Un ciberataque basado en IA utiliza la inteligencia artificial para planificar, crear o llevar a cabo actividades maliciosas. En un análisis realizado en junio de 2026 sobre 832 cuentas bloqueadas por actividades cibernéticas maliciosas, el 67,3 % había utilizado la IA para ayudar a escribir malware. Esa muestra seleccionada no es representativa de todos los ciberataques, pero muestra por qué los equipos de seguridad deben prepararse para el uso de la IA más allá de phishing.
La IA puede ayudar a un atacante a convertir la información en un mensaje convincente, en código funcional o en una acción posterior. El impacto en la seguridad depende de si ese resultado da lugar a un acceso, a mayores permisos o al control de recursos sensibles. Los defensores deben comprender esas conexiones para elegir los controles que frenen un ataque.
¿Qué es un ciberataque basado en la inteligencia artificial?
Un ciberataque basado en IA utiliza un modelo para facilitar una o varias tareas maliciosas. El modelo puede generar contenido, interpretar software desconocido o ayudar a coordinar acciones. La capacidad de un modelo para generar instrucciones es distinta de la capacidad de un atacante para ejecutarlas: la ejecución requiere herramientas, acceso y permisos. La mera existencia de una actividad automatizada no basta para determinar la participación de la IA.
Ataques asistidos por IA y ataques de tipo «agente»
En un ataque asistido por IA, una persona utiliza los resultados de un modelo para realizar una tarea. Por ejemplo, un atacante podría utilizar un modelo de lenguaje a gran escala (LLM) para redactar un mensaje suplantando la identidad de otra persona, y a continuación elegir a su destinatario y enviarlo. El ser humano controla la transición del contenido generado a la acción.
En un ataque mediado por un agente, el software conecta el modelo con las herramientas. El agente puede actuar, examinar un resultado y elegir otra acción dentro de los límites del acceso que se le ha concedido. Un operador puede seguir seleccionando objetivos, proporcionando credenciales o aprobando los pasos posteriores. Por lo tanto, una evaluación útil consiste en preguntarse qué tareas llevó a cabo el agente y en qué momentos intervinieron los humanos, en lugar de considerar la autonomía como una propiedad de «todo o nada».
Ataques que utilizan la IA y ataques contra la IA
La IA puede ser una herramienta del atacante o el propio sistema objeto del ataque. El « phishing » generado por IA tiene como objetivo a una persona o una cuenta. El «data poisoning» ataca la información utilizada para entrenar o hacer funcionar un sistema de IA. El « Prompt injection » intenta redirigir un modelo mediante instrucciones maliciosas, lo que podría afectar a las herramientas o los datos conectados.
Estas categorías pueden solaparse, pero requieren investigaciones diferentes. Un incidente de suplantación de identidad exige examinar los registros de comunicación, identidad y acceso; una sospecha de « prompt injection » también requiere examinar las entradas, los permisos y las acciones de la aplicación de IA. La taxonomía de aprendizaje automático adversarial del NIST aborda los ataques contra los sistemas de IA. Para ese problema de protección más amplio, véase «Seguridad de la IA».
Tipos de ciberataques basados en la inteligencia artificial
La IA puede facilitar técnicas de ataque conocidas en varias fases. La evaluación del Centro Nacional de Ciberseguridad del Reino Unido sobre el impacto de la IA en las ciberamenazas describe cómo la IA puede mejorar las capacidades de los atacantes. Para cada técnica, la pregunta defensiva clave es qué ayuda a lograr la IA y qué fallo de acceso o autorización hace que el resultado sea peligroso.
phishing o de la IA y suplantación de identidad mediante deepfakes
La IA generativa puede ayudar a crear mensajes verosímiles, adaptar el lenguaje al destinatario e imitar a un interlocutor. El texto, el audio o el vídeo resultantes pueden hacer que una solicitud fraudulenta resulte familiar. El perjuicio se produce cuando el destinatario actúa basándose en esa identidad aparente, por ejemplo, al autorizar un pago, revelar un código o restablecer una cuenta.
