Category: Uncategorized

La investigación, realizada por el equipo de inteligencia de amenazas de NordVPN, revela que los ciberdelincuentes están utilizando sitios de alto riesgo para rastrear la actividad de los visitantes, mostrar publicidad invasiva y redirigirlos hacia páginas de phishing, descargas de malware y otras estafas online.

La operación se concentra principalmente en plataformas que ofrecen contenido gratuito o pirateado, como servicios de streaming ilegales, portales de torrents, foros clandestinos y páginas para adultos.

Los expertos advierten de que el adware actual ha evolucionado hasta convertirse en una compleja infraestructura diseñada para obtener beneficios mediante la recopilación masiva de datos y la exposición constante de los usuarios a contenidos fraudulentos.

Una amenaza que convierte cualquier clic en un riesgo

El funcionamiento de esta campaña va mucho más allá de la publicidad molesta. El código malicioso se ejecuta mediante una etiqueta de JavaScript que comienza a trabajar desde el momento en que un usuario accede a una página comprometida.

A partir de ese instante, recopila información del dispositivo, descarga configuraciones desde servidores remotos y activa distintos formatos publicitarios.

Uno de los aspectos más preocupantes es que prácticamente cualquier clic realizado dentro de la página, incluso sobre elementos que no son anuncios, puede desencadenar un redireccionamiento hacia sitios fraudulentos, campañas de phishing o descargas de programas maliciosos.

“Si no pagas por un producto, probablemente tú seas el producto”, explica Marijus Briedis, director de tecnología de la compañía responsable del estudio. “Esta campaña muestra cómo los ciberdelincuentes convierten la atención de los usuarios, sus datos personales y sus hábitos de navegación de riesgo en ingresos a escala industrial. Lo que parece un streaming o una descarga gratuita puede convertirse rápidamente en una puerta de entrada al rastreo, las estafas y el malware”.

Recopila una enorme cantidad de información personal

Los investigadores detectaron que el sistema crea un identificador persistente para cada visitante, permitiendo reconocerlo incluso sin utilizar cookies y aunque vuelva a acceder en diferentes sesiones.

La información recopilada resulta especialmente amplia. El adware obtiene datos sobre el hardware y el software del dispositivo, incluyendo modelo de la tarjeta gráfica, número de núcleos del procesador, memoria RAM, resolución de pantalla, sistema operativo, navegador utilizado, fuentes instaladas, idioma, zona horaria y capacidad de almacenamiento.

También analiza el comportamiento del usuario. Registra la procedencia de la visita, las páginas consultadas, la profundidad del desplazamiento, los clics realizados e incluso busca indicios de que el navegador tenga instaladas carteras de criptomonedas como MetaMask.

Además, el kit incorpora técnicas capaces de detectar sensores como acelerómetros o giroscopios e incluso intenta averiguar si el usuario mantiene sesión iniciada en determinados servicios mediante diferentes comprobaciones técnicas.

Publicidad invasiva y técnicas para pasar desapercibido

La campaña distribuye una gran variedad de formatos publicitarios, desde ventanas emergentes ocultas hasta banners, anuncios nativos, vídeos promocionales, mensajes integrados en la página y notificaciones push del navegador.

Según los investigadores, estos anuncios no solo resultan intrusivos, sino que pueden conducir a páginas adaptadas al perfil de cada víctima, aumentando la eficacia de los fraudes.

El código también incorpora sistemas para evitar ser detectado. Por ejemplo, identifica cuándo quien visita la página es un robot de un buscador y desactiva temporalmente el comportamiento malicioso para que el sitio continúe apareciendo como seguro en los resultados de búsqueda.

Asimismo, descarga configuraciones dinámicas desde servidores externos y utiliza un código altamente ofuscado, dificultando considerablemente su análisis por parte de los especialistas en ciberseguridad.

Incluso intenta esquivar los bloqueadores de anuncios

Uno de los elementos más sofisticados consiste en la detección automática de bloqueadores de publicidad.

Cuando identifica que el navegador dispone de este tipo de herramientas, el sistema cambia automáticamente de estrategia utilizando nuevos dominios generados de forma periódica. Gracias a este mecanismo logra esquivar muchas listas de bloqueo utilizadas por programas de seguridad y extensiones de los navegadores.

Los especialistas señalan que cada mes cientos de miles de usuarios se enfrentan a intentos de infección o actividades relacionadas con esta infraestructura, una muestra del crecimiento que está experimentando este tipo de amenazas.

Cómo reducir el riesgo de infección

Los expertos recomiendan evitar páginas que ofrezcan películas, series, programas o cualquier otro contenido premium de forma gratuita o mediante servicios piratas, ya que constituyen uno de los principales canales de distribución del adware.

“Evita las páginas web que ofrezcan contenido premium pirateado o ‘gratuito’. Estos entornos se usan habitualmente para distribuir adware, malware y campañas de phishing”, aconseja Marijus Briedis.

El responsable tecnológico también recomienda “utilizar programas de protección de confianza para bloquear anuncios y rastreadores”, así como “tener cuidado con las notificaciones del navegador” y rechazar cualquier solicitud procedente de páginas sospechosas.

Por último, insiste en la importancia de “mantener actualizados tu navegador y tus herramientas de seguridad”, ya que las versiones más recientes incorporan mecanismos capaces de detectar scripts maliciosos, redireccionamientos engañosos y descargas potencialmente peligrosas antes de que comprometan el dispositivo.

Investigadores de la empresa de ciberseguridad AhnLab han hallado indicios de que el grupo de amenazas persistentes norcoreano Lazarus podría estar compartiendo herramientas y acceso a sistemas comprometidos con la banda de ransomware Gunra, que ha centrado sus ataques en organizaciones de Corea del Sur.
Los investigadores encontraron numerosas coincidencias técnicas entre ambas campañas, como el uso de los mismos servidores de mando y control, herramientas para elevar privilegios o incluso la misma huella digital de una clave SSH. 

No obstante AhnLab señala que estas similitudes podrían deberse a una colaboración, al uso de infraestructura compartida o a la compraventa de accesos entre ciberdelincuentes, no necesariamente a que los dos colectivos sean el mismo. 

Por otro lado, los atacantes comprometieron al menos 15 páginas web legítimas para infectar a sus visitantes mediante ataques conocidos como watering hole, en los que un usuario puede verse afectado simplemente por acceder a un sitio web de confianza si tiene instalado software vulnerable.

La firma de ciberseguridad advierte de que el riesgo no se limita a las organizaciones atacadas. 

“El software de seguridad financiera surcoreano que actualmente está siendo explotado se utiliza no solo en numerosos entornos empresariales, sino también en muchos ordenadores personales”, ha explicado la compañía. 

Asimismo, AhnLab recuerda que “las vulnerabilidades pueden activarse simplemente cuando un usuario accede a una página específica”, por lo que tanto empresas como particulares que utilicen versiones vulnerables del software pueden quedar expuestos.

Quién es quién

Lazarus Group es el nombre con el que la comunidad de ciberseguridad identifica a uno de los grupos de amenazas persistentes avanzadas (APT) más activos y sofisticados del mundo. Se cree que opera bajo el control del Reconnaissance General Bureau (RGB), el principal servicio de inteligencia de Corea del Norte.

Su actividad comenzó a detectarse alrededor de 2009, aunque alcanzó notoriedad internacional en 2014 con el ataque contra Sony Pictures Entertainment, llevado a cabo en represalia por el estreno de la película The Interview, una sátira sobre Kim Jong-un.

Desde entonces, el grupo ha evolucionado desde operaciones de sabotaje y espionaje hacia campañas destinadas a obtener financiación para el régimen norcoreano mediante robos a bancos, plataformas de criptomonedas y otros activos digitales.

En cuanto a Gunra se trata de un grupo de ransomware mucho más reciente. Su aparición pública se produjo en abril de 2025, cuando comenzó atacando empresas surcoreanas.

Los investigadores que le han seguido la pista indican que este grupo de extorsión desarrolló su herramienta maliciosa a partir del código fuente filtrado de Conti v2, uno de los ransomware más importantes de los últimos años. Posteriormente, evolucionó hacia un modelo Ransomware-as-a-Service (RaaS), lanzado en enero de este año. 

