La IA facilita ataques y borra huellas: qué cambia en ciberseguridad

La adopción de IA generativa por parte de ciberdelincuentes está acelerando la creación de herramientas maliciosas de meses a días y estandarizando las "huellas" que permitían atribuir ataques, complicando la investigación forense (según Check Point y Kaspersky, citado por La Nación, 27/3/2026).

Qué dice el informe y por qué importa

Kaspersky GReAT advierte que la IA generativa cambia la naturaleza de la evidencia que usan los analistas: el código, los errores lingüísticos y los patrones de programación solían ser señales para vincular ataques a actores concretos, pero los modelos producen salidas más neutras y repetibles (según Kaspersky, citado por La Nación, 27/3/2026). Además, el caso VoidLink muestra una consecuencia práctica: un framework de malware para Linux con más de 30 módulos de post-explotación y capacidades avanzadas, cuyo desarrollo aparecía como trabajo de equipo pero fue hecho por un único desarrollador apoyado en IA agéntica (según Check Point Research, citado por La Nación, 27/3/2026). Esa combinación empuja a que la atribución pierda fiabilidad justo cuando los estados y las empresas necesitan certezas para responder.

¿Cómo impacta esto en Argentina?

No estamos exentos: la técnica que permite a un atacante permanecer en un servidor durante una semana, según campañas mencionadas en la nota, implica que las intrusiones pueden durar 7 días antes de detectarse o contenerse (La Nación, 27/3/2026). Para empresas y organismos locales esto significa mayor urgencia en detección temprana y en rotación de credenciales, porque la automatización reduce la barrera técnica de ataques complejos. Además, la velocidad de creación en 2026, en días, contrasta con procesos que antes tomaban meses, por lo que los equipos de seguridad deben asumir ritmos de respuesta distintos (según Check Point Research, citado por La Nación, 27/3/2026). Ojo que la falta de señales claras también dificulta la cooperación internacional cuando se intenta atribuir y sancionar operadores.

Qué podemos exigir: transparencia y herramientas concretas

Vemos la advertencia como un llamado a la transparencia: si los atacantes usan modelos de IA para generar código y mensajes, las mismas herramientas deben ofrecer trazabilidad y explicaciones para usos legítimos. Es razonable exigir que proveedores de modelos y plataformas incluyan metadatos auditable sobre origen de generación y configuraciones de entrenamiento, y que anuncien límites de autonomía de sus sistemas. Al mismo tiempo, reguladores y grandes compradores deberían pedir certificaciones técnicas que demuestren controles contra uso malicioso. Esta postura es coherente con la necesidad de herramientas claras para evaluar autonomía y costos antes de decidir, tal como venimos reclamando en otros temas tecnológicos.

Recomendaciones prácticas, paso a paso

1. Priorizar detección temprana: desplegar logging centralizado y conservar artefactos mínimo 30 días para permitir análisis retrospectivo. 2) Contención rápida: establecer playbooks que reduzcan la ventana de permanencia de un atacante, porque campañas pueden durar 7 días o más según casos reportados (La Nación, 27/3/2026). 3) Demandar transparencia a proveedores de IA: pedir metadatos y opciones de desactivación de funciones generativas cuando se integren a herramientas de desarrollo. 4) Capacitar equipos en nuevas tácticas: simular amenazas generadas con IA para entender señales que persisten. 5) Cooperación pública-privada: compartir indicadores de compromiso entre empresas y con CERT locales para compensar la pérdida de señales individuales.

Sí, es un embole y el escenario cambia rápido, pero hay dos buenas noticias: muchas medidas básicas reducen riesgo inmediato, y la presión por transparencia en modelos es una palanca real para recuperar trazabilidad. No es cuestión de prohibir IA, sino de exigir claridad y controles técnicos antes de incorporar estas herramientas en infraestructuras críticas.