Pensemos en una llamada ilustrativa al servicio de asistencia: una voz convincente afirma ser un empleado que ha perdido el móvil. Si el servicio de asistencia considera que esa voz es prueba suficiente, podría restablecer la autenticación en beneficio de un atacante. El fallo fundamental radica en que el proceso de recuperación acepta una identidad no verificada. Una mejor comprobación gramatical no resolverá el problema; en cambio, sí lo haría un canal de verificación establecido de forma independiente.
Para conocer las señales de advertencia a nivel de mensaje y el proceso de verificación, consulta la guía de IA « phishing ».
Reconocimiento y explotación asistidos por IA
El reconocimiento consiste en recabar información sobre un objetivo antes o durante una intrusión. La inteligencia artificial puede ayudar a interpretar la información pública, explicar el código y organizar los hallazgos sobre los sistemas expuestos. Esto puede reducir el esfuerzo necesario para comprender un entorno desconocido, pero un análisis o una sugerencia de explotación no demuestran por sí mismos que un sistema sea vulnerable o haya sido comprometido.
La consecuencia desde el punto de vista de la seguridad es práctica: hay que saber a qué servicios se puede acceder, si son necesarios y a qué tienen acceso. Una aplicación conectada a Internet que no se mantenga adecuadamente y que cuente con amplios permisos internos presenta un riesgo distinto al de un servicio aislado. Para establecer prioridades a la hora de aplicar medidas correctivas, es necesario tener en cuenta el contexto de exposición y acceso, además de la gravedad de la vulnerabilidad.
Desarrollo de « malware » asistido por IA
La asistencia de la IA durante el desarrollo puede consistir en explicar el código, solucionar errores o adaptar componentes existentes. El « malware » resultante puede ejecutarse sin utilizar ningún modelo. Esta distinción es importante porque, si solo se buscaran conexiones con un servicio de IA, se pasaría por alto el código creado con IA y posteriormente implementado de forma independiente.
El análisis de Gartner de septiembre de 2026 distingue entre la asistencia en la programación y las afirmaciones sobre nuevas capacidades de « malware », y describe los « malware » que utilizan IA durante su ejecución como algo mayoritariamente experimental. La cuestión clave de la evaluación es qué hace el programa malicioso: si inicia procesos, modifica archivos, recopila credenciales o se comunica con el exterior. Su método de desarrollo es un contexto adicional, no un sustituto de la observación de su comportamiento.
Uso indebido de credenciales y movimiento lateral
Una credencial ayuda a establecer una identidad; los permisos determinan lo que esa identidad puede hacer. Una sesión o un token pueden permitir el acceso continuado tras la autenticación. Un atacante que consiga uno de ellos podría actuar a través de aplicaciones legítimas sin tener que introducir una contraseña repetidamente.
El movimiento lateral consiste en utilizar un punto de acceso inicial para llegar a otros sistemas o cuentas. La IA puede ayudar a interpretar las relaciones de acceso y los resultados, mientras que los permisos excesivos facilitan el movimiento posterior. La Dirección de Señales de Australia advierte específicamente de que el acceso comprometido a los servicios de IA puede implicar el robo de credenciales, claves o sesiones, con consecuencias para los sistemas conectados. El impacto depende del acceso del que disponga la identidad o el servicio comprometido.
Robo de datos y extorsión
Una vez obtenido el acceso, los atacantes deben encontrar información que merezca la pena robar. La inteligencia artificial puede ayudar a resumir o clasificar el material obtenido, lo que facilita el análisis de un conjunto de datos de gran volumen. Esto no genera por sí mismo acceso a los datos, pero puede hacer que el acceso no autorizado ya existente resulte más útil.
Para los responsables de la seguridad, el volumen de una fuga de datos es solo una parte del problema. Un pequeño conjunto de contratos o credenciales confidenciales puede ser más importante que una copia de seguridad rutinaria de gran tamaño. Los investigadores deben saber qué identidad accedió a los datos, si la actividad se ajusta a su función, adónde fueron a parar los datos y si existía un propósito empresarial autorizado.