Un tribunal del Estado alemán de Baviera ha considerado a Google responsable después de que un usuario fuera víctima de una estafa a través de una tienda online que resultó ser fraudulenta. 
Finalmente, decidió hacerse con el producto en dicho ecommerce, desembolsando casi 500 euros. Pero nunca recibió el artículo porque la tienda no existía realmente, era un mero timo. 

Se daba el caso, además, de que la web ya había sido identificada como falsa por una organización de protección al consumidor, la cual había comunicado previamente esta información a Google. Pero eso no hizo que Google retirara sus anuncios de su buscador. 

Debido a ello a compañía de Mountain View ha sido condenada a indemnizar al usuario, identificado como Harald K. 

La empresa fundada por Larry Page y Sergey Brinn deberá reembolsarle el importe de la compra y asumir también los costes judiciales (que ascenderían a 200 euros).

El tribunal consideró que existe una relación jurídica especial entre ambas partes y que la compañía tecnológica tiene la obligación de proteger a sus usuarios. Esta obligación se basa en el artículo 241, apartado 2, del Código Civil alemán (BGB). Y ese deber no se habría cumplido al no garantizar que sus usuarios no fueran estafados.

La firma no se ha quedado satisfecha con el caso y un portavoz ha dejado caer que está valorando presentar un recurso, porque los jueces han dictado su veredicto sin tener en cuenta su posición.¿Base para otras sentencias?

En cualquier caso, la sentencia podría suponer un precedente legal importante para otros litigios de este tipo, al atribuir responsabilidad a un motor de búsqueda por los daños sufridos por un usuario a causa de publicidad fraudulenta.

Lo cierto es empieza a ser común que los ciberdelincuentes usen estos resultados pagados de Google para colocar páginas falsas y herramientas maliciosas, como hemos comentado en varias ocasiones en Escudo Digital. Es lo que se conoce como ‘malvertising’. 

Así, esta sanción económica, aunque casi testimonial, puede hacer que la compañía tecnológica se ande con mucho más cuidado a la hora de permitir estos contenidos de ahora en adelante. 

Falsas webs de Solana, Luno y TradingView emplean JavaScript para difundir malware directamente en el navegador. En lugar de enviar directamente el archivo malicioso al dispositivo, los atacantes consiguen que sea el propio navegador de la víctima el que construya el ejecutable en memoria.

Su actividad se concentra especialmente en Asia-Pacífico y América Latina, con los traders minoristas y los propietarios de criptomonedas entre sus principales objetivos.

Un sistema diseñado para esquivar a los investigadores

La campaña incorpora mecanismos de filtrado destinados a identificar quién visita las páginas fraudulentas.

Los usuarios considerados objetivos potenciales pueden acceder al contenido preparado por los atacantes, mientras que investigadores, sistemas automatizados, escáneres y bots de seguridad son enviados a páginas vacías.

Confiant describe la técnica como el uso del navegador a modo de “una cadena local de ensamblaje”.

Esta arquitectura permite que una parte importante de la creación del malware ocurra dentro del equipo de la víctima.

Las páginas fraudulentas presentan aparentemente un botón convencional para descargar una aplicación.

Sin embargo, una biblioteca ReactJS prepara el navegador para iniciar un procedimiento de descarga controlado por los atacantes.

En una primera etapa se registra un Service Worker que funciona como gestor de la descarga.

Paralelamente, un SharedWorker actúa como motor encargado de ensamblar progresivamente el archivo a partir de diferentes componentes.

Cada archivo de malware puede tener un hash diferente

La segunda fase añade otra particularidad destinada a complicar la detección. El SharedWorker solicita una respuesta denominada “/config”, utilizando parámetros aleatorios de semilla y tamaño generados específicamente para cada sesión.

“‘/config’ es una respuesta ensambladora en lugar de una respuesta normal de descarga”, explican los investigadores. Esta proporciona al navegador la plantilla y los elementos necesarios para construir localmente el ejecutable.

La rotación de los parámetros permite generar archivos con hashes diferentes. De esta manera, dos víctimas podrían terminar descargando variantes que, aunque procedan de la misma operación, no presenten exactamente la misma huella digital.

Los componentes obtenidos remotamente se combinan con bytes creados de forma local para generar la carga maliciosa a partir de una versión limpia del ejecutable Bun.

Una vez completado el proceso, el archivo resultante se entrega mediante el Service Worker utilizando una ruta perteneciente al mismo origen.

“Desde el punto de vista del navegador, el usuario está descargando un ejecutable desde el dominio de la página de destino”, señalan los investigadores.

El malware terminado nunca viaja por la red

La estrategia presenta una ventaja importante para los ciberdelincuentes: el ejecutable completamente ensamblado no necesita transmitirse como tal a través de Internet.

Esto puede dificultar que determinadas herramientas de seguridad detecten el archivo durante su transferencia y complica posteriormente el análisis de la campaña.

SourTrade también ha ido evolucionando. Sus primeras variantes empleaban StreamSaver para entregar las cargas maliciosas, pero desde abril los responsables de la operación habrían migrado hacia un sistema basado en Service Worker desde el mismo origen.

Aunque Confiant no detalla qué malware concreto está distribuyéndose actualmente, existen antecedentes relacionados con campañas que empleaban StreamSaver.

Las cargas analizadas anteriormente podían interceptar tráfico de red, recopilar cookies y contraseñas, registrar pulsaciones del teclado, realizar capturas de pantalla y sustraer información de monederos de criptomonedas.

También disponían de mecanismos para mantener la persistencia en los dispositivos infectados.

El perfil de las víctimas convierte en especialmente peligroso el robo de credenciales y wallets.

Los usuarios de plataformas financieras deberían evitar instalar aplicaciones procedentes de anuncios en redes sociales o resultados patrocinados. Descargar el software desde el sitio oficial y comprobar la firma digital y el editor del instalador añade una barrera adicional frente a estas campañas.

La Comisión Federal de Comunicaciones de EE.UU (FCC) ha ampliado la lista de equipos tecnológicos considerados un posible riesgo para la seguridad nacional al incluir los robots avanzados y los inversores de potencia fabricados en el extranjero. 

La medida forma parte de la estrategia de la FCC para limitar la entrada de tecnologías que, por su origen o sus capacidades de conexión, podrían representar un riesgo para la ciberseguridad, el espionaje o la cadena de suministro.

La llamada Covered List recoge desde hace años equipos y servicios de fabricantes que las autoridades estadounidenses consideran potencialmente problemáticos desde el punto de vista de la seguridad nacional.

Aunque la FCC no vincula esta decisión a una amenaza concreta o a un ciberataque en curso, sí señala que responde a las crecientes preocupaciones sobre la seguridad de dispositivos conectados producidos fuera de territorio americano. 

El organismo cita investigaciones previas que han puesto de manifiesto riesgos como el acceso remoto no autorizado, la exposición de cámaras y micrófonos, el robo de datos o posibles impactos sobre infraestructuras críticas, especialmente en el caso de los inversores de potencia utilizados en instalaciones eléctricas.

Los que ya estaban quedan exentos

No obstante, el organismo ha querido evitar que esta decisión afecte a los usuarios que ya utilizan este tipo de dispositivos. Por ello, ha aprobado una exención que permitirá que todos los robots avanzados e inversores de potencia que ya habían sido autorizados antes de su inclusión en la lista puedan seguir recibiendo actualizaciones de software y firmware, al menos hasta el 1 de enero de 2029.

En la práctica, esto significa que podrán continuar obteniendo parches de seguridad para corregir vulnerabilidades. Sin la mencionada exención, miles de dispositivos podrían haber quedado expuestos a fallos de seguridad o problemas de funcionamiento.

“La Oficina de Ingeniería y Tecnología considera que existen circunstancias especiales que justifican una excepción a las normas generales y que el interés público se ve mejor protegido al eximir estas modificaciones de Clase I y Clase II de las prohibiciones vigentes”, recoge el aviso. 

