La IA como el copiloto para cometer ciberdelitos
Pensar en infraestructura crítica es pensar en hospitales que se quedan sin electricidad en medio de una operación. Tuberías que revientan porque alguien alteró la presión desde un puerto remoto. Trenes que chocan porque el sistema de señalización recibió la orden equivocada. Durante años, atacar algo así requería meses de reconocimiento, una paciencia estoica y una destreza técnica que pocos tenían. Eso ya no es así.
La IA generativa le ha dado al atacante lo que la pólvora le dio al primer tipo que se dio cuenta de que podía volar una muralla en lugar de escalarla. Automatización, adaptación y potencia. Tres vectores que se alimentan entre sí y que están transformando el paisaje de las amenazas a infraestructuras críticas.
La automatización y el atacante durmiente.
01. El reconocimiento que no duerme.
La fase más aburrida del ciberataque siempre fue el reconocimiento. Barrer puertos, enumerar servicios, buscar vulnerabilidades conocidas. Un humano lo hace lento. Un humano se aburre. Un modelo de lenguaje bien entrenado no.
En el año 2025, los informes de inteligencia de amenazas mostraron un aumento en el uso de IA para automatizar el reconocimiento a escala. Los actores de amenazas utilizaron flujos de trabajo asistidos por IA para escanear grandes volúmenes de servicios expuestos, reduciendo drásticamente el tiempo entre el descubrimiento de una vulnerabilidad y su explotación. No es teoría: el grupo vinculado al Estado chino que Anthropic detectó usando Claude Code automatizó por completo el reconocimiento, el desarrollo de herramientas y el mapeo de activos en una campaña de ciberespionaje.
02. El Phishing hiperpersonalizado a escala.
Los correos de spear phishing siempre fueron el talón de Aquiles de la seguridad humana. El problema es que hacerlos bien requiere tiempo. Conocer a la víctima. Estudiar su lenguaje, sus jefes, sus proyectos. La IA reduce ese trabajo a segundos.
Un estudio reciente encontró que los correos de phishing personalizados con IA logran una tasa de clics del 54%, más de cuatro veces la del phishing masivo tradicional (12%). La razón es simple: la IA puede escribir en tiempo real mensajes que imitan el tono de un directivo, replicar patrones de lenguaje y hasta generar deepfakes de voz y video para llamadas de confirmación.
En marzo del año 2025, un atacante utilizó la cuenta de correo hackeada de un CEO danés para lanzar una campaña de spear phishing. Los mensajes eran tan convincentes que incluso un periodista que conocía personalmente al CEO cayó en la trampa inicial. Y para finales deel año 2025, las campañas de phishing asistidas por IA ya representaban más del 80% de la actividad de ingeniería social observada a nivel mundial.
03. La Generación de payloads y malware polimórfico.
Aquí es donde se pone realmente interesante. En agosto del año 2025, ESET descubrió PromptLock, el primer ransomware documentado que incrustaba un modelo de lenguaje directamente en su payload. El malware generaba código malicioso en tiempo real según el entorno de ejecución. Polimorfismo puro, pero sin necesidad de un motor de ofuscación tradicional.
No fue un caso aislado. El informe de Trellix de octubre del año 2025 documentó un aumento general en la detección de malware potenciado por IA, con cadenas de ataque cada vez más complejas y un enfoque creciente en infraestructuras críticas.
La adaptación de la IA que aprende mientras ataca.
01. La evasión de detección en tiempo real.
Los sistemas de detección de intrusiones (IDS) tradicionales funcionan con reglas fijas o firmas. La IA generativa se alimenta de eso. Un ciberatacante puede usar un modelo de lenguaje para analizar la configuración de un IDS conocido (digamos, Snort) y generar tráfico de prueba que no active ninguna regla, aprendiendo por ensayo y error qué patrones son seguros.
