La inteligencia artificial ya no es una herramienta marginal en los ciberataques; un informe publicado por el Google Threat Intelligence Group en mayo de 2026 afirmó que la inteligencia artificial generativa se integra a escala industrial en los flujos de trabajo de los atacantes y que su uso ya aparece en prácticamente todas las etapas del ataque. Según el artículo publicado por ITmedia AI Plus, el grupo detectó por primera vez a un actor de amenazas que intentaba utilizar una explotación de una vulnerabilidad de día cero desarrollada con ayuda de la inteligencia artificial.
La vulnerabilidad se utilizó en un intento de atacar una herramienta de código abierto para la gestión web y permitía eludir la autenticación de dos factores. Lo más importante es que no se debía a un error de implementación tradicional, como la corrupción de memoria, sino a un fallo lógico avanzado en el diseño de la aplicación. Esto indica que los grandes modelos de lenguaje capaces de leer el contexto y razonar pueden ayudar a descubrir errores lógicos que las herramientas tradicionales de análisis de vulnerabilidades no habían logrado detectar.
El problema no está solo en la inteligencia artificial, sino en la facilidad de acceso a ella
El artículo afirma que los ataques observados se basaron principalmente en cuentas comerciales de modelos cerrados que fueron tomadas o utilizadas indebidamente. Sin embargo, la proliferación de modelos de pesos abiertos cambia la ecuación desde otro ángulo: después de descargar los pesos del modelo, su uso queda menos sujeto a la supervisión del desarrollador, y al editor le resulta más difícil retirarlo o imponer controles posteriores.
Daisuke Fuji, responsable del negocio de ciberseguridad de Accenture Japón, explicó que la diferencia fundamental entre los modelos cerrados y los de pesos abiertos está relacionada con el grado de control que el desarrollador puede ejercer sobre su uso. Los modelos cerrados suelen combinar controles de seguridad, registro de cuentas, condiciones de uso y supervisión de la actividad. En cambio, los modelos de pesos abiertos pueden modificarse o volver a entrenarse para debilitar su tendencia a rechazar comportamientos dañinos, incluida la producción de versiones descritas como «sin censura».
Los atacantes no necesitan poseer el mejor modelo disponible. Según Fuji, incluso los modelos de menor rendimiento que los modelos cerrados de Anthropic y OpenAI pueden encontrar un gran número de vulnerabilidades. Descubrir vulnerabilidades profundas que no se hayan detectado durante décadas puede requerir un modelo más avanzado, pero los delincuentes que buscan dinero suelen preferir objetivos que puedan atacarse con rapidez y a bajo coste.
¿Qué cambia en la práctica para las organizaciones?
Estos avances no significan que los ataques vayan a convertirse de inmediato en operaciones completamente autónomas gestionadas por máquinas. Fuji considera que el uso predominante sigue consistiendo en asistir a las personas, porque ejecutar modelos avanzados a gran escala requiere unidades de procesamiento gráfico y recursos de servidores limitados y costosos. El uso más realista actualmente es acelerar el reconocimiento: identificar posibles sitios web, analizar un gran número de objetivos y encontrar sistemas que puedan atacarse rápidamente.
Pero reducir el coste del reconocimiento puede ampliar la lista de objetivos. Sistemas que parecían económicamente inviables pueden volverse susceptibles de ataque si es posible recopilar información sobre ellos de forma automatizada. Entre ellos destacan los sectores financiero y de las criptomonedas, además de las propias empresas de inteligencia artificial. El informe del GTIG señala que la inteligencia artificial se ha convertido simultáneamente en un motor avanzado de ataques y en un objetivo de gran valor; se han detectado ataques contra la cadena de suministro de software de inteligencia artificial, como la inserción de código malicioso en paquetes de habilidades personalizados para agentes de inteligencia artificial y la intrusión en puertas de enlace que conectan varios grandes modelos de lenguaje.
La defensa comienza suponiendo que la intrusión tendrá éxito
La conclusión práctica más importante del artículo es que impedir todos los ataques ya no es una base realista para construir un plan de protección. Fuji recomienda adoptar medidas que reduzcan los daños después de una intrusión, como establecer planes de continuidad del negocio, conservar copias de seguridad de los datos y dividir las redes en zonas más pequeñas mediante la microsegmentación de la red. Estas medidas no impiden todas las intrusiones, pero pretenden limitar la propagación del atacante y acelerar la recuperación de las operaciones; son principios conocidos para hacer frente al ransomware.
También adquiere mayor importancia reducir la información expuesta públicamente. El modelo puede recopilar pequeñas señales, como las tecnologías anunciadas en eventos públicos o detalles del código de las páginas web, y luego construir hipótesis sobre el entorno de la organización. Fuji plantea el engaño defensivo —es decir, proporcionar información falsa con el objetivo de confundir el razonamiento del atacante— como una de las opciones posibles.
Gestionar la deuda de parches y utilizar la inteligencia artificial con cautela
El artículo también llama la atención sobre el problema de la «deuda de parches»: la acumulación de vulnerabilidades que no se han corregido debido a la dificultad de probar las actualizaciones, preparar los procedimientos y verificar el entorno después de aplicarlas. Fuji afirma que las empresas japonesas pueden verse especialmente afectadas por la complejidad de los sistemas y por el tiempo que requieren las operaciones previas y posteriores a la instalación de los parches. Entre las tendencias que mencionó se encuentran reducir la superficie de los sistemas que necesitan parches mediante la migración a la nube y utilizar la inteligencia artificial para acelerar las pruebas y la verificación.
Sin embargo, utilizar la inteligencia artificial para la defensa conlleva un riesgo paralelo. Si la organización envía su código o los datos de su entorno a un proveedor y ese proveedor sufre posteriormente un ataque, la herramienta de protección puede convertirse en una fuente de información para el atacante. Por ello, antes de construir un entorno de análisis de vulnerabilidades con inteligencia artificial, hay que verificar dónde se almacenan los datos y si se utilizarán para el entrenamiento. El artículo señala que el interés por la inteligencia artificial soberana, que mantiene la herramienta bajo el control de la organización, está aumentando entre los clientes de Accenture.
La lectura editorial de certi.news: el cambio real no es la aparición de ataques completamente autónomos, sino la reducción del coste de buscar objetivos y vulnerabilidades explotables. Esto aumenta el valor de la resiliencia operativa y de reducir la superficie de información expuesta, junto con el análisis proactivo, las pruebas de penetración y los ejercicios de equipos rojos. La fuente confirma que los defensores tienen una ventaja importante: conocen mejor sus propios entornos; pero el grado en que aprovechen esta ventaja dependerá de la calidad de los datos, de los controles para compartir información y de la capacidad de las organizaciones para abordar lo que descubran antes de que el atacante se les adelante.