Cuando el equipo de inteligencia de amenazas de Anthropic clasificó un año de ciberataques habilitados por IA, la operación más peligrosa del conjunto de datos no destacó por la medida en que la industria de seguridad ha basado sus evaluaciones durante años.

Contrastada con MITRE ATT&CK, la campaña de espionaje patrocinada por un estado que Anthropic interrumpió en noviembre de 2025 empleó 30 técnicas en 13 tácticas, comparable a muchos actores de riesgo medio del mismo conjunto. Según la propia metodología de riesgo de Anthropic, la misma campaña obtuvo la máxima puntuación de 100.

El hecho de que el actor de mayor riesgo pareciera irrelevante por conteo de técnicas revela una debilidad en el pensamiento de detección tradicional. La amplitud de técnicas por sí sola ofrece poco al defensor sobre el riesgo. Un entendimiento más útil surge al analizar cómo se combinan, secuencian y ejecutan las técnicas a lo largo del tiempo.

El indicador siempre fue la parte frágil

Las operaciones de seguridad pasaron dos décadas volviéndose muy buenas en reconocer evidencias de uso previo por parte del atacante. Hashes de malware, direcciones IP maliciosas y dominios sospechosos proporcionaron a los equipos una forma práctica de identificar amenazas conocidas y bloquear ataques repetidos. Una vez que un atacante expone parte de su infraestructura, miles de organizaciones pueden beneficiarse.

El Prisma de Bianco, Pirámide del Dolor, describió esta debilidad en 2013. Los indicadores más fáciles de consumir por los defensores son también los más baratos para que los atacantes los descarten. Un hash puede cambiar al modificar un archivo, mientras que una IP puede simplemente reemplazarse. Las técnicas y procedimientos que un atacante necesita para alcanzar un objetivo son mucho más difíciles de cambiar.

La IA generativa ha hecho que la detección basada en indicadores sea más vulnerable al disminuir el costo de la variación. Herramientas de generación de código pueden producir nuevas variantes de malware con rapidez, el contenido de phishing puede crearse a escala, y las herramientas ofensivas pueden ensamblarse con mucho menos esfuerzo especializado. Los defensores cada vez trabajan con indicadores cuya vida útil puede ser menor que el proceso para identificarlos, publicarlos y actuar sobre ellos.

Ninguno de esto invalida el feed IOC. Sigue siendo valioso para bloquear lo conocido en volumen, enriquecer investigaciones y cazar retrospectivamente una vez que una campaña se vuelve pública. Lo que ya no puede hacer es soportar el peso de todo el programa de detección.

Las técnicas individuales son señales débiles

El estudio de Anthropic examinó 832 cuentas prohibidas por actividad maliciosa entre marzo de 2025 y marzo de 2026, mapeando 13.873 acciones observadas en 482 técnicas y todas las 14 tácticas de ATT&CK. Las cuentas representan un subconjunto de prohibiciones totales con suficiente detalle para una evaluación exhaustiva.

Hubo poca correlación entre la habilidad de un atacante y el número de técnicas que usó: los actores menos capaces promediaban unas 16 técnicas distintas, los más capaces alrededor de 20. La plataforma a través de la cual operaba el atacante no hizo diferencia.

Esto coincide con el comportamiento real de las empresas. El descubrimiento de cuentas aparece en ataques y también en la administración legítima. Los servicios remotos permiten movimiento lateral y gestión rutinaria de infraestructura por igual. Casi todas las técnicas individuales requieren interpretación antes de respaldar una conclusión.

La información aparece cuando las actividades se conectan. El descubrimiento de cuentas, seguido por el acceso a credenciales, seguido por movimiento a otro sistema y preparación de datos en una ventana comprimida, describe algo que las mismas actividades dispersas durante varios días de trabajo no describen. La secuencia se convierte en parte de la lógica de detección, junto con la identidad involucrada, los sistemas tocados y lo que ocurrió inmediatamente después.

La IA se está moviendo más profundo en el ataque

La IA añade otra consideración: la velocidad con la que se desarrolla un ataque. La automatización puede comprimir el tiempo entre acciones, cambiando la interpretación de actividades previamente conocidas.