El informe de ENISA 2025 señala que los grandes modelos de lenguaje se están utilizando para mejorar el phishing y automatizar actividades de ingeniería social, pero también advierte que los sistemas maliciosos emergentes de IA son una preocupación creciente por su capacidad de adaptación.
02. Los deepfakes operativos.
La adaptación no es solo técnica. También es humana. Un atacante puede generar un deepfake de audio en tiempo real durante una llamada telefónica para suplantar a un operador de una planta de tratamiento de agua. O un deepfake de video para una videoconferencia de emergencia. Las capacidades ya existen y la barrera de entrada es mínima.
Potenciación. de un acceso menor al control total
01. Los movimiento lateral y escalada de privilegios con IA.
Aquí está el corazón del asunto para infraestructuras críticas. Un atacante que consigue un punto de apoyo menor en una red OT puede, con ayuda de IA, mapear toda la topología de control industrial en minutos, no en semanas.
En un incidente documentado en un entorno AWS, un atacante logró acceso administrativo en menos de 10 minutos, moviéndose lateralmente a través de 19 cuentas diferentes, abusando de servicios de IA (Amazon Bedrock) y lanzando instancias GPU para potencial entrenamiento de modelos maliciosos. El atacante usó código generado por IA y rotación de IP para evadir detección. Lo que destacó un CISO al analizar el caso fue que la IA eliminó la vacilación humana, colapsando el reconocimiento, la prueba de privilegios y el movimiento lateral en “una secuencia única y rápida”.
El movimiento lateral impulsado por IA es ahora una preocupación central. Como señaló Jonathan Wall de Runloop, los agentes de IA con amplio acceso a sistemas sensibles pueden permitir el tipo de movimiento lateral con el que los actores de amenazas siempre han soñado. Y MITRE ATLAS, el marco específico para amenazas a sistemas de IA, ya cataloga 84 técnicas documentadas en su versión más reciente.
02. Los Ciberataques a la cadena de suministro de IA.
El giro más siniestro. Los atacantes no solo usan IA para atacar. También atacan la IA misma. El envenenamiento de modelos (model poisoning) y el secuestro de modelos (LLMjacking) son técnicas documentadas en MITRE ATLAS. Un atacante puede introducir un modelo malicioso en Hugging Face, esperar a que una organización lo descargue y usarlo como puerta trasera. Ya hay casos documentados en la base de casos de estudio de ATLAS.
La forensia y la caza de lo que no deja rastro humano.
Toda esta sofisticación plantea un problema existencial para la informática forense, cuando el atacante no es humano, ¿a quién se atribuye la acción?
01. La recolección de evidencia en ataques autogenerados.
El marco forense tradicional (identificación, preservación, análisis, presentación) sigue siendo válido, pero sus herramientas deben evolucionar. Investigaciones recientes han propuesto marcos basados en redes neuronales que integran identificación de ataques, clasificación de tráfico de red y reconstrucción de actividad, logrando un 97.82% de precisión en la detección de patrones de ataque.
También han surgido agentes forenses autónomos como CyberSleuth, que reciben trazas de red de un ataque y extraen evidencia forense, identificando servicios comprometidos y mapeando exploits a CVEs exactos con un 80% de precisión en incidentes documentados.
02. La cadena de custodia en la era de la IA.
El mayor desafío no es técnico sino procesal. Si el código que ejecutó el ataque se generó en tiempo real y luego desapareció, ¿cómo se demuestra su existencia? La respuesta está en la captura temprana de memoria volátil y en el análisis de logs de ejecución de modelos de IA (si están habilitados, lo cual no siempre es el caso).
La recomendación forense para infraestructuras críticas es implementar telemetría específica para modelos de IA, como sugiere MITRE ATLAS, y mantener registros de entrada/salida de todos los modelos en producción. Sin esos registros, la atribución es imposible.
Por José R. Leonett. Fundador del Observatorio Guatemalteco de Delitos Informáticos – OGDI.
17 de julio de 2026
