La llegada de modelos de IA cada vez más capaces ha intensificado el debate sobre los riesgos que estas herramientas plantean para los equipos de seguridad. Sin embargo, el cambio fundamental no está tanto en los objetivos de los atacantes como en la escala y la velocidad: la IA permite encontrar más vulnerabilidades y, al mismo tiempo, reduce los conocimientos técnicos necesarios para intentar explotarlas. Como resultado, las organizaciones disponen de menos tiempo para responder.

Esta nueva realidad exige revisar la gestión de la exposición. Las empresas necesitan mejorar su capacidad para detectar y corregir riesgos, pero también reducir de forma proactiva los activos y servicios accesibles desde internet.

## La detección de vulnerabilidades se acelera

Los primeros datos difundidos en el marco del Proyecto Glasswing ilustran el potencial de Mythos. Según la información publicada, en aproximadamente un mes el modelo y cerca de 50 organizaciones colaboradoras identificaron más de 10.000 vulnerabilidades de gravedad alta o crítica. De ellas, se estima que 6.202 se encontraron en más de 1.000 proyectos de código abierto.

Estas cifras reflejan un avance significativo, aunque la presión sobre los equipos de seguridad ya venía aumentando. En 2025 se publicaron 48.185 vulnerabilidades y exposiciones comunes (CVE), un 20,6 % más que el año anterior. Es razonable esperar que las herramientas de IA sigan contribuyendo a ese crecimiento.

Para los equipos de seguridad, esto implica gestionar un mayor volumen de hallazgos y prepararse para ataques complejos y novedosos con una frecuencia creciente. También aumenta la urgencia de evaluar y corregir vulnerabilidades descubiertas mediante IA, así como de responder ante intentos de explotación automatizados.

## No hace falta Mythos para automatizar un ataque

Limitar el acceso a Mythos y a otros modelos avanzados no basta como medida de protección. Las pruebas realizadas por investigadores de seguridad indican que los modelos de lenguaje de acceso general también pueden ayudar a identificar y explotar vulnerabilidades novedosas cuando los utilizan personas con experiencia.

En un caso, un investigador creó un flujo automatizado para buscar vulnerabilidades sin intervención humana. En su primera implementación, el proceso identificó una vulnerabilidad de inyección SQL remota y de múltiples etapas que afectaba a 300.000 complementos de WordPress. La investigación, que coincidió con un hallazgo independiente, recibió el identificador CVE-2026-3985 y se divulgó públicamente.

El riesgo tampoco se limita al descubrimiento de vulnerabilidades. Los agentes de IA pueden automatizar varias etapas de una operación de extorsión. En un incidente atribuido a un operador conocido como JadePuffer, se habría explotado un servidor Langflow vulnerable para obtener credenciales, desplazarse por la red y cifrar 1.300 registros de bases de datos, como parte de una operación de ransomware ejecutada de extremo a extremo.

## Reducir la superficie de ataque como primera línea de defensa

Los modelos de lenguaje están cambiando los plazos tradicionales de gestión de vulnerabilidades. El intervalo entre el descubrimiento, la asignación de un CVE y la respuesta defensiva se ha reducido. Por ello, no basta con mejorar la velocidad de aplicación de parches: también es necesario evitar que los activos estén expuestos innecesariamente.

La estrategia debe avanzar en dos frentes. Por un lado, hay que reducir el tiempo entre la detección y la corrección. Por otro, conviene disminuir de manera preventiva la superficie de ataque. Si un servicio no necesita estar disponible públicamente, mantenerlo expuesto puede generar un riesgo evitable, incluso cuando no exista una vulnerabilidad conocida.

Bases de datos MySQL accesibles desde internet o documentación privada de API publicada sin protección pueden ofrecer oportunidades a los atacantes. En estos casos, la exposición por sí sola puede facilitar ataques automatizados, sin que sea necesario aprovechar un CVE específico.

## Gestión continua de la exposición

Cuando el tiempo necesario para explotar una vulnerabilidad puede reducirse a horas, las organizaciones deben acortar también la distancia entre detectar un problema y resolverlo. Para lograrlo, hacen falta tanto contexto como continuidad.

Las pruebas de penetración ofrecen análisis profundos y contextualizados, pero suelen representar una evaluación puntual y pueden resultar costosas si se realizan con mucha frecuencia. Los escaneos de vulnerabilidades aportan continuidad, aunque no siempre pueden determinar por sí solos qué hallazgos son relevantes para el entorno y las prioridades de cada organización.

La IA puede complementar ambos enfoques. No sustituye de inmediato las pruebas tradicionales ni el criterio de los profesionales, pero puede ayudar a detectar nuevos riesgos con rapidez, realizar evaluaciones después de cambios importantes en una aplicación y validar hallazgos con métodos similares a los de los especialistas. Además, puede integrarse con las herramientas existentes para dirigir cada problema al equipo responsable de corregirlo.

Una de sus aportaciones más útiles es ayudar a validar los resultados, reducir falsos positivos y aportar el contexto que los equipos necesitan para priorizar. Así, los profesionales pueden dedicar menos tiempo al ruido y concentrarse en los riesgos que requieren atención.

La práctica y los marcos de auditoría, seguros y cumplimiento tendrán que adaptarse a este entorno. Sin embargo, la dirección es clara: las pruebas continuas y la gestión permanente de la exposición cobrarán cada vez más importancia.

Los principios básicos siguen vigentes: reducir la exposición, confirmar qué riesgos son reales y permitir que los especialistas se concentren en resolverlos. Lo que ha cambiado es el tiempo disponible para hacerlo. Las organizaciones que sigan trabajando con los plazos de ayer pueden encontrarse con que la ventana de respuesta ya se ha cerrado.

from Latest from TechRadar https://ift.tt/Hc7iWw2
via IFTTT IA