Los ataques guiados por humanos siempre han utilizado cierto grado de automatización, pero un operador aún debe interpretar resultados y decidir qué hacer a continuación. A medida que los sistemas de IA asumen más de esa toma de decisiones, el tiempo entre etapas de un ataque puede reducirse considerablemente. Eso hace que la velocidad y la secuencia de la actividad sean información útil por sí misma.

Los datos de Anthropic muestran dónde se está aplicando esta presión. A lo largo del periodo de estudio, el uso de IA se desplazó de ganar acceso hacia lo que ocurre después. El uso de herramientas de IA para descubrimiento de cuentas dentro de entornos comprometidos aumentó un 8,9 por ciento mientras que el phishing asistido por IA cayó un 8,6 por ciento. Las técnicas poscompromiso que antes exigían experiencia real se están realizando en nombre de actores menos capaces.

La proporción de actores catalogados por Anthropic como de riesgo medio o superior aumentó del 33 por ciento en la primera mitad del estudio al 56 por ciento en la segunda, aproximadamente un aumento de 1,7 veces en doce meses.

La velocidad por sí sola no demuestra nada. Una secuencia plausible en varias horas para un administrador adquiere distinto peso cuando las mismas acciones cruzan múltiples sistemas en minutos. El tiempo debe formar parte del modelo de detección junto con la actividad.

Este es el razonamiento detrás de APEX, o Adversarial Pattern Extraction and Correlation, un marco de detección conductual desarrollado a partir de los hallazgos de Anthropic. En lugar de tratar una sola técnica de ATT&CK como unidad de detección, APEX observa combinaciones de técnicas, el orden en que ocurren, el tiempo entre ellas y las entidades involucradas.

La premisa es que estas cadenas conductuales proporcionan una base de detección más duradera que los indicadores individuales o técnicas que los atacantes pueden cambiar con mayor facilidad.

Los marcos tampoco se han puesto al día

La investigación de Anthropic también revela una limitación en los marcos utilizados para describir el comportamiento del atacante. MITRE ATT&CK puede mapear las técnicas individuales utilizadas durante una intrusión, pero actualmente no captura la orquestación de la acción del agente que une esas técnicas.

Un sistema de IA que interpreta resultados, selecciona su siguiente acción y se desplaza a través de múltiples etapas de un ataque con una intervención humana limitada es, por tanto, difícil de representar dentro del marco existente. Anthropic está trabajando con MITRE para ver cómo podría incorporarse ese comportamiento.

Para los líderes de seguridad, la consecuencia práctica llega antes incluso de una revisión del marco. Reconocer una cadena de comportamiento significa correlacionar evidencias entre endpoints, identidades, redes y plataformas en la nube, cada una produciendo telemetría en una forma diferente.

Ese es un problema de datos sustancialmente más difícil que comprobar un valor contra una lista, y vale la pena preguntar si la telemetría necesaria para ver esas cadenas está disponible, correlacionada y Oportuna, en lugar de asumir que el volumen basta.

Lo que los atacantes no pueden cambiar

La IA facilita cambiar las características observables de un ataque, pero los requisitos operativos subyacentes siguen siendo relativamente estables. Un atacante que busca robar datos aún necesita obtener acceso, entender el entorno, obtener privilegios suficientes y mover información fuera. Las herramientas e infraestructuras pueden variar, pero esos requisitos son mucho más difíciles de eliminar.

Bianco señaló la cúspide de la pirámide hace más de una década y el principio se ha mantenido. Marcas como APEX están intentando convertir ese principio en lógica de detección práctica al enfocarse en la secuencia, el tiempo y el contexto del comportamiento del atacante. La IA ha hecho que ese enfoque sea mucho más urgente.

Hemos presentado el mejor software de protección de endpoints.

Este artículo se produjo como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mentes más brillantes de la industria tecnológica en la actualidad.

Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si le interesa contribuir, descubra más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

from Latest from TechRadar https://ift.tt/T0YG6s2
via IFTTT IA

Blizzard Entertainment ha confirmado que está trabajando activamente para combatir los problemas de botting en World of Warcraft: Forever, con un enfoque particular en el comercio con dinero real (RMT). Este esfuerzo se enmarca en un esfuerzo continuo por mantener la integridad de la economía del juego y evitar que ciertos jugadores obtengan ventajas desleales mediante la venta de oro o objetos.\n\nEl RMT ha sido una preocupación histórica en WoW, tanto en la versión estándar como en Classic. La venta de oro y objetos por dinero real no solo infringe los términos de servicio de Blizzard, sino que también distorsiona la economía del juego, inflando precios y, para algunos, transformando la experiencia MMO en un formato de pago para ganar. Con WoW: Forever aún en fase beta y prevista para su lanzamiento en 2027, existe la posibilidad de que el RMT se convierta en un tema relevante para este nuevo título.\n\nEn una entrevista con TechRadar Gaming, el equipo de desarrollo de WoW: Forever reconoció el problema persistente y confirmó que están trabajando para mitigar las cuestiones asociadas al botting. Uno de los enfoques visibles es limitar las habilidades de clase que facilitan la granja de oro por medio de bots, lo que ha llevado a cambios en ciertas talentos y habilidades de Mago para dificultar que un solo jugador potencie la recolección de oro o experiencia dentro de una instancia.\n\nAdemás, el estudio está monitoreando el RMT y ya ha establecido sanciones que, según la acción, podrían resultar en una prohibición permanente. En particular, hay un énfasis en aplicar penalidades más estrictas a los compradores de oro. Aunque Blizzard no entra en detalles abiertos sobre estas medidas, ha señalado que ha revisado sus políticas y desarrollado un conjunto de penalidades que progresan de forma más rápida para este comportamiento, incluyendo posibles prohibiciones permanentes.\n\nBlizzard también ha indicado que cuenta con nuevos sistemas de apoyo para implementar estas medidas, pero reconoce que se trata de un juego del gato y el ratón; por ello, evitar compartir demasiados detalles podría “dar pistas” a quienes buscan explotar el sistema. En sus palabras: “estamos vigilando muy de cerca, y participar en RMT no merece arriesgar la cuenta.”\n\nPor último, se ha abordado también la controversia en torno a la raza Skyborne de WoW: Forever, explicando por qué la raza Elfo está disponible para ambas facciones, Alliance y Horde, dentro de la visión del juego.

from Latest from TechRadar https://ift.tt/2qPOIJ3
via IFTTT IA

La conversación sobre la inteligencia artificial (IA) en el lugar de trabajo ha evolucionado desde la preocupación por la sustitución laboral hacia un enfoque más matizado: la IA está creando oportunidades y redefiniendo funciones. Un reciente estudio global de HP, que abarcó a casi 20,000 trabajadores administrativos, revela tendencias claras y útiles para líderes y equipos que buscan navegar esta transformación con éxito.

1) Creación de empleo, no sustitución masiva
– El 60% de los líderes empresariales encuestados reporta que la adopción de IA ha generado nuevos roles o incluso equipos enteros dentro de sus organizaciones. Además, un 19% adicional espera que la IA cree nuevas funciones en los próximos uno o dos años. Estos números desafían la narrativa de que la IA eliminará puestos de trabajo de forma generalizada.
– En el Reino Unido, el 46% de los encuestados considera que la IA ha tenido un impacto positivo en su vida, y la adopción de herramientas gestionadas por la empresa se incrementó al 52% (desde el 38% del año anterior). Esto indica una experiencia más positiva cuando hay apoyo institucional y capacitación adecuada.

2) Discrepancias por nivel y función
– Aunque hay optimismo general, 38% de los trabajadores del conocimiento en el Reino Unido siguen preocupados de que la IA reemplace sus roles, y 37% teme que la IA pueda ser usada para reemplazarlos por alguien con más conocimiento en IA. Estas inquietudes destacan la necesidad de gestión proactiva del cambio y la reducción de incertidumbres mediante transparencia, re-skilling y planes de carrera claros.
– El uso de IA por parte de los empleados está en aumento, con 45% de trabajadores de escritorio optando por sistemas cada vez más automatizados. Sin embargo, la adopción de agentes de IA es mayor entre altos mandos: 71% de los IT decision-makers y 56% de los líderes de negocio ya utilizan agentes, frente a 38% de los trabajadores del conocimiento. Esto sugiere una brecha entre liderazgo y ejecución que debe cerrarse para maximizar beneficios.

