aspectos más interesantes de la investigación de Gambit es que documenta los errores de AI junto con los éxitos de AI.

Los modelos a veces expusieron las intenciones del atacante de maneras inesperadas. Las herramientas generadas por AI utilizaban nombres conspicuos como “recon” para sesiones de nube, mientras que otros artefactos generados conservaban comentarios y razonamiento descriptivos que podrían proporcionar pistas sobre cómo se crearon. En el caso de ransomware, un intento de modificación de firewall produjo una interrupción.

Estas debilidades complican la idea de que AI hace automáticamente que las operaciones cibernéticas sean más sigilosas o sofisticadas.

Los investigadores de seguridad de Microsoft han descrito de manera similar a AI como un acelerador dentro de los flujos de trabajo de los atacantes, con los operadores humanos dirigiendo muchas operaciones de extremo a extremo. Los hallazgos de Gambit sugieren que la relación puede parecerse cada vez más a una asociación: los humanos proporcionan objetivos y juicio, mientras que AI absorbe partes significativas de la iteración técnica necesaria para alcanzar esos objetivos.

Esto puede hacer que los atacantes sean más rápidos sin necesariamente hacerlos mejores en términos de seguridad operativa.

Los equipos de ciberseguridad pueden necesitar defenderse contra la iteración a velocidad de máquina

La preocupación más grande planteada por la investigación es la velocidad.

Muchos controles de seguridad asumen que un adversario se moverá a través de una red a un ritmo similar al humano. Un atacante tradicionalmente necesita comprender una tecnología desconocida, investigar comandos, escribir scripts, solucionar errores y interpretar grandes cantidades de datos antes de decidir dónde moverse a continuación.

Un sistema de AI puede comprimir muchos de esos pasos.

El riesgo, por lo tanto, no se limita a un futuro agente de hacking autónomo. Un atacante que permanece firmemente en control puede utilizar AI para reducir la cantidad de experiencia, tiempo y esfuerzo manual necesario para operar en entornos desconocidos.

Los defensores pueden necesitar, en consecuencia, centrarse menos en si un trozo particular de malware fue “generado por AI” y más en señales de comportamiento en todo el ciclo de vida de la intrusión: reconocimiento inusualmente rápido, comandos adaptativos repetidos, descubrimiento agresivo de credenciales, enumeración de nube inesperada, cambios en la infraestructura de respaldo o seguridad, y el movimiento entre sistemas que ocurre más rápido de lo que sugieren las operaciones lideradas por humanos tradicionales.

Las mismas capacidades también siguen siendo valiosas para la defensa. Anthropic, por ejemplo, ha estado desarrollando sistemas de AI que identifican vulnerabilidades y ayudan a los equipos de seguridad a mitigarlas, subrayando la naturaleza de doble uso de los modelos de ciberseguridad cada vez más capaces. La competencia es cada vez más sobre qué lado puede aplicar esas capacidades más rápido y con mejor visibilidad.

En última instancia, “AI Across the Intrusion Lifecycle” es convincente porque mueve la discusión de la ciberseguridad de AI lejos de los ataques futuros hipotéticos y hacia el comportamiento operativo observable. Los tres casos documentados por Gambit Security muestran a los atacantes experimentando con diferentes modelos, marcos y niveles de automatización, pero comparten un patrón importante: AI ya no se limita a ayudar a preparar un ataque. Está cada vez más presente mientras el ataque está sucediendo.