¿Cansado de que un tuit te mueva el mercado? Los índices sintéticos de Deriv no reaccionan a noticias → Operá índices sintéticos en Deriv.
Espacio patrocinadoEl Google Threat Intelligence Group documentó el 11 de mayo el primer caso confirmado en que un grupo criminal utilizó un modelo de inteligencia artificial para descubrir y desarrollar un exploit de día cero. El ataque fue interceptado antes de ejecutarse, pero el umbral ya fue cruzado: la IA dejó de ser solo una herramienta defensiva en ciberseguridad.
El hallazgo forma parte del informe trimestral del GTIG, publicado en el blog oficial de Google Cloud, que analiza el uso adversarial de modelos de lenguaje en el ciclo completo del ataque. Lo que cambia en este caso no es la sofisticación del exploit en sí. Lo que cambia es quién lo encontró.
Cómo funciona la ventaja de los LLMs en la caza de vulnerabilidades
La vulnerabilidad explotada era un error de lógica semántica de alto nivel: un desarrollador había codificado una excepción de confianza en el flujo de autenticación en dos pasos de una herramienta popular de administración web de código abierto.
El código funcionaba correctamente en términos técnicos. No había crash, no había corrupción de memoria. Los escáneres tradicionales y los fuzzers, diseñados para detectar fallos de implementación, no lo habrían encontrado.
Los modelos de lenguaje sí pueden. Según el GTIG, los LLMs de frontera tienen una capacidad creciente de razonamiento contextual que les permite leer la intención del desarrollador y correlacionar la lógica de autenticación con las contradicciones de sus excepciones codificadas.
Superficialmente el código parece correcto. Semánticamente está roto. Es exactamente el tipo de falla que una IA entrenada en grandes volúmenes de código identifica antes que cualquier herramienta automatizada convencional.
El exploit resultante era un script en Python diseñado para saltarse el 2FA una vez que el atacante contaba con credenciales válidas.
El plan era lanzar una campaña de explotación masiva contra todos los servidores del mundo que usaran esa herramienta. Google trabajó con el fabricante para parchear la vulnerabilidad antes de que la operación pudiera ejecutarse.
Las huellas del código generado por IA
La atribución fue posible precisamente porque el código delataba su origen. El script incluía docstrings educativos en cada función, un CVSS score alucinado que no coincidía con ninguna base de datos pública, menús de ayuda detallados y una estructura Python de manual de texto que es característica del output de los LLMs.
Un atacante humano experimentado no escribe así. Los investigadores del GTIG concluyeron con alta confianza que se usó un modelo de lenguaje para descubrir y armar el exploit. Google descartó que fuera Gemini, y también descartó Mythos, el modelo de Anthropic que la compañía retuvo precisamente por sus capacidades en análisis de vulnerabilidades.
El contexto que amplifica la amenaza
El zero-day documentado no es un caso aislado. El mismo informe detalla que el grupo norcoreano APT45 está enviando miles de prompts automatizados que analizan CVEs conocidos y validan exploits en serie.
Operadores vinculados a China están utilizando un plugin de Claude llamado «wooyun-legacy» que integra una base de datos de más de 85.000 vulnerabilidades reales recopiladas por la plataforma china WooYun entre 2010 y 2016, con el objetivo de que el modelo razone como un experto en seguridad experimentado en lugar de como un revisor de código genérico.
El GTIG también documentó malware Android autónomo, PROMPTSPY, que usa la API de Gemini para navegar interfaces de usuario en tiempo real y ejecutar acciones sin supervisión humana.
El dato más relevante para comprender la magnitud del problema proviene del M-Trends 2026, el informe anual de Mandiant: el tiempo medio de explotación de vulnerabilidades es de menos siete días. Es decir, los ataques ocurren, en promedio, una semana antes de que el parche exista.
La carrera que ya empezó
Google no publicó este informe solo para documentar una amenaza. También presentó su respuesta. Big Sleep, el agente desarrollado por Google DeepMind y Project Zero, busca vulnerabilidades de forma proactiva antes de que los atacantes las encuentren, y fue precisamente su análisis el que permitió identificar la actividad del grupo criminal detrás de este zero-day.
CodeMender, aún en fase experimental, usa las capacidades de razonamiento de Gemini para generar automáticamente el parche correspondiente a cada vulnerabilidad que detecta.
John Hultquist, analista jefe del GTIG, fue directo: «La era de la vulnerabilidad y explotación impulsada por IA ya está aquí».
Lo que el informe no responde es si la velocidad con que la IA escala los ataques puede ser igualada por la velocidad con que escala la defensa. Esa carrera acaba de empezar, y el primer marcador acaba de aparecer en el tablero.
-Nyria