Lo que revelan los hechos reales
La divulgación pública ayuda a distinguir entre el uso real de la IA y las predicciones. Cada uno de los ejemplos que figuran a continuación identifica la secuencia descrita y una lección en materia de seguridad. Los datos proceden de investigaciones concretas, por lo que no permiten determinar hasta qué punto ese mismo comportamiento es habitual en todas las organizaciones.
Suplantación de voz generada por IA
En diciembre de 2025, el FBI actualizó su advertencia sobre la suplantación de identidad de altos cargos estadounidenses mediante mensajes de texto y mensajes de voz generados por IA. En ella se describían intentos de trasladar las conversaciones a aplicaciones de mensajería cifrada y de obtener códigos de autenticación que pudieran permitir el acceso a los contactos. Esos contactos podrían servir, a su vez, para facilitar nuevas suplantaciones de identidad.
El mecanismo consistía en una cadena de confianza: una persona que parecía conocida realizaba una solicitud relacionada con el acceso, y la información resultante podía servir para identificar a otras personas. La lección que hay que aprender es que hay que verificar tanto la identidad como la acción solicitada a través de datos de contacto establecidos de forma independiente. Una voz creíble no garantiza que esté autorizado compartir un código.
Espionaje coordinado mediante IA
Anthropic informó de que había desbaratado una campaña de espionaje detectada en septiembre de 2025 que tenía como objetivo a unas 30 organizaciones y que había tenido éxito en un pequeño número de casos. Su informe describe el uso de la inteligencia artificial en tareas de reconocimiento, análisis de vulnerabilidades, recopilación de credenciales y organización de los datos sustraídos. El proveedor estimó que la inteligencia artificial llevó a cabo entre el 80 % y el 90 % del trabajo táctico de la campaña, mientras que los seres humanos se reservaron la toma de decisiones importantes.
Esa estimación se refiere a una campaña concreta que ha sido objeto de investigación. El informe también describe errores del modelo, entre los que se incluyen conclusiones exageradas. Respalda la planificación de actividades interrelacionadas y en varias fases; no demuestra que todas las vulnerabilidades sugeridas funcionaran ni que los ataques totalmente autónomos tengan éxito de forma fiable. Los defensores deben prestar atención a la secuencia que va desde el acceso hasta la recopilación de datos, incluso cuando las acciones individuales se asemejen a tareas administrativas habituales.
Abuso de credenciales y robo de datos con ayuda de la inteligencia artificial
El informe de Anthropic de septiembre de 2026 describe a un actor con motivaciones económicas, denominado GTG-50014, que utiliza la inteligencia artificial en operaciones relacionadas con credenciales expuestas, acceso a bases de datos y robo o extorsión. Sus casos muestran cómo un acceso oportunista puede derivar en una intrusión de mayor alcance sin que sea necesario recurrir a un nuevo método de explotación en cada ocasión. El informe recoge una selección de actividades destacadas que se frustraron entre diciembre de 2025 y agosto de 2026.
La lección en materia de seguridad consiste en relacionar la exposición secreta con la actividad posterior de las cuentas y los datos. Es necesario eliminar una clave expuesta, pero la investigación también debe determinar dónde se utilizó, a qué podía acceder y si el atacante creó otra vía de acceso al entorno. La revelación constituye una prueba observada por el proveedor, no una estimación independiente de la ciberdelincuencia a nivel mundial.
Cómo cambia la IA el desarrollo de los ataques
La IA puede reducir el esfuerzo necesario para interpretar un resultado y decidir qué medida tomar a continuación. Esto plantea un problema de coordinación para los defensores: un equipo puede recibir alertas independientes sobre identidades, puntos finales y cloud , mientras que un atacante está trabajando para alcanzar un único objetivo. La respuesta debe relacionar esos eventos con la suficiente antelación como para poder actuar.