La decisión sigue la misma línea adoptada por la agencia durante los últimos meses con otras categorías de productos conectados. La Comisión ya había concedido exenciones similares para drones, componentes de drones y routers incluidos en la Covered List.

Mientras los desplegables comerciales de quinta generación (5G) continúan consolidándose en la infraestructura global, los consorcios internacionales de telecomunicaciones, agencias de defensa y fabricantes de chips libran una batalla silenciosa en el diseño conceptual del estándar 6G. Esta próxima generación no se limita a ofrecer descargas más rápidas; proyecta integrar frecuencias de THz (terahercios), comunicación holográfica, gemelos digitales en tiempo real y la convergencia absoluta entre las redes terrestres y los satélites en órbita baja.

Sin embargo, cada salto cualitativo en velocidad y capacidad multiplica exponencialmente la superficie de ataque. La arquitectura del 6G trasciende la conectividad tradicional para convertirse en una red de redes nativa de inteligencia artificial donde la toma de decisiones sobre el tráfico, el enrutamiento y la asignación de recursos ocurrirá de forma autónoma en milisegundos.

Asegurar esta malla tecnológica exige replantear el paradigma defensivo desde los fundamentos del hardware hasta los protocolos de orquestación en la nube. La ciberseguridad ya no puede contemplarse como una capa superpuesta post-despliegue, sino como un requisito de diseño integrado en cada componente de la futura red.

La metamorfosis técnica: qué cambia realmente con la llegada del 6G

El estándar 6G está diseñado para operar en el espectro sub-terahertziano y de terahercios ($100\text{ GHz}$ a $3\text{ THz}$), lo que permite velocidades de transmisión de datos estimadas en hasta un terabit por segundo ($1\text{ Tbps}$) con latencias inferiores a los $0.1\text{ milisegundos}$. A diferencia de generaciones anteriores, donde las antenas transmitían datos a dispositivos pasivos, el 6G funcionará bajo el concepto de Joint Communication and Sensing (JCAS), convirtiendo a la propia red inalámbrica en un radar masivo capaz de mapear e interpretar el entorno físico.

+---------------------------------------------------------------------------------+
|                       ARQUITECTURA DE SEGURIDAD EN 6G                           |
|                                                                                 |
|   +-------------------------------------------------------------------------+   |
|   |            CONVERGENCIA SATELITAL Y TERRESTRE (Non-Terrestrial)        |   |
|   +------------------------------------+------------------------------------+   |
|                                        |                                        |
|                                        v                                        |
|   +------------------------------------+------------------------------------+   |
|   |          ORQUESTACIÓN AUTÓNOMA Y NATIVA DE IA (Zero-Trust)              |   |
|   +------------------------------------+------------------------------------+   |
|                                        |                                        |
|                                        v                                        |
|   +-----------------------+   +-----------------------+   +-----------------+   |
|   |   Segmentación Edge   |   |   Criptografía PQC    |   | Malla JCAS      |   |
|   |   (Zero latency)      |   |   (Anti-Cómputo Q)    |   | (Radar Físico)  |   |
|   +-----------------------+   +-----------------------+   +-----------------+   |
|                                                                                 |
+---------------------------------------------------------------------------------+

Esta capacidad de sensorización masiva implica que la red no solo transportará paquetes de datos, sino que rastreará movimientos, objetos y constantes biométricas en tiempo real. La arquitectura pasa de ser una infraestructura puramente digital a un ecosistema físico-digital interconectado.

La virtualización extrema también alcanza niveles inéditos. Mediante la fragmentación profunda de red (Deep Network Slicing), un solo soporte físico compartirá miles de subredes virtuales aisladas dedicadas a servicios críticos tan variados como cirugía remota, vehículos autónomos interconectados o gestión de redes eléctricas de alto voltaje.

El reverso de la medalla: los nuevos vectores de amenaza en la era 6G

El incremento desproporcionado en la densidad de dispositivos conectados y la dependencia absoluta de software en la nube generan vulnerabilidades críticas que no existían en las redes celulares del pasado.

+-----------------------------------------------------------------------------------+
|                        AMENAZAS ESPECÍFICAS EN REDES 6G                           |
|                                                                                   |
|   +-----------------------+     +-----------------------+     +---------------+   |
|   |    Ataques Adversarios|     | Infección en la Malla |     |  Intercepción |   |
|   |      a la IA          |     |    Satelital (NTN)    |     |  Física JCAS  |   |
|   |                       |     |                       |     |               |   |
|   | Envenenamiento de     |     | Compromiso de enlaces |     | Espionaje vía |   |
|   | modelos de enrutamiento|    | láser inter-satelital |     | señales THz   |   |
|   +-----------+-----------+     +-----------+-----------+     +-------+-------+   |
|               |                             |                         |           |
|               +----------------------+------+-------------------------+           |
|                                      v                                            |
|                        [ COMPROMISO SISTÉMICO DE RED ]                            |
|             (Caída de Servicios Críticos, Interrupción de Smart Cities)          |
+-----------------------------------------------------------------------------------+

Uno de los puntos más vulnerables es la exposición a ataques adversarios contra la inteligencia artificial. Dado que la gestión del tráfico y la asignación de frecuencias en 6G estarán administradas por modelos de aprendizaje automático distribuidos en el Edge Computing (computación en el borde), un atacante podría inyectar datos manipulados (data poisoning) para desestabilizar algoritmos de enrutamiento, provocando cuellos de botella artificiales o desviando tráfico sin levantar alertas.

Vector de Ataque	Mecanismo en 6G	Impacto Potencial
Envenenamiento de IA (Data Poisoning)	Inyección de telemetría falsa en los modelos de aprendizaje del Edge.	Desestabilización de rutas de datos y degradación del servicio.
Ataques DDoS Distribuidos Masivos	Botnets compuestas por millones de sensores del Internet de los Sentidos (IoE).	Saturación de capas de orquestación en la nube.
Compromiso de Redes No Terrestres (NTN)	Explotación de enlaces ópticos/láser entre satélites LEO y estaciones terrenas.	Intercepción transfronteriza de tráfico global.
Ataques Criptográficos Post-Cuánticos	Descifrado de tráfico interceptado mediante futura computación cuántica.	Exposición retrospectiva de secretos corporativos y estatales.

El riesgo de denegación de servicio distribuido (DDoS) adopta dimensiones gigantescas. La proliferación del llamado “Internet de los Sentidos” y la integración de miles de millones de micro-sensores biométricos o industriales sin capacidad de cómputo robusta permitirá a los ciberdelincuentes coordinar botnets con volúmenes de tráfico capaces de abrumar los nodos de procesamiento primario.

Infraestructura crítica bajo amenaza: repercusiones para la industria y los ciudadanos

La integración del 6G en servicios esenciales transforma la ciberseguridad de un asunto de privacidad informática en una cuestión de seguridad nacional y de física operativa. En las ciudades inteligentes automatizadas, la señalización del tráfico vehicular, la distribución de agua potable y los sistemas de respuesta médica de emergencia dependerán del mismo tejido de comunicaciones.

Una interrupción sistemática o la manipulación maliciosa de las rebanadas de red (slices) reservadas para emergencias podría paralizar centros urbanos enteros. La interrupción de la conectividad en un entorno 6G no significará simplemente la imposibilidad de cargar una página web, sino la detención física de líneas de producción robóticas y flujos logísticos autónomos.

Para los usuarios individuales, el despliegue del radar ambiental JCAS suscita graves dudas éticas y de ciberseguridad. Si la señal de radiofrecuencia de alta frecuencia puede detectar la presencia y movimiento de objetos dentro de un espacio cerrado para optimizar la señal, una brecha en la privacidad de la red permitiría a actores maliciosos reconstruir la disposición interna de una vivienda o rastrear personas sin necesidad de cámaras físicas o GPS.

Del cifrado tradicional al cómputo cuántico: la estrategia de mitigación

Para contrarrestar la sofisticación de estas amenazas, los organismos de estandarización como el 3GPP y la ITU postulan que la ciberseguridad del 6G debe asentarse sobre una arquitectura de Confianza Cero (Zero Trust Architecture) continua, combinada con criptografía de vanguardia.

