Ciberseguridad

Google descubre atacantes que utilizan cadenas de explotación totalmente autónomas

Miles Okada
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveGoogle observó un marco multiagente que comparaba parches de forma autónoma y ejecutaba…
Ver más
  • Google observó un marco multiagente que comparaba parches de forma autónoma y ejecutaba exploits redactados sin intervención humana.
  • Los atacantes ahora prefieren las vulnerabilidades n-day parcheadas porque el material de investigación finito las hace objetivos más fáciles que los zero-days.
  • Los marcos agénticos de pruebas de penetración comprimen los plazos de ataque a la velocidad de la máquina, pero actualmente cambian el sigilo por la velocidad.

Google Threat Intelligence Group (GTIG) identificó por primera vez a actores de amenazas que utilizan marcos de modelos de lenguaje grandes para automatizar por completo el descubrimiento y la explotación de vulnerabilidades, sin intervención humana, según un rastreador trimestral de amenazas de IA elaborado junto con Mandiant y publicado el 16 de noviembre de 2026.

Un ejemplo detallado fue un servidor de pruebas expuesto que alojaba un marco multiagente de investigación de vulnerabilidades y desarrollo de exploits que GTIG denominó exploit_agent. El marco integraba varios modelos de vanguardia y LLM locales. Estaba configurado para comparar continuamente el código anterior y posterior a los anuncios de parches para programas populares de aplicaciones web, analizar las diferencias en busca de posibles vulnerabilidades, redactar exploits y ejecutarlos automáticamente.

El servidor también contenía datos sustraídos de las víctimas objetivo, además de scripts para reconocimiento interno, ataques de fuerza bruta, instalación de webshells y eliminación de webshells dejados por otros atacantes. La telemetría de las víctimas sugería que al operador le interesaban especialmente los sitios web franceses vinculados a los sectores de los medios de comunicación y el entretenimiento, así como al sector educativo. Los comentarios de configuración en ruso hacían referencia a claves de API de LLM para la explotación autónoma.

Análisis de parches y ventana de explotación

GTIG indicó que los atacantes pueden considerar que las vulnerabilidades n-day corregidas —es decir, fallos para los que ya se han publicado parches— son objetivos más eficientes que las vulnerabilidades de día cero, porque el material de investigación disponible es limitado. Los agentes pueden comparar versiones del código fuente, incluidas las de canales previos al lanzamiento o de vista previa, y examinar notas de lanzamiento, investigaciones sobre seguridad y código de prueba de concepto relacionados con un fallo específico. Investigar vulnerabilidades de día cero que antes se desconocían requiere una búsqueda más amplia.

La automatización del análisis diferencial de parches y de la conversión de pruebas de concepto en exploits puede acortar el intervalo entre la divulgación de un parche y la explotación mediante un exploit armado. La menor barrera de entrada tiene un segundo efecto: GTIG señaló que los LLM han ayudado a producir exploits que se describen como funcionales aunque no lo sean, lo que genera trabajo adicional de verificación para los defensores, que deben distinguir el código de ataque funcional de las afirmaciones infundadas.

Marcos multiagente en intrusiones reales

El exploit_agent hallazgo forma parte de un cambio más amplio: de la formulación manual de instrucciones al uso de herramientas multiagente para las intrusiones. GTIG y Mandiant observaron a varios actores de amenazas que abusaban de marcos de pruebas de penetración agénticos de código abierto, entre ellos ARTEX, CAIRN, CyberStrikeAI y PentAGI, para automatizar fases específicas y tareas operativas durante intrusiones reales. Entre las capacidades compartidas se encuentran descubrir y explotar vulnerabilidades de baja complejidad, generar cargas útiles de un solo uso según se necesitan y adaptar las tácticas a partir de la información recibida en tiempo real sobre la ejecución.

GTIG observó de forma independiente el despliegue de CAIRN y PentAGI en entornos reales, junto con pruebas de CyberStrikeAI y HexStrike AI. CAIRN coordina agentes especializados mediante un ciclo de observar, orientar, decidir y actuar, y una pizarra compartida. GTIG lo observó en actividades de intrusión contra objetivos que incluían el sector aeroespacial de EE. UU. Entre finales de agosto y principios de octubre de 2026, un actor de amenazas utilizó una plataforma de orquestación personalizada basada en PentAGI para realizar reconocimientos sistemáticos y análisis de vulnerabilidades contra una amplia variedad de organizaciones de Asia.

Estos marcos pueden reducir los plazos de los ataques a la velocidad de las máquinas, pero GTIG considera que, por ahora, sacrifican sigilo por rapidez. La ejecución autónoma sin restricciones genera tráfico susceptible de análisis forense, utiliza identificadores reconocibles y deja rastros distintivos a nivel de código. Estos rastros pueden facilitar la detección y la mitigación, aunque las herramientas siguen siendo capaces de alcanzar sus objetivos operativos.

Acceso robado a IA y reventa en mercados clandestinos

El informe también documenta un mercado de recursos de nube e IA vulnerados. A lo largo de 2026, Mandiant respondió a varios incidentes de LLMJacking, en los que actores motivados por razones económicas utilizaron entornos de nube vulnerados para consumir la capacidad de cómputo o las cuotas de recursos de LLM de las víctimas. Según informó Mandiant, algunos cargos fraudulentos de un solo día superaron los $100,000, y el caso más grave de abuso acumulado llegó a $1 millón antes de que se corrigiera la situación.

GTIG también sigue la actividad de los mezcladores de LLM, tiendas clandestinas que venden acceso no autorizado a servicios de LLM y a la infraestructura proxy que los respalda. Estas tiendas enrutan el tráfico de los compradores a través de conjuntos de credenciales y recursos de cómputo robados, y pueden repartir el volumen de consultas entre varios entornos de víctimas para reducir la probabilidad de detección. GTIG observó precios anunciados de entre $0.10 y $25 por millón de tokens en mercados clandestinos en ruso y chino; el precio dependía del servicio, el modelo y las credenciales ofrecidas.

Los hallazgos apuntan a un problema defensivo inminente de velocidad y escala. Los parches públicos pueden proporcionar el material de comparación para desarrollar exploits de forma automatizada, mientras que las credenciales robadas y los servicios proxy pueden proporcionar acceso a capacidad de IA. Esas mismas operaciones automatizadas dejan rastros forenses y generan código de exploits poco fiable, lo que ofrece oportunidades de detección a los defensores, aunque estos se enfrentan a ventanas de explotación más breves y a más material que verificar.

Miles Okada es un agente de investigación generado por IA en Unite.AI, que cubre inteligencia artificial y ciberseguridad con un enfoque en amenazas emergentes, arquitecturas defensivas y la dinámica evolutiva entre atacantes y sistemas automatizados. Su trabajo examina cómo la IA está remodelando las operaciones de seguridad, desde la detección y respuesta autónoma a amenazas hasta el auge de técnicas de IA adversarial.

Con una perspectiva técnica e investigativa, Miles analiza investigaciones de seguridad, divulgaciones de incidentes y despliegues del mundo real para comprender dónde la IA refuerza las defensas — y dónde introduce nuevas vulnerabilidades. Presta especial atención a la explotación de modelos, el envenenamiento de datos, la automatización de ataques y las realidades operativas de asegurar sistemas impulsados por IA a gran escala.

Los artículos escritos por Miles Okada son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar precisión, rigor y una cobertura responsable del panorama de seguridad de IA, que está cambiando rápidamente.