3) Recomendaciones para gestionar la transición
– Invertir en habilidades: priorizar programas de capacitación que empoderen a los empleados para trabajar con IA, entender sus herramientas y aprovecharlas para crear valor añadido.
– Definir roles y rutas de crecimiento: aclarar qué nuevas funciones y equipos están emergiendo, así como las trayectorias profesionales disponibles para los trabajadores que deseen especializarse en IA.
– Fomentar una cultura de adopción: comunicar claramente los objetivos de la IA, sus limitaciones y las expectativas, reduciendo temores infundados y promoviendo una colaboración entre humanos y máquinas.
– Equilibrio entre herramientas y talento: distribuir adecuadamente las herramientas de IA entre niveles jerárquicos y funciones para evitar disparidades y garantizar que los beneficios sean compartidos.

Conclusión
La evidencia sugiere que la IA, cuando se implementa con estrategia y apoyo, puede ampliar las oportunidades laborales y transformar las funciones existentes en lugar de reducir las fuerzas de trabajo de forma indiscriminada. La clave está en la gestión del cambio, la inversión en habilidades y la claridad en las rutas de desarrollo profesional. En un entorno de negocio dinámico, las organizaciones que capaciten a su gente para aprovechar estas herramientas estarán mejor posicionadas para crear valor sostenible a corto y largo plazo.

from Latest from TechRadar https://ift.tt/pRd8FGy
via IFTTT IA

La próxima prueba para la IA no es si puede producir un piloto impresionante. Es si puede funcionar de manera fiable, todos los días, en las condiciones complejas y de alto riesgo del mundo físico.

Las empresas están dispuestas a invertir. El AI Radar 2026 de BCG encontró que las corporaciones esperan más que duplicar el gasto en IA este año, del 0,8% a aproximadamente el 1,7% de los ingresos. Pero el valor no acompasa el gasto. Según el PwC 2026 AI Performance Study, el 74% del valor económico de la IA está siendo capturado por solo el 20% de las organizaciones.

La restricción ya no es la ambición ni el presupuesto. Es la ejecución.

Para la IA física, ese desafío es especialmente agudo. A diferencia de una herramienta que redacta un correo electrónico o resume un documento, la IA física opera donde las decisiones afectan la seguridad, la continuidad, la prestación de servicios y el costo. Pasar de la fase piloto a una implementación a gran escala exige algo más que un modelo competente.

Las organizaciones deben elegir un problema que valga la pena resolver, proporcionar a la IA el contexto operacional para entenderlo, diseñar la tecnología alrededor de cómo se realiza realmente el trabajo y conectar cada insight con una acción apropiada.

Comenzar con el problema operacional:

Gran parte de la conversación empresarial sobre IA se ha centrado en modelos de lenguaje grande y productividad de oficina. Pero algunos de los problemas empresariales más decisivos y costosos existen más allá de la oficina: colisiones de vehículos, fallos de equipos, paradas no planificadas y interrupciones a servicios esenciales de los que depende la gente.

La IA física aporta inteligencia a estos entornos mediante datos de vehículos, equipos, cámaras y sensores para entender qué está pasando y determinar qué requiere atención.

En la seguridad de la flota, por ejemplo, las herramientas de IA pueden analizar información de vehículos conectados y cámaras junto con factores como el clima, las condiciones de la vía y los patrones de conducción. Ese contexto ayuda a una organización a distinguir un evento aislado de un patrón más amplio y a enfocar su atención donde puede tener mayor impacto.

El interés ya es sustancial, pero la implementación sigue siendo limitada. En robótica, una de las aplicaciones más destacadas de la IA física, Capgemini encontró que el 79% de las organizaciones están involucradas con la tecnología, mientras que solo el 27% la está implementando o escalando.

El punto de partida correcto no es: “¿Dónde podemos usar IA?” Sino: “¿Qué resultado operativo necesitamos cambiar?” ¿Qué está causando el problema? ¿Están disponibles los datos necesarios? ¿Qué decisión o flujo de trabajo debería mejorar la tecnología? Un piloto sin respuestas claras puede demostrar capacidad técnica sin probar valor comercial.