• Criptografía Post-Cuántica (PQC): Integración de algoritmos matemáticos inmunes a la capacidad de cálculo de los ordenadores cuánticos para asegurar el intercambio de claves y las firmas digitales en los nodos de acceso.
• Aislamiento de Entornos mediante Micro-segmentación: Creación de barreras criptográficas infranqueables entre slices de red, impidiendo que el compromiso de un sensor doméstico permita la escalada de privilegios hacia redes industriales.
• Atestación Continuada mediante IA Defensiva: Despliegue de agentes de seguridad autónomos en el borde de la red (Edge) capaces de analizar anomalías en el comportamiento del tráfico y aislar nodos infectados en microsegundos sin intervención humana.
• Seguridad en la Capa Física (PLS): Utilización de las propiedades inherentes del canal de radiofrecuencia en banda THz (como la direccionalidad extrema de los haces) para evitar la intercepción de señales a nivel de aire (eavesdropping).

La soberanía tecnológica en el nuevo mapa geopolítico

El desarrollo del 6G trasciende la competencia comercial de las multinacionales tecnológicas para convertirse en un terreno de disputa geopolítica entre bloques continentales. La definición de los estándares de seguridad que regirán la próxima década dictará qué naciones mantienen la soberanía sobre sus datos e infraestructuras estratégicas.

A medida que los laboratorios de investigación prueban los primeros prototipos de transmisiones en terahercios, queda claro que la resiliencia del ecosistema digital del futuro no se medirá únicamente por los gigabits transferidos por segundo, sino por la solidez del blindaje que proteja cada bit procesado. La capacidad de anticipar los riesgos invisibles del 6G antes de su despliegue comercial determinará si la próxima revolución de las telecomunicaciones se convierte en el motor de la economía inteligente o en su mayor punto de vulnerabilidad.

Si la red global tuviera un sistema nervioso central, ese sería sin duda el Sistema de Nombres de Dominio (DNS). Este protocolo, diseñado en los albores de las redes informáticas para traducir direcciones IP numéricas complejas en nombres legibles por humanos, procesa miles de millones de peticiones cada segundo. Sin embargo, su omnipresencia y antigüedad lo han convertido en uno de los activos más vulnerables y menos supervisados del ecosistema corporativo.

Durante décadas, la ciberseguridad corporativa concentró sus inversiones en proteger el perímetro, los endpoints y las aplicaciones web. Mientras las empresas blindaban sus firewalls y migraban arquitecturas hacia la nube, la gestión de los registros DNS permaneció fragmentada entre equipos de infraestructura, departamentos de marketing y proveedores externos de registradores de dominios. Esta falta de gobernanza centralizada abrió una brecha operativa silenciosa pero devastadora.

Para responder a este desafío ha surgido el DNS Security Posture Management (DNS-SPM), o Gestión de la Postura de Seguridad en DNS. Esta disciplina propone una monitorización continua, auditable y automatizada de toda la superficie de nombres de dominio de una organización, transformando un servicio tradicionalmente estático en un componente activo del centro de operaciones de seguridad (SOC).

La anatomía del riesgo: del secuestro de registros al fenómeno del Shadow DNS

El protocolo DNS carecía de mecanismos intrínsecos de autenticación cuando fue diseñado. Aunque extensiones de seguridad como DNSSEC han mitigado parte de la suplantación de identidad mediante firmas digitales, la superficie de ataque moderna se ha trasladado hacia la capa de gestión administrativa.

+-----------------------------------------------------------------------------------+
|                        SUPERFICIE DE ATAQUE EN DNS                                |
|                                                                                   |
|   +-----------------------+     +-----------------------+     +---------------+   |
|   |  Subdomain Takeover   |     |     Shadow DNS        |     |  DNS Hijack   |   |
|   |                       |     |                       |     |               |   |
|   | Registro CNAME apunta |     | Dominios creados fuera|     | Alteración de |   |
|   | a recurso eliminado   |     | del control del SOC   |     | credenciales  |   |
|   +-----------+-----------+     +-----------+-----------+     +-------+-------+   |
|               |                             |                         |           |
|               +----------------------+------+-------------------------+           |
|                                      v                                            |
|                        [ RIESGO PARA LA ORGANIZACIÓN ]                            |
|             (Phishing, Intercepción de Tráfico, Robo de Datos)                    |
+-----------------------------------------------------------------------------------+

Uno de los vectores más agresivos es el secuestro de DNS (DNS hijacking). Los atacantes obtienen acceso comprometiendo las credenciales de los paneles de control en los registradores de dominios o explotando vulnerabilidades en las APIs de administración. Una vez dentro, redirigen las consultas de los usuarios hacia servidores maliciosos capaces de interceptar credenciales bancarias o clonar portales corporativos.

A este problema se suma el Shadow DNS (DNS en la sombra). Este fenómeno ocurre cuando departamentos internos despliegan subsistemas, campañas de marketing o servicios en la nube sin la supervisión del equipo de ciberseguridad. Estos subdominios suelen crearse con configuraciones temporales que quedan olvidadas tras finalizar los proyectos, convirtiéndose en blancos de fácil acceso.

El secuestro de subdominios (subdomain takeover) se nutre directamente de esta negligencia. Cuando un registro CNAME apunta a una instancia de la nube que ha sido dada de baja pero el registro DNS no se elimina, un ciberdelincuente puede registrar esa misma instancia vacía en el proveedor de nube y tomar el control total del subdominio legítimo de la empresa.

Arquitectura de DNS-SPM: visibilidad, correlación y automatización

La gestión de la postura de seguridad en DNS no es simplemente un analizador de vulnerabilidades; representa una capa de inteligencia continua que se integra con las plataformas de protección de activos en la nube (Cloud Security Posture Management o CSPM) y con las soluciones de gestión de la superficie de ataque (External Attack Surface Management o EASM).

Función Clave	Método Tradicional (Manual)	Enfoque DNS-SPM (Automatizado)
Inventario de Activos	Hojas de cálculo desactualizadas y revisiones trimestrales.	Descubrimiento continuo de registros zonales en tiempo real.
Validación de Configuración	Verificación puntual de registros SPF, DKIM y DMARC.	Auditoría automatizada contra políticas de cumplimiento y mejores prácticas.
Detección de Subdominios Huérfanos	Revisiones manuales tras incidentes de seguridad.	Alertas instantáneas al detectar registros CNAME apuntando a recursos inexistentes.
Remediación de Cambios	Flujos de trabajo lentos vía tickets a soporte técnico.	Integración API para revertir o modificar registros maliciosos automáticamente.

El funcionamiento de una solución DNS-SPM se estructura en tres pilares operativos interconectados:

1. Descubrimiento y Mapas de Calor: La herramienta analiza continuamente los registros públicos de la zona DNS, los certificados SSL/TLS emitidos para la organización y los logs de resolución para generar un inventario dinámico de todos los dominios y subdominios vinculados.
2. Evaluación de la Postura de Seguridad: Se audita la configuración de registros críticos como SPF, DKIM y DMARC para prevenir la suplantación de correo electrónico, además de verificar la existencia de firmas DNSSEC válidas.
3. Orquestación y Respuesta: Ante una modificación no autorizada o la detección de un registro vulnerado, el sistema puede disparar playbooks de remediación automática que aíslan el subdominio o notifican de inmediato al equipo de respuesta a incidentes.

[Fuentes de Datos: Registradores, Logs de BIND/Unbound, Certificados TLS]
                                 |
                                 v
                 [Plataforma de Análisis DNS-SPM]
                                 |
        +------------------------+------------------------+
        |                                                 |
        v                                                 v
[Identificación de Vulnerabilidades]           [Evaluación de Cumplimiento]
(Subdominios huérfanos, CNAMEs caídos)       (Verificación SPF / DMARC / DNSSEC)
        |                                                 |
        +------------------------+------------------------+
                                 |
                                 v
             [Orquestación API / Remediación en el SOC]

Impacto directo en los sectores bancario, sanitario y de comercio electrónico

Un fallo en la infraestructura DNS raramente se limita a una interrupción momentánea del servicio; sus secuelas financieras y reputacionales suelen ser profundas. En el sector financiero, un ataque de envenenamiento de caché o secuestro de rutas puede desviar el tráfico de la banca en línea hacia portales de phishing idénticos a los originales sin que la aplicación muestre advertencias de certificado invalidadas si los atacantes lograron emitir certificados fraudulentos.