En el estudio de cuentas seleccionadas de Anthropic, la proporción de actores clasificados con un riesgo medio o superior aumentó del 33 % en los primeros seis meses al 56 % en los segundos seis meses de su estudio, que abarca el periodo comprendido entre marzo de 2025 y marzo de 2026. Su evaluación combina la intención de la amenaza, la asistencia de la IA y el impacto. El proveedor también señala que la mejora en la detección puede contribuir al cambio observado. Se trata de un cambio en una medida de riesgo definida por el proveedor dentro de una población seleccionada, no de una tasa global de crecimiento de los ataques.
Un ejemplo práctico que abarca desde el acceso a los datos hasta su robo
El siguiente escenario hipotético ilustra cómo pueden relacionarse las pruebas y la intervención. No se trata de un incidente de cliente notificado ni del resultado de una prueba de producto. Supongamos que una suplantación de identidad da lugar a la violación de una cuenta, seguida del acceso a una aplicación de cloud y a una exportación de datos no autorizada.
| Escenario |
Qué significa la actividad |
Evidencia e intervención |
| Acceso inicial |
Alguien consigue acceder a una identidad o a una sesión ya existente. |
Compara los registros de autenticación, recuperación, dispositivos y sesiones. Verifica la identidad del usuario a través de un canal de confianza. |
| Expansión |
La identidad obtiene nuevos permisos o accede a recursos que no corresponden a su función habitual. |
Comprueba los cambios en los roles, las autorizaciones de las aplicaciones y el acceso a otros sistemas. Restringe el acceso afectado cuando las pruebas lo justifiquen. |
| Colección |
La cuenta busca o lee información que normalmente no necesita. |
Revisa cloud y analiza los eventos de auditoría de las aplicaciones, la sensibilidad de los datos y la finalidad empresarial. Determina el alcance de los recursos a los que se ha accedido. |
| Traspaso |
La información recopilada se transmite mediante una exportación, una descarga o una conexión externa. |
Relaciona los registros de las aplicaciones con las pruebas de la red o de los terminales, siempre que estén disponibles. Bloquea la ruta de transferencia correspondiente. |
| Recuperación |
El punto de entrada aparente está cerrado, pero es posible que quede otra vía de acceso. |
- |
Comprueba las sesiones, los tokens, las claves, los cambios en los permisos y los dispositivos afectados. Comprueba que el acceso haya finalizado realmente.
Es posible que la IA haya contribuido a la suplantación de identidad o a la interpretación de los resultados de la aplicación. La secuencia observada puede justificar la apertura de una investigación y la adopción de medidas de contención antes de que se conozca dicha atribución. Por eso, un conjunto de alertas aisladas resulta menos útil que las pruebas que muestran qué identidad realizó qué acción sobre qué recurso.
Cómo detectar ciberataques basados en la inteligencia artificial
La detección debe identificar cualquier actividad sospechosa o no autorizada, su alcance y la decisión sobre la respuesta a adoptar a continuación. Una conexión de red rara vez revela si un atacante ha utilizado la IA para redactar un mensaje o un script. Esperar a tener pruebas de la participación de la IA puede retrasar la adopción de medidas ante indicios que ya demuestran que se ha producido una intrusión.
Relacionar los indicios en todo el entorno
Los distintos registros responden a preguntas diferentes. Combinarlos solo resulta útil cuando los investigadores pueden relacionar las mismas cuentas, dispositivos, recursos y momentos. Por ejemplo, un proveedor de identidad puede registrar un inicio de sesión, mientras que la aplicación registra la exportación de datos posterior; ninguno de los dos registros por sí solo explica el evento en su totalidad.
