La ola de intrusiones automatizadas que ha recorrido el sector tecnológico en los últimos meses no es un evento aislado: es el síntoma de un cambio de paradigma que la ciberseguridad mundial apenas puede articular. Lo que hacía dos años solo ocurría en manuales de inteligencia estatal, ahora se ejecuta en workstations convencionales con un coste de centavos por ejecución.
El informe central sobre el tema, publicado en el podcast Decoder del The Verge la semana pasada, presenta a Alex Stamos, chief security officer de Cognition e investigador del Centro de Política de Ciberseguridad de Stanford, describiendo un escenario que él denomina una "edad de las tinieblas". La metáfora no es gratuita: Stamos compara la situación actual con el inicio de la era de Internet, en los años 1990, cuando pequeños grupos underground descubrían vulnerabilidades a gran escala — pero con una diferencia crucial. En aquella época, las redes eran principalmente académicas e izoladas; hoy, las mismas herramientas exponen el comercio global conectado.
¿Qué cambió técnicamente? Según Stamos, los llamados "modelos de pesos abiertos" — modelos de inteligencia artificial cuyas weights son accesibles públicamente y pueden ejecutarse localmente — han eliminado la barrera que antes limitaba los ataques automatizados a servicios comerciales de inteligencia artificial con guardrails de seguridad y logs rastreables por autoridades. Un modelo GLM-5.3 cuantizado y "obliterado" (sin los filtros de seguridad integrados) se ejecuta en un Mac Studio con hardware de consumo y ejecuta tooling ofensiva de forma independiente.
Pero el concepto más revelador que Stamos presentó es la "inversión de la cadena de muerte" (kill chain inversion). Tradicionalmente, los grupos de amenaza gastaban semanas o meses conduciendo investigación manual de vulnerabilidades, escribiendo código de exploit y escalando operadores humanos para desplegar payloads contra objetivos seleccionados. La operación era esencialmente un proceso de depósito: investigar, crear, almacenar, luego disparar. El nuevo flujo invierte esta lógica. Los engines de software automatizados inspeccionan la infraestructura del objetivo en tiempo real, detectan vulnerabilidades y generan código de explotación específico para ese entorno, sin necesidad de intervención humana previa. La velocidad de descubrimiento elimina la ventana de respuesta defensiva que los equipos de seguridad tradicionalmente usaban para corregir fragilidades conocidas.
Un caso concreto ilustra la escala: el framework ARTEX, una herramienta de código abierto china con traducción al inglés disponible en GitHub. Cuando se conecta a un back-end de modelo de pesos abiertos sin filtrar, como el GLM-5.3 obliterado, el sistema escanea redes objetivo, mapea fragilidades sin corregir y escribe payloads personalizados. Campañas con esta arquitectura comenzaron con tres bancos surcoreanos y, en una semana, alcanzaron cerca de 200 organizaciones adicionales.
Lo que hace el problema aún más complejo es la cadena de suministro de herramientas de desarrollo. Ataque recientes explotaron la infraestructura de providers de IA — el caso de Fireworks AI, donde credenciales de API fueron exfiltradas de jobs de evaluación de clientes, y luego usadas para acceder a la plataforma Cursor, donde un plugin malicioso fue distribuido hasta 5.000 entornos corporativos. Cada una de esas empresas se convirtió, potencialmente, en un punto de entrada secundario.
Desde el lado defensivo, el problema económico es igualmente devastador. Stamos señala que el coste marginal de tokens para atacantes usando modelos abiertos en hardware commodity es cercano a cero. Para el defensor, sin embargo, la ecuación es radicalmente diferente: los equipos de seguridad lidian con miles de vulnerabilidades simultáneas, cada una exigiendo triaje manual, priorización y corrección. Bug bounties, conferencias de seguridad y normas de divulgación responsable — mecanismos que mantuvieron cierto equilibrio por décadas — no escalan a la velocidad que los agentes automatizados operan.
Los datos de benchmark corroboran la urgencia. Testes de Vals AI mostraron que el DeepSeek V4.1 Flash (modelo de pesos abiertos) completó cerca del 73% de los objetivos en sus CyberOffense ranges contra el 81% del GPT-6 Sol (modelo restringido de OpenAI), costando menos de US$ 3 por ejecución contra US$ 22 del modelo propietario. La diferencia de performance se reduce aún más cuando se considera que los modelos abiertos necesitan más tokens para alcanzar progreso significativo — evaluaciones cortas subestiman sistemáticamente su capacidad. El UK AI Security Institute estimó que el desfase entre modelos abiertos y cerrados cayó a cuatro a siete meses, contra seis a diez meses en 2025.
La respuesta del sector ya comenzó, pero sigue siendo fragmentada. Mozilla ahora publica actualizaciones semanales del Firefox para reducir el "patch gap". Japón aprobó un paquete emergencial de ¥10 billones en ciberseguridad. OpenAI clasificó su GPT-6 Cyber como "Critical" para seguridad y lo limita a clientes aprobados del Daybreak Red. Cognition, la empresa donde Stamos trabaja, ha enviado equipos para ayudar a empresas comprometidas. Pero ninguno de estos movimientos escala a la velocidad necesaria.
La pregunta es si la infraestructura de defensa digital será capaz de adaptarse antes de que los atacantes alcancen la madurez operacional completa — o si vamos a pasar años de fricción operacional sostenida hasta que las organizaciones reimaginen completamente sus arquitecturas de red, aisle entornos de desarrollo sensibles e implementen agentes autónomos capaces de corregir código comprometido a la velocidad de una máquina.
Fuentes: The Verge, MLQ News, SafeDep
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