En el sector de la salud, donde los sistemas de telemedicina y el intercambio de historiales clínicos dependen de conexiones seguras punto a punto, un error en la resolución DNS puede paralizar la atención médica de urgencia o exponer información altamente confidencial protegida por regulaciones internacionales.

Por otro lado, para las plataformas de comercio electrónico, el impacto es inmediato. Una mala configuración que provoque la caída del DNS autoritativo durante períodos de alta demanda implica pérdidas millonarias por minuto, afectando no solo la pasarela de pagos sino la reputación de la marca ante los motores de búsqueda y la confianza de los consumidores.

Medidas preventivas y buenas prácticas para reforzar la postura en DNS

Para establecer una defensa sólida en la infraestructura de resolución de nombres, los directores de seguridad de la información (CISO) deben trascender la simple auditoría pasiva e implementar controles técnicos transversales.

• Implementar el principio de mínimo privilegio en los registradores: Limitar el acceso a los paneles de administración de dominios mediante autenticación de múltiples factores (MFA) basada en hardware e integrar controles de acceso basados en roles (RBAC).
• Activar Bloqueos de Registrador (Registry Locks): Establecer salvaguardas a nivel del propio registrador superior (TLD) que impidan la modificación, transferencia o eliminación de dominios sin una verificación telefónica o fuera de banda previa.
• Depuración sistemática de registros CNAME: Configurar herramientas automatizadas que identifiquen y eliminen inmediatamente cualquier registro que apunte a almacenamiento en la nube, servidores o balanceadores de carga que hayan sido desmantelados.
• Adoptar arquitecturas Redundant DNS (Multi-DNS): Distribuir la resolución de nombres entre múltiples proveedores independientes para garantizar alta disponibilidad y mitigar los efectos de ataques masivos de denegación de servicio distribuida (DDoS) dirigidos a la capa de infraestructura.

La convergencia entre la inteligencia de amenazas y la gobernanza de red

A medida que las redes corporativas continúan expandiéndose mediante entornos multinube y arquitecturas de microservicios, la complejidad de mantener una visibilidad total sobre los activos digitales seguirá en aumento. El protocolo DNS, ideado en una época de confianza implícita, requiere hoy marcos de gobernanza tan estrictos como los que se aplican al control de identidades o al almacenamiento de datos sensible.

La consolidación de DNS-SPM como un estándar dentro de las operaciones de ciberseguridad marca el fin de la era en que la infraestructura de nombres se consideraba una configuración de “ajustar y olvidar”. En los próximos años, la capacidad de una organización para auditar, asegurar y automatizar la protección de sus registros en tiempo real determinará la resiliencia de toda su presencia digital ante un panorama de amenazas en constante evolución.

El despliegue masivo de la inteligencia artificial generativa ha expuesto una grieta crítica en la arquitectura del procesamiento de datos. Mientras los controles de cifrado tradicionales aseguran la información en reposo dentro de los discos duros y en tránsito a través de las redes, los datos quedan completamente desprotegidos al momento de ser procesados por una unidad de procesamiento gráfico (GPU) o de cómputo (CPU). Durante la fase de inferencia, cuando un modelo analiza un patrón o genera una respuesta, la memoria volátil debe leer la información en texto plano, dejándola vulnerable a filtraciones, ataques de extracción de memoria o accesos no autorizados por parte de los propios proveedores de la nube.

Esta debilidad operativa ha paralizado la adopción de modelos avanzados en sectores con marcos regulatorios estrictos. Instituciones financieras, proveedores de salud y organismos gubernamentales gestionan volúmenes masivos de datos que no pueden correr el riesgo de ser expuestos en la memoria de un servidor de terceros, ni siquiera por microsegundos. La paradoja actual radica en que las herramientas más potentes de análisis predictivo requieren, por diseño, la exposición de los activos más valiosos de una organización.

Para resolver este dilema ha surgido la IA confidencial (Confidential AI), un paradigma técnico que combina entornos de ejecución seguros (Trusted Execution Environments o TEE) a nivel de hardware con protocolos de cifrado avanzado. Esta tecnología garantiza que ni los administradores del sistema, ni los proveedores de infraestructura multinube, ni eventuales actores maliciosos con privilegios de sistema operativo puedan visualizar los datos mientras el modelo de inteligencia artificial ejecuta sus algoritmos de inferencia.

El punto ciego de la seguridad digital: la paradoja de los datos en uso

El modelo clásico de ciberseguridad se ha estructurado históricamente en tres estados del dato: en reposo (data at rest), en tránsito (data in transit) y en uso (data in use). Los dos primeros cuentan con estándares de cifrado robustos como AES-256 o TLS 1.3, ampliamente probados e implementados a nivel global. Sin embargo, el estado “en uso” ha sido el eslabón débil de la cadena. Para que un algoritmo realice operaciones matemáticas sobre un conjunto de información, los datos deben descifrarse y cargarse en la memoria RAM o en la memoria VRAM de los aceleradores de hardware.

+-----------------------------------------------------------------------+
|                         ARQUITECTURA TEE                              |
|                                                                       |
|   +---------------------------------------------------------------+   |
|   |                    MEMORIA RAM DEL SISTEMA                    |   |
|   |                                                               |   |
|   |   +-------------------------------------------------------+   |   |
|   |   |          ENCLAVE SEGURO (Hardware Cifrado)            |   |   |
|   |   |                                                       |   |   |
|   |   |   +-------------------+       +-------------------+   |   |   |
|   |   |   |   Datos Sensibles |  -->  | Modelo de IA /    |   |   |   |
|   |   |   |   (Cifrados)      |       | Inferencia        |   |   |   |
|   |   |   +-------------------+       +-------------------+   |   |   |
|   |   +-------------------------------------------------------+   |   |
|   |                                                               |   |
|   +---------------------------------------------------------------+   |
|                                                                       |
|   [Aislamiento total frente al Sistema Operativo y Hypervisor]        |
+-----------------------------------------------------------------------+

Con la llegada de la inteligencia artificial a escala industrial, el riesgo asociado a esta vulnerabilidad se multiplicó. Un modelo de lenguaje o una red neuronal requiere procesar millones de registros por segundo. Si un atacante logra comprometer el hipervisor de la máquina virtual o desplegar un malware con privilegios de kernel, puede realizar un volcado de memoria (RAM dump) y extraer variables médicas, secretos comerciales, vectores de incrustación (embeddings) o códigos fuente procesados por la IA.

A esto se suma el riesgo de la propiedad intelectual del propio modelo. Desarrollar un modelo de IA especializado implica inversiones millonarias en entrenamiento y ajuste fino (fine-tuning). Cuando una empresa despliega su modelo en una nube pública para ofrecer servicios de inferencia, los pesos y parámetros del modelo también quedan expuestos en la memoria durante la ejecución. La IA confidencial aborda esta doble problemática: protege tanto la consulta enviada por el usuario como la estructura interna del modelo que responde.

La arquitectura del blindaje: Entornos de Ejecución Seguros (TEE) y GPU confidenciales

La base técnica de la IA confidencial no radica exclusivamente en el software, sino en el hardware. La piedra angular de esta tecnología son los Entornos de Ejecución Seguros (TEE), conocidos técnicamente como “enclaves seguros”. Un TEE es un área aislada dentro del procesador central o de la tarjeta gráfica que garantiza que el código y los datos cargados en su interior se mantengan protegidos contra cualquier inspección externa, incluso si el sistema operativo principal está totalmente comprometido.