Construir el contexto operativo que la IA necesita:

Seleccionar el problema correcto es solo el principio. Para avanzar más allá de un piloto controlado, la IA debe entender el contexto en el que opera una organización.

Conocer el registro o el modelo de un vehículo no es suficiente. La IA puede necesitar también su historial de mantenimiento, ubicación actual, ruta típica, comportamiento del conductor y condiciones de operación. Debe entender cómo se interrelacionan esos factores y qué rendimiento normal se observa en situaciones comparables.

Cuando esa información está fragmentada entre distintos sistemas, es tardía o se registra manualmente, la IA solo ve una parte de la operación. Digitalizar flujos de trabajo y conectar los datos operativos crea la base necesaria para que sistemas más avanzados dependan de ella.

La relevancia no es simplemente el volumen de datos. Es que los datos estén disponibles en un sistema operativo compartido a través del cual los equipos pueden gestionar vehículos, mantenimiento y compromisos con clientes. Sin esa base común, incluso un modelo sofisticado corre el riesgo de convertirse en otra herramienta desconectada.

Diseñar para la operación, no para la demostración:

Una piloto puede gestionarse con cuidado. Una implementación escalada no puede depender de intervenciones constantes de un equipo técnico.

Las operaciones físicas se distribuyen entre vehículos, centros de trabajo, almacenes y equipos de primera línea. La tecnología debe ser sencilla de instalar, fiable en condiciones cambiantes y conectada a los sistemas que ya utilizan los empleados. También debe funcionar para las personas que deben actuar con su salida.

Eso convierte el cambio organizativo en parte de la estrategia técnica. Los empleados deben entender qué está identificando la tecnología, cómo respalda su trabajo y qué acción se espera de ellos. Los líderes deben establecer la propiedad, medir si los flujos de trabajo cambian e incorporar retroalimentación de la primera línea.

La gobernanza debe diseñarse en la implementación. Las organizaciones deben definir qué acciones puede tomar el sistema de forma autónoma, cuándo es necesaria revisión humana y cómo se pueden entender o cuestionar las decisiones. El nivel de supervisión debe reflejar las posibles consecuencias de la acción.

Cerrar el ciclo de la información a la acción:

Una insight no es un resultado. La IA física genera valor al acortar la distancia entre identificar un problema y hacer algo al respecto.

Este concepto se puede entender mediante un modelo de sentir, decidir y actuar. Vehículos conectados, cámaras y equipos perciben lo que ocurre en el entorno físico. La IA evalúa esa información en contexto y decide qué requiere atención. Una persona o un sistema actúa: ya sea alertar a un conductor, crear una orden de mantenimiento o añadir un tramo de carretera dañado a una cola de reparación.

Por ejemplo, un aviso de salud de un vehículo puede iniciar un flujo de mantenimiento y notificar al equipo pertinente antes de que una falla derive en una avería. La tecnología de detección de baches puede usar vehículos que ya circulan por una ciudad para identificar y evaluar daños viales, proporcionando a los equipos públicos mejores datos para priorizar reparaciones y planificar rutas de mantenimiento.

El equilibrio adecuado entre automatización e intervención humana variará. Las acciones rutinarias de bajo riesgo pueden automatizarse dentro de parámetros definidos. Las decisiones que podrían afectar de manera material la seguridad, el empleo o la prestación de servicios deben contar con supervisión humana proporcionada. El objetivo no es la autonomía por sí misma, sino una acción más rápida y consistente con salvaguardas adecuadas.

Más allá del piloto:

Las organizaciones deben cerrar la brecha entre la inversión en IA y el valor tratándola como una capacidad operativa más que como un proyecto tecnológico independiente.

Eso significa empezar con un problema medible, construir la base de datos contextual que la IA necesita, diseñar la implementación alrededor de las realidades del trabajo en primera línea y conectar cada insight a la acción. Cuando se cumplen esas condiciones, la IA física puede ir más allá de demostraciones aisladas y comenzar a generar operaciones más seguras, eficientes y resilientes a escala.

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