| Fuente de la información |
Pregunta útil para la investigación |
Limitación importante |
| Registros de identidad y acceso |
¿Quién se ha autenticado, ha modificado los permisos o ha recibido una autorización de una aplicación? |
El hecho de que la autenticación se haya realizado con éxito no demuestra que el usuario legítimo haya llevado a cabo la actividad posterior. |
| Registros de puntos finales |
¿Qué proceso, archivo o acción local se asoció con el suceso? |
Los dispositivos no gestionados o la falta de instrumentos de medición pueden dar lugar a lagunas. |
| Registros de red |
¿Qué sistemas se comunicaban, en qué orden y con qué patrón de transferencia? |
El cifrado y la arquitectura del servicio pueden limitar la visibilidad del contenido; el tráfico por sí solo rara vez demuestra el uso de la IA. |
| Cloud y los registros de auditoría de las aplicaciones |
¿Qué recurso se ha consultado, modificado, buscado o exportado? |
La cobertura depende del servicio, la configuración de registro, el periodo de conservación y los detalles disponibles sobre los eventos. |
Comprueba estas limitaciones antes de que se produzca un incidente. Asegúrate de que se recopilan los eventos relevantes, de que es posible alinear las marcas de tiempo y de que se pueden resolver los identificadores de cuenta en todos los sistemas. Para conocer cómo utilizan los defensores la IA para analizar las pruebas, consulta la sección «Detección de amenazas mediante IA».
Investigar la secuencia de los hechos
Una descarga inusual puede ser legítima. Puede deberse a una migración, una copia de seguridad o una tarea de análisis autorizada. La confianza cambia cuando la misma cuenta presenta además un evento de recuperación inesperado, una nueva autorización de aplicación y acceso a datos confidenciales fuera de sus responsabilidades habituales.
Una investigación eficaz reconstruye esa secuencia, verifica la explicación empresarial e identifica los recursos afectados. Debe mantener la incertidumbre en los casos en que falten registros. Una puntuación de riesgo puede servir para establecer prioridades, pero los analistas siguen necesitando conocer los hechos subyacentes y el contexto para decidir si deben restringir el acceso, involucrar al responsable o seguir observando.
Comprobar conjuntamente la detección y la contención
Realiza un ejercicio controlado con cuentas de prueba autorizadas y datos no confidenciales para simular el ejemplo práctico. Define de antemano los registros esperados y los límites de respuesta. A continuación, mide el tiempo que se tarda en recibir una alerta útil, el tiempo que se tarda en identificar las identidades y los recursos afectados, y el tiempo que se tarda en verificar la contención.
Se trata de resultados distintos. Una alerta puede llegar rápidamente, pero carecer del contexto suficiente para actuar; un comando de respuesta puede indicar que se ha ejecutado con éxito, mientras que otra sesión de la aplicación sigue activa. Pide al equipo que demuestre los fundamentos de su decisión y confirma que se ha interrumpido el acceso en cuestión. Anota los registros que falten, los traspasos manuales y las dependencias de respuesta como tareas específicas de mejora.
Cómo reducir el riesgo y actuar ante él
Los controles deben abordar el acceso, el alcance de una identidad comprometida y la capacidad de interrumpir la actividad tras el acceso. Su valor resulta más fácil de evaluar cuando cada control está vinculado a una vía de ataque y a un resultado verificable. Las prioridades que se indican a continuación aplican el mismo razonamiento tanto a la prevención como a la respuesta.
Reducir los puntos de entrada expuestos
Mantén un inventario de los servicios expuestos a Internet, sus responsables y sus dependencias. Elimina los servicios innecesarios o que ya no reciben soporte, y prioriza las correcciones teniendo en cuenta la exposición, el riesgo de explotación y los recursos a los que podría acceder un atacante. Un parche subsana una vulnerabilidad concreta; eliminar un servicio innecesario elimina por completo esa vía de acceso.
Las directrices corporativas de la Dirección Australiana de Señales (Australian Signals Directorate) sobre ciberataques basados en inteligencia artificial recomiendan reducir los servicios expuestos, restringir los privilegios, centralizar los registros útiles y practicar la respuesta y la recuperación. Aplica esas prioridades a las vías de acceso conocidas, en lugar de considerar una etiqueta de IA como una categoría de corrección independiente.
Proteger identidades, sesiones y la recuperación
Utiliza una autenticación resistente a la « phishing » siempre que sea posible. El NIST explica que WebAuthn, utilizado por la autenticación FIDO2, vincula la autenticación al dominio del servicio legítimo. Esa vinculación ayuda a evitar que un sitio web falsificado obtenga un resultado de autenticación que pueda utilizarse en el servicio real. Los códigos de un solo uso introducidos manualmente no ofrecen la misma protección. Consulta las directrices de autenticación del NIST.