Componente de Hardware / Protocolo	Función en la IA Confidencial	Nivel de Protección
AMD SEV-SNP / Intel TDX	Aislamiento de memoria a nivel de CPU y máquinas virtuales.	Impide la lectura de la memoria RAM por parte del hipervisor.
NVIDIA H100/H200 Confidential Computing	Cifrado directo en la memoria VRAM de la GPU durante la inferencia.	Protege los pesos del modelo y los tensores de entrada/salida.
Atestación Remota (Remote Attestation)	Verificación criptográfica del estado del sistema antes de enviar datos.	Garantiza que el hardware y el código no han sido alterados.
Cifrado Homomórfico (Complementario)	Ejecución de cálculos matemáticos directamente sobre datos cifrados.	Elimina la necesidad de descifrar datos en memoria (alto costo computacional).

El flujo operativo dentro de un entorno de IA confidencial sigue un proceso estricto de validación criptográfica denominado Atestación Remota. Antes de que el usuario o la aplicación envíe información confidencial al servidor:

1. El cliente solicita una prueba de autenticidad al hardware de la nube.
2. El procesador emite un certificado firmado por el fabricante del chip (como AMD, Intel o NVIDIA) que confirma que el enclave seguro está activo y que el código cargado en su interior no ha sido modificado.
3. Una vez validada la firma criptográfica, el cliente establece un túnel cifrado directamente con la memoria del enclave.
4. Los datos se descifran únicamente dentro del circuito integrado del procesador, se procesan mediante la IA y los resultados se vuelven a cifrar antes de salir de la GPU o CPU.

Casos de uso de alto impacto: de la banca privada a la medicina personalizada

La implementación de la IA confidencial ha dejado de ser un concepto teórico para convertirse en un requisito de despliegue en industrias con alta sensibilidad de datos. En el sector financiero, por ejemplo, las instituciones bancarias utilizan modelos de aprendizaje automático para detectar patrones de fraude transfronterizo en tiempo real.

[Usuario / Cliente] 
       | 
       |  1. Solicitud de Atestación
       v
[Servidor de Nube / Hardware TEE]
       |
       |  2. Emisión de Certificado Firmado por el Chip (Intel/AMD/NVIDIA)
       v
[Validación Criptográfica Exitosa]
       |
       |  3. Envío de Datos Cifrados directamente a la VRAM/RAM
       v
[Procesamiento e Inferencia dentro del Enclave]
       |
       |  4. Devolución de Resultados Cifrados al Cliente
       v
[Usuario / Cliente]

Anteriormente, compartir datos de transacciones entre diferentes bancos para entrenar o ejecutar modelos conjuntos violaba las leyes de protección de datos como el RGPD europeo o las normativas sectoriales. Mediante el uso de IA confidencial y aprendizaje federado, múltiples entidades financieras pueden ejecutar un mismo modelo sobre sus bases de datos combinadas dentro de enclaves seguros, analizando los riesgos sin revelar la identidad ni las transacciones de sus clientes a los competidores o al proveedor del servicio.

En el sector de la salud, el impacto es igualmente transformador. Los centros de investigación médica y las farmacéuticas emplean modelos de visión por computador para analizar imágenes diagnósticas y secuencias genómicas en la búsqueda de terapias personalizadas. La IA confidencial permite que un hospital envíe tomografías de pacientes a un modelo de detección temprana hospedado en la nube sin infringir normas como HIPAA. La información médica procesada en la GPU confidencial no queda registrada en ningún disco de almacenamiento ni puede ser utilizada por el proveedor de la nube para reentrenar modelos comerciales.

Desafíos técnicos: sobrecostos operativos y la brecha de rendimiento

A pesar de sus notables ventajas defensivas, la adopción de la IA confidencial enfrenta barreras técnicas considerables. La principal de ellas es la degradación de rendimiento (performance overhead). El proceso continuo de cifrado y descifrado de memoria en tiempo real, sumado a los intercambios de claves y las verificaciones criptográficas de la atestación remota, introduce una latencia adicional que puede afectar aplicaciones que requieren respuestas instantáneas.

• Latencia en la inferencia: Aunque la última generación de GPU optimizadas para cómputo confidencial ha reducido la penalización a márgenes de entre el 2% y el 7%, en entornos de alta demanda donde se procesan miles de peticiones simultáneas, este retraso acumulado exige una mayor infraestructura de servidores.
• Complejidad en el desarrollo: Adaptar modelos de inteligencia artificial existentes para que funcionen dentro de entornos de ejecución seguros requiere reestructurar la canalización de software (software pipeline). Los desarrolladores deben empaquetar sus aplicaciones en contenedores compatibles con arquitecturas TEE y gestionar dependencias criptográficas complejas.
• Costos de infraestructura: El hardware compatible con tecnologías de cómputo confidencial avanzado requiere inversiones de capital elevadas o tarifas más altas en las plataformas de servicios en la nube en comparación con la infraestructura estándar.

El horizonte regulatorio y la soberanía de los datos

Las presiones regulatorias globales están acelerando la transición hacia arquitecturas de IA confidencial. Marcos legales recientes, como la Ley de Inteligencia Artificial de la Unión Europea (EU AI Act), exigen niveles rigurosos de gobernanza de datos, trazabilidad y ciberseguridad para los sistemas de IA categorizados como de alto riesgo. En este contexto, la protección de la privacidad durante todo el ciclo de vida del dato pasa de ser una recomendación técnica a una obligación legal con sanciones económicas severas.

Las multinacionales de tecnología y los proveedores de nube han integrado la IA confidencial en el centro de sus estrategias comerciales. La posibilidad de ofrecer instancias donde el propio proveedor de la nube no tiene acceso técnico a los datos procesados elimina uno de los principales obstáculos para la adopción de la nube pública en jurisdicciones internacionales que exigen soberanía estricta sobre los datos.

La evolución de la inteligencia artificial dependerá en gran medida de la confianza explícita que las organizaciones puedan depositar en sus sistemas de procesamiento. La IA confidencial redefine el axioma de la seguridad moderna: la protección de la información ya no se limita a crear murallas alrededor de las bases de datos, sino a construir blindajes microscópicos dentro del silicio donde la mente digital realiza sus cálculos.

Durante años, las alarmas en los departamentos de ciberseguridad se activaban ante eventos muy concretos: un servidor vulnerado por un ataque de ransomware, un archivo de contraseñas filtrado en un foro de la dark web o un empleado que caía en un engaño de phishing sofisticado. Las métricas de riesgo se medían en función de la solidez del perímetro defensivo y de la velocidad con la que se detectaba cualquier intrusión no autorizada.

Sin embargo, los informes recientes sobre fuga de datos revelan un patrón profundamente transformador. Las organizaciones están experimentando la pérdida masiva de información altamente confidencial sin que un solo ciberdelincuente haya tenido que atravesar sus cortafuegos ni vulnerar sus credenciales de acceso.

Esta fuga silenciosa no ocurre por un fallo en la infraestructura de red, sino por la interacción voluntaria, continua e incontrolada de los propios empleados con decenas de plataformas de inteligencia artificial generativa. Al copiar código fuente, adjuntar reportes financieros no públicos o resumir actas de directorio en asistentes virtuales, los trabajadores están transfiriendo activos estratégicos a entornos de la nube pública cuyos términos de privacidad y retention de datos suelen eludir los controles de gobierno de la empresa.

Qué es la exposición pasiva de datos en la era GenAI

La exposición de datos en plataformas de IA generativa se define como la salida no intencionada de datos sensibles corporativos —como información de identificación personal (PII), secretos comerciales, propiedad intelectual o datos de clientes— hacia modelos de lenguaje masivos (LLM) o herramientas de productividad basadas en IA que carecen de las garantías de privacidad exigidas a nivel institucional.

A diferencia de las brechas de seguridad convencionales, donde un actor malicioso busca exfiltrar datos de forma deliberada, en este escenario el movimiento de datos es realizado por usuarios autorizados que buscan optimizar su trabajo diario. Se trata de un fenómeno impulsado por la adopción de herramientas de Shadow AI (inteligencia artificial en la sombra), es decir, el uso de aplicaciones de IA no autorizadas ni auditadas formalmente por los departamentos de tecnologías de la información.

