Malware potenciado por IA: el 97% nunca sale de la sandbox, las defensas existentes bastan

El 26 de agosto de 2026, Palo Alto Networks Unit 42 publicó un análisis de 405 muestras de malware que de alguna manera involucran inteligencia artificial. El resultado es claro: la IA acelera la escritura y la variación del código malicioso, pero no aumenta su tasa de éxito. Aproximadamente el 97% de las muestras nunca llegó a un endpoint real. Solo 12 hashes aparecieron en sistemas protegidos, y todos generaron una alerta.

Un dataset heterogéneo: ransomware, instaladores camuflados y pruebas de concepto

Las 405 muestras analizadas no son todas iguales. Unit 42 incluyó ransomware parcialmente escrito con ayuda de modelos de lenguaje, instaladores que explotan el nombre de aplicaciones de IA conocidas y payloads ordinarios camuflados como productos legítimos. Al cruzar los hashes con la telemetría de los endpoints, las sesiones de red enviadas a la sandbox y los registros de alertas, surge un panorama sorprendente. La gran mayoría nunca salió de entornos de prueba, repositorios de investigación o sandboxes internas.

Los tres destinos del malware que no llega a producción

Las muestras que nunca llegaron a objetivos reales se dividen en tres grupos distintos.

El primero es el código demostrativo. Se trata de pruebas de concepto configuradas para atacar solo redes locales o privadas, llenas de salidas de depuración que un atacante real eliminaría. A menudo se cargan una sola vez desde laboratorios universitarios o de investigación.

El segundo grupo comprende pruebas defensivas. Las organizaciones cargan repetidamente el mismo archivo desde la misma fuente en una ventana temporal breve para verificar sus propias defensas contra malware de IA ya conocido. Estos tampoco buscan propagarse.

El tercer grupo usa la marca de IA como simple señuelo. Son payloads totalmente ordinarios, sin ninguna funcionalidad de IA en su interior, camuflados como instaladores de productos de IA conocidos. El objetivo es solo explotar la confianza en el nombre.

Las 12 muestras que llegaron a los endpoints: cinco familias, ninguna concentración

Solo 12 hashes fueron detectados en endpoints reales protegidos. Pertenecen a cinco familias de malware distribuidas en tres países, sin concentración sectorial ni geográfica. Los 12 generaron una alerta de seguridad. Las defensas existentes los interceptaron sin requerir métodos de detección nuevos.

La familia más común es FunkSec, un ransomware que varios investigadores vinculan a la asistencia de modelos de lenguaje. Los nombres internos de los archivos del proyecto muestran a un desarrollador que cambiaba varias veces el nombre al mismo ransomware. Unit 42 considera este ritmo más coherente con la generación guiada por prompts que con un ciclo de desarrollo tradicional.

La muestra más extendida, sin embargo, no es un ransomware. Es un instalador que se hacía pasar por una aplicación de búsqueda de recetas llamada Recipe Lister. Dotado de firma digital válida, una vez instalado lanzaba silenciosamente una backdoor. Atravesó más de 50 organizaciones, generando aproximadamente 6.500 registros de endpoint y unos 9.600 alertas. La firma inicialmente evitaba sospechas, pero un firmante inusual combinado con contenidos fuertemente empaquetados llevó a la detección.

Otra backdoor, llamada Oyster, se hacía pasar por un instalador de Dropbox. La firma indicaba a Dropbox como editor. Unit 42 afirma que los atacantes recurren cada vez más a herramientas de IA para generar este tipo de código de distribución, haciendo más rápido y barato establecer un primer acceso.

Un ejecutable de Windows separado distribuía el infostealer Rhadamanthys con comunicación de mando y control activa. Informes previos vinculaban esta amenaza a una cadena de infección asistida por IA.

La quinta muestra suplantaba un componente del producto de seguridad chino 360 Total Security. Usaba una técnica de persistencia conocida como secuestro de COM. Se incluyó en el dataset porque aparecía en campañas distribuidas junto a señuelos con temática de IA, no porque su comportamiento dependiera de la IA.

Por qué las defensas resistieron: firmas anómalas y empaquetado sospechoso

El hecho de que las 12 muestras que llegaron a producción fueran detectadas no es casualidad. Las defensas existentes, basadas en los mismos métodos utilizados para el malware convencional, resultaron suficientes. La detonación en sandbox, la detección basada en comportamiento, el control de anomalías en las firmas digitales y la medición del nivel de empaquetado o cifrado de archivos funcionaron también contra el malware vinculado a la IA.

En el caso de Recipe Lister, resultaron decisivos el control del firmante inusual y el análisis de los contenidos fuertemente empaquetados. No surgió la necesidad de nuevos métodos de detección específicos para el malware potenciado por IA. La IA acelera la creación y variación de herramientas maliciosas, pero no aumenta su capacidad para eludir los controles.

Qué cambia para quienes defienden las redes

El análisis de Unit 42 reduce la alarma sobre el uso de IA en el malware. Cierto, un atacante puede generar variantes más rápidamente y a menor costo. Pero la tasa de éxito no crece. La mayoría de las muestras permanece confinada en laboratorios, repositorios de investigación o entornos de prueba. Las que realmente llegan a los objetivos son detenidas por las herramientas ya en uso.

Para los defensores, la lección es clara: no se necesitan nuevos productos ni tecnologías exóticas. Se necesita disciplina en las prácticas existentes: actualizar firmas, monitorear anomalías en los certificados, analizar el nivel de compresión de archivos sospechosos y mantener sandboxes eficaces. La IA puede cambiar la velocidad a la que se produce el malware, pero no la forma en que se detiene.