Presta la misma atención a la protección de la recuperación de la cuenta. Un método de inicio de sesión seguro ofrece una protección limitada si un suplantador consigue convencer al personal de asistencia para que lo sustituya. Verifica las solicitudes de alto riesgo a través de los canales establecidos y registra quién aprobó el cambio. Investiga las sesiones y los dispositivos sospechosos, así como los intentos fallidos de inicio de sesión: es posible que un atacante que utilice una sesión ya autenticada no active otra solicitud de autenticación.
Limitar los privilegios y verificar la contención
Otorga a los usuarios humanos, a las cuentas de servicio y a los agentes de IA únicamente el acceso necesario para su función, asignando un responsable que rinda cuentas. La evaluación pública de amenazas de Forrester para 2026 destaca los controles de identidad, procedencia y acceso para los agentes. En la práctica, un equipo debería ser capaz de identificar quién autorizó a un agente, qué sistemas puede utilizar y cómo revocar dicho acceso.
Antes de que se produzca un incidente, decide quién puede restringir una cuenta, revocar una clave o un token, finalizar una sesión, aislar un dispositivo o bloquear una conexión. Comprueba los permisos necesarios para llevar a cabo esas acciones. Utiliza una automatización de alcance limitado y reversible cuando sea adecuado, con un registro de auditoría y un proceso de recuperación en caso de acciones incorrectas.
Durante la respuesta, se deben conservar las pruebas pertinentes, identificar las identidades y los recursos afectados, contener el acceso e investigar la persistencia. El mero restablecimiento de una contraseña no constituye prueba de contención. El NIST señala que las sesiones del proveedor de identidades y de las aplicaciones se gestionan y cierran de forma independiente, por lo que el cierre de una puede dejar activa la otra. Se deben verificar las sesiones de las aplicaciones pertinentes y las vías de acceso alternativas y, a continuación, abordar la causa original antes de restablecer el acceso. Véanse las directrices del NIST sobre gestión de sesiones.
En qué puede ayudarte Vectra AI
Los equipos que evalúan la detección necesitan pruebas que relacionen la actividad de las identidades con el comportamiento de la red y de los cloud . El enfoque de seguridad y observabilidad basado en IA de Vectra AIincluye el análisis del comportamiento de identidades humanas y no humanas en todos esos entornos. Utiliza el ejemplo práctico para examinar cómo ese contexto respalda una investigación. Explora la detección de ataques basada en identidades.
Las reseñas públicas pueden sugerir preguntas de evaluación útiles. Un extracto de una reseña de Gartner Peer Insights de mayo de 2026 elogia la visibilidad del comportamiento, al tiempo que señala el esfuerzo que requiere la personalización. Un reseñador de G2 de abril de 2026 describe un contexto de investigación útil y una configuración que requirió lectura y llamadas al servicio de asistencia. G2 califica esa reseña como «incentivada». Se trata de experiencias individuales; las reseñas de Peer Insights son independientes de los análisis de los analistas de Gartner. Solicita una demostración para determinar los requisitos de configuración, la información disponible y las dependencias de respuesta en tu entorno.
El caso práctico de Sanofi ofrece un ejemplo relevante de respuesta. El relato publicado en Vectra AIdescribe un caso de suplantación de identidad de un responsable de selección de personal y un documento de Word infectado; un representante de Sanofi atribuyó a Vectra AI el mérito de haber detectado y neutralizado el ataque. El relato no confirma que el atacante utilizara inteligencia artificial. Su relevancia radica en el flujo de trabajo de detección y respuesta tras la intrusión.
Si estás evaluando ese flujo de trabajo, solicita una demostración de « Vectra AI » y utiliza el ejemplo anterior para analizar la cobertura de las pruebas, los pasos de la investigación y cómo se verificaría la contención.
Nota: Esta guía se basa en información pública sobre incidentes, directrices gubernamentales, comentarios de analistas y una selección de opiniones de clientes. El ejemplo práctico y el marco de evaluación son prácticas recomendadas, no resultados de pruebas prácticas.