El problema trasciende el uso de un único chatbot popular. La proliferación de extensiones de navegador, herramientas de resumen automático de reuniones, correctores de estilo algorítmicos y asistentes de programación ha fragmentado la superficie de exposición. Un solo empleado puede estar enviando fragmentos de información confidencial a cuatro o cinco servicios externos distintos en una sola jornada laboral.

El mecanismo del riesgo: cómo los datos corporativos terminan en el modelo público

Para comprender el alcance del problema es necesario examinar la ruta técnica que siguen los datos desde que un usuario introduce un texto o adjunta un documento en un asistente de IA hasta que esa información queda expuesta fuera del control institucional:

[ Empleado en la Empresa ]
           │
           ▼
 ( Entrada de Información ) ──► Datos Sensibles: Código, Estrategia o Reportes Financieros
           │
           ▼
[ Asistente / Herramienta GenAI ] ──► (Si carece de políticas "Enterprise")
           │
           ├───────────────────────────┐
           ▼                           ▼
( Ingesta en la Nube )      ( Reentrenamiento del Modelo )
   Riesgo: Filtración de       Riesgo: Exposición de datos
   repositorios / accesos      a terceros mediante consultas
   no auditados                de otros usuarios (*Prompts*)

Cuando un usuario interactúa con un modelo GenAI en su versión comercial estándar o gratuita, acepta términos de servicio donde habitualmente se estipula que los datos ingresados (prompts, archivos adjuntos y retroalimentación) pueden ser utilizados por el proveedor para reentrenar y mejorar los modelos futuros.

Este proceso de reentrenamiento altera el estado matemático del modelo. Si los datos sensibles quedan codificados dentro de los pesos de la red neuronal, existe el riesgo comprobado de que esa información pueda ser reconstruida o revelada a usuarios externos mediante técnicas de extracción de datos o consultas cuidadosamente diseñadas (prompt injection o data extraction attacks).

A este factor se suma la posibilidad de brechas directas en los propios proveedores de IA. Los repositorios donde estas plataformas almacenan el historial de chat y los documentos cargados por millones de usuarios se convierten en objetivos de alto valor para grupos de ciberdelincuencia, multiplicando el impacto de cualquier falla de configuración en la nube del proveedor.

El choque entre productividad individual y gobernanza corporativa

El origen fundamental de esta vulnerabilidad no radica en una mala intención de los empleados, sino en la brecha entre el ritmo de adopción tecnológica y la actualización de las políticas internas. La urgencia por acelerar tareas complejas —como el análisis de contratos legales, el procesamiento de datos médicos o la depuración de software— supera la capacidad de respuesta de los equipos de cumplimiento.

En los sectores financiero, sanitario y legal, este comportamiento genera un impacto regulatorio directo. La carga de información protegida por normativas como el Reglamento General de Protección de Datos (RGPD) en la Unión Europea o la ley HIPAA en Estados Unidos hacia servicios de IA sin acuerdos de procesamiento de datos (Data Processing Agreements o DPA) constituidos formalmente puede acarrear sanciones económicas millonarias, independientemente de que los datos hayan sido explotados o no por un tercero.

Desde la perspectiva de los usuarios, existe una falsa sensación de confidencialidad al interactuar con una interfaz limpia y conversacional. La mayoría de las personas asumen que el diálogo con un asistente virtual equivale a una nota privada guardada en su propio equipo, ignorando los complejos flujos de transmisión y almacenamiento de datos en servidores remotos que implica cada consulta.

Casos documentados e investigaciones que confirman la tendencia

Los estudios presentados por firmas especializadas en ciberseguridad de datos muestran la magnitud del fenómeno a escala global:

• Estudios de retención e ingesta de datos: Investigaciones de firmas como Cyberhaven señalan que un porcentaje significativo de empleados ha pegado datos confidenciales, planes estratégicos o código fuente propio en herramientas como ChatGPT u otros asistentes conversacionales, siendo el código de software y la información de clientes los elementos más expuestos.
• Incidentes en la industria tecnológica y de semiconductores: Empresas globales de tecnología han tenido que restringir o prohibir temporalmente el uso de chatbots de IA generativa pública tras detectar que sus desarrolladores habían subido código fuente propietario y datos de diagnóstico de producción para solucionar errores de programación, exponiendo secretos industriales clave.
• Ataques de extracción de datos memorizados: Investigadores de universidades y centros de ciberseguridad han demostrado empíricamente que es posible inducir a grandes modelos de lenguaje a “recordar” y reproducir fragmentos exactos de textos de entrenamiento —incluyendo direcciones de correo electrónico, claves de cifrado e información privada— mediante la repetición sistemática de palabras clave o comandos específicos.

El respaldo normativo: las advertencias de los organismos de control

La preocupación por la salida incontrolada de información hacia plataformas de inteligencia artificial ha llegado a las cúpulas de los organismos reguladores internacionales.

La Comisión Federal de Comercio de EE. UU. (FTC) ha emitido advertencias explícitas a las empresas sobre el uso de datos de consumidores en el entrenamiento de modelos de IA, señalando que compartir información privada con terceros sin el consentimiento claro de los usuarios puede constituir una práctica engañosa o desleal.

Asimismo, el Comité Europeo de Protección de Datos (EDPB) creó un grupo de trabajo específico sobre la privacidad en la IA generativa, emitiendo directrices que recuerdan que la introducción de datos personales en modelos de IA requiere bases legales sólidas, derecho de supresión y garantías claras de que la información no será procesada para fines no autorizados por la legislación europea.

Estrategias operativas para prevenir la fuga de datos por IA

Frenar la pérdida pasiva de información no requiere bloquear el acceso a la tecnología, sino establecer un marco de Gobernanza de Datos e IA que combine tecnología, políticas y cultura corporativa:

1. Despliegue de instancias “Enterprise” con garantías de privacidad: Proporcionar a los empleados versiones corporativas de herramientas de IA donde el proveedor garantice formalmente por contrato que los datos no se almacenan para entrenamiento ni se comparten con terceros.
2. Implementación de soluciones Data Loss Prevention (DLP) adaptadas a la IA: Integrar herramientas de monitoreo en los puntos finales (endpoints) y navegadores capaces de detectar y bloquear en tiempo real el copiado de información sensible (como números de tarjetas, código propietario o identificadores personales) en formularios web de sitios GenAI no autorizados.
3. Auditoría y visibilidad del mapa de Shadow AI: Utilizar pasarelas de seguridad web (CASB/NG-SWG) para identificar qué plataformas de IA generativa están consumiendo los empleados en la red corporativa y evaluar el nivel de riesgo de cada una.
4. Políticas de clasificación de datos claras y aplicables: Establecer protocolos sencillos que indiquen qué categorías de información (por ejemplo, pública, interna o estrictamente confidencial) se pueden procesar mediante asistentes algorítmicos y cuáles están estrictamente prohibidas.

Reconstruir la noción de confidencialidad en el entorno algorítmico

El auge de la inteligencia artificial generativa ha demostrado que la pérdida de control sobre los activos de información no siempre requiere de una intrusión violenta ni de un fallo informático estruendoso. La mayor amenaza actual a la confidencialidad corporativa puede estar ocurriendo de forma transparente, consulta a consulta, en las pestañas abiertas de los navegadores de la propia organización.

Abordar este desafío exige que la ciberseguridad trascienda la defensa del perímetro y se enfoque en la trazabilidad del dato. Las empresas que logren equilibrar la productividad impulsada por la inteligencia artificial con una gobernanza estricta de sus activos digitales no solo protegerán su valor estratégico, sino que construirán un entorno operativo verdaderamente preparado para los desafíos de la automatización avanzada.

Durante la primera etapa de adopción de los modelos de lenguaje, el control de acceso se resolvía mediante interfaces tradicionales: un empleado introducía sus credenciales, hacía una consulta al chat y recibía una respuesta en texto. La persona actuaba como el filtro definitivo y el único responsable de ejecutar cualquier acción en el sistema.

Sin embargo, el despliegue masivo de agentes de software autónomos ha dinamitado ese esquema de contención. Hoy en día, los asistentes basados en inteligencia artificial no se limitan a redactar borradores; programan llamadas a bases de datos, interactúan con sistemas de gestión empresarial, aprueban órdenes de compra y coordinan tareas con otros agentes algorítmicos sin requerir confirmación humana en cada paso.

Esta autonomía funcional plantea un vacío crítico en la ciberseguridad corporativa. Cuando un agente toma decisiones y ejecuta acciones en nombre de un usuario o de una organización, las preguntas fundamentales sobre identidad, permisos y responsabilidad legal cambian drásticamente. Determinar quién autentica al agente, qué límites operativos tiene y cómo se registra su rastro de auditoría se ha convertido en uno de los retos más urgentes para la industria tecnológica.

Qué es un agente de software autónomo y por qué desafía el modelo de ciberseguridad tradicional

Un agente de software autónomo es una entidad basada en inteligencia artificial capaz de percibir su entorno, tomar decisiones lógicas en función de un objetivo encomendado y utilizar herramientas externas (como APIs, bases de datos o servicios en la nube) para completar flujos de trabajo complejos de extremo a extremo.

A diferencia de un script o un bot convencional que sigue instrucciones estáticas programadas línea por línea, el agente autónomo decide dinámicamente qué pasos tomar según el contexto. Esa naturaleza probabilística e indeterminada es precisamente la que rompe los sistemas de gestión de identidades y accesos (IAM) tradicionales.

Las plataformas de IAM históricas fueron diseñadas bajo dos premisas: autenticar a seres humanos mediante credenciales o biométricos, o autorizar servicios estáticos mediante claves API fijas. Un agente autónomo no encaja en ninguna de las dos categorías. Mantiene un grado de variabilidad operacional que exige modelos de identidad dinámicos, capaces de restringir las atribuciones del bot en función del nivel de riesgo de cada acción individual.

El triple desafío: autenticación, autorización y auditoría de la IA

Garantizar la seguridad en el despliegue de agentes exige resolver tres dilemas técnicos interconectados que condicionan la confianza en estos sistemas:

                  [ Triada de Seguridad para Agentes de IA ]
                                     │
    ┌────────────────────────────────┼────────────────────────────────┐
    ▼                                ▼                                ▼
1. Autenticación Delegada       2. Autorización Dinámica          3. Trazabilidad y Auditoría
 (¿Quién le otorgó el poder?     (¿Hasta dónde puede llegar?      (¿Cómo se prueba lo que hizo?
  Delegación criptográfica)       Mínimo privilegio en tiempo      Registro inmutable de la
                                  real y evaluación contextual)    cadena de razonamiento)

1. Autenticación delegada: certificar la identidad de la entidad sintética

Un agente no posee identidad jurídica ni conciencia para poseer una clave. Por ello, la autenticación debe resolver la cadena de delegación: comprobar de forma criptográfica e inalterable que el agente está actuando en representación de un usuario o rol corporativo legítimo, y que esa autorización no ha sido revocada ni suplantada por un tercero.

2. Autorización granular y en tiempo real

Conceder a un agente un token de acceso con permisos amplios para que “trabaje de forma eficiente” es una receta para el desastre. La autorización debe aplicarse bajo el principio de mínimo privilegio en tiempo real. El sistema necesita evaluar el contexto de cada llamada a una API: si un agente de atención al cliente intenta consultar un registro, se le permite; si intenta exportar la base de datos completa de usuarios, la autorización debe revocarse automáticamente.

3. Auditoría e imputabilidad: el registro de la cadena de razonamiento

Cuando un ser humano comete un error o una infracción en un sistema informático, los registros de auditoría (logs) muestran qué usuario inició sesión y qué comando ejecutó. En un agente de IA, un resultado no deseado puede ser consecuencia de una inyección de instrucciones (prompt injection) indirecta o de un sesgo en el modelo. La auditoría no solo debe registrar la acción final, sino también la cadena de razonamiento (Chain of Thought) y los datos de contexto que llevaron al agente a tomar esa decisión.

Vectores de riesgo: cuando la autonomía algorítmica se vuelve en contra

La ausencia de gobernanza sobre las identidades no humanas y los agentes autónomos abre la puerta a incidentes operacionales de gran escala.

• Confuso delegado (Confused Deputy Problem): Ocurre cuando un atacante engatusa al agente mediante lenguaje natural para que utilice sus elevados privilegios del sistema en beneficio del cibercriminal. El agente, creyendo que está cumpliendo una orden válida, ejecuta la acción dañina utilizando sus credenciales legítimas.
• Apropiación de tokens y persistencia silenciosa: Si los tokens de autenticación concedidos a los agentes no tienen caducidad corta ni restricciones de alcance, un atacante que comprometa el entorno de ejecución del bot puede exfiltrar esas llaves digitales y operar de forma permanente dentro de la red sin levantar sospechas.
• Cascada de acciones no supervisadas entre agentes: En arquitecturas multi-agente, un error o la manipulación de un primer bot puede propagarse a otros agentes interconectados. Un agente de análisis de mercado comprometido podría enviar datos falsos a un agente de compras, provocando transacciones financieras automáticas e indeseadas.

La respuesta de los organismos internacionales: el trabajo del NIST y los estándares emergentes

La urgencia de normar la interacción de agentes autónomos ha llevado a los principales organismos de estandarización a priorizar este ámbito dentro de sus agendas de ciberseguridad.

El NIST (National Institute of Standards and Technology) de Estados Unidos, a través del desarrollo de perfiles específicos derivados de su AI Risk Management Framework (AI RMF) y de sus guías sobre gestión de identidades (NIST SP 800-63), trabaja activamente en la definición de estándares para las identidades no humanas (NHI) y la delegación de autoridad en sistemas autónomos. El objetivo es estructurar un marco técnico donde la identidad de un agente sea verificable, rastreable y revocable en microsegundos.

Paralelamente, iniciativas del sector como el proyecto OWASP Top 10 para Agentes de IA están categorizando los fallos de diseño más comunes en la asignación de permisos, sirviendo de guía para que los desarrolladores adopten arquitecturas seguras antes de integrar estos sistemas en entornos de producción.

Medidas de prevención y buenas prácticas para la gestión de agentes

Para desplegar agentes autónomos sin comprometer la postura de seguridad de la organización, los equipos de tecnología y ciberseguridad deben implementar una serie de controles fundamentales:

1. Asignación de identidades efímeras y contextuales: Evitar el uso de claves API estáticas. Los agentes deben recibir credenciales de corta duración que se generen exclusivamente para completar una tarea específica y expiren inmediatamente después.
2. Aislamiento en entornos de ejecución (Sandboxing): Cada agente debe operar dentro de un contenedor o entorno aislado que limite su capacidad de comunicación con otros recursos de la red corporativa que no sean estrictamente necesarios para su función.
3. Barandillas de autorización y límites financieros o transaccionales: Definir topes duros a la capacidad operativa de la IA. Cualquier acción que supere un determinado umbral de riesgo (como el borrado de datos masivo o transferencias monetarias) debe requerir una aprobación humana explícita (Human-in-the-loop).
4. Registros de auditoría inmutables y protegidos: Almacenar los registros de decisiones y llamadas a herramientas del agente en repositorios protegidos contra escritura, permitiendo realizar análisis forenses detallados en caso de comportamiento anómalo.

Definir las fronteras de la delegación digital

El verdadero potencial de la inteligencia artificial no se desplegará a través de asistentes conversacionales pasivos, sino mediante agentes autónomos capaces de asumir cargas de trabajo complejas en el mundo real. Sin embargo, la velocidad de la adopción no puede eclipsar los principios elementales de la ciberseguridad.

Tratar a los agentes de software como usuarios privilegiados sin control o como código inofensivo es un error táctico de consecuencias impredecibles. La construcción de un ecosistema digital resiliente dependerá de la capacidad de la industria para dotar a estos entes sintéticos de una identidad clara, un perímetro de actuación delimitado y una obligación permanente de rendir cuentas sobre cada una de sus decisiones.