Astra y la próxima ola de ciberataques: por qué está cambiando la economía
Marc Torrents (Axyom): por qué los resultados de Astra en ingeniería inversa podrían disparar los ciberataques con IA entre 2026 y 2027.
Fecha límite de investigación: 7 de septiembre de 2026
El 4 de septiembre compartí un dato del informe de riesgo cibernético de mitad de año de Resilience: cero pérdidas incurridas en su cartera de H1 2026 atribuibles a inyección de prompts, explotación de modelos o uso indebido de IA agéntica. El phishing, la ingeniería social y el fraude de transferencias estuvieron asociados al 85,3% de las pérdidas incurridas. Anuncio del informe de Resilience.
También escribí que esperaba que la ola nativa de IA se volviera significativa. Ese pronóstico merece una explicación, especialmente ahora que Astra ofrece nueva evidencia sobre lo que pueden hacer los agentes. Mi publicación anterior en LinkedIn.
La conexión es económica. Cuando entender el software y ejecutar trabajo técnico requieren menos esfuerzo humano, más objetivos pueden pasar a merecer la pena investigar. Nuestra hipótesis en Axyom es que de octubre de 2026 a marzo de 2027 podría producirse una expansión apreciable en el uso de agentes para realizar trabajo técnico en campañas de ataque reales.
Esa ventana es nuestro pronóstico, con una incertidumbre considerable. Tenemos la intención de evaluarlo públicamente el 31 de marzo de 2027, contrastándolo con campañas documentadas y evidencia de daño.
Qué cambia Astra
El 6 de abril, Sam Altman describió una capacidad que es central para este cambio:
“AI will be incredibly good at finding vulnerabilities in software.”
Conectó la mejora en la capacidad de programación con la capacidad de identificar debilidades de seguridad, y argumentó que los defensores necesitarían adaptarse en toda la sociedad. OpenAI Forum, desde el minuto 13:26.
Astra añade un resultado concreto. OpenAI informa que resolvió el 88,0% de los desafíos de SRE-Bench en un intento y el 99,2% dentro de cuatro, comparado con el 55,9% y el 68,7% de GPT-5.6 Sol. El benchmark evalúa la ingeniería inversa de software compilado sin acceso a su código fuente. Anuncio de Astra de OpenAI.
La ingeniería inversa existe desde hace décadas. Los analistas inspeccionan instrucciones ejecutables, observan el comportamiento y reconstruyen suficiente lógica de un programa para entenderlo. Esto no recupera el código fuente original exacto ni implica que se haya roto ningún cifrado. El cambio potencial está en cuánto trabajo experto puede asumir un agente.
Los autores de SRE-Bench explican por qué esto importa: el malware, el firmware y las aplicaciones propietarias a menudo solo están disponibles como binarios. Su benchmark contiene 262 instancias binarias derivadas de 19 programas desarrollados de forma privada. Artículo de investigación de SRE-Bench.
Estos son resultados de benchmark reportados por los propios desarrolladores, con un conjunto limitado de programas y objetivos definidos. Una tasa de finalización alta no establece una tasa de éxito comparable frente a software comercial arbitrario, y entender un programa no produce automáticamente una vulnerabilidad utilizable.
OpenAI clasifica por separado a Astra en el umbral de capacidad Crítico de ciberseguridad de su propio marco. Informa que, con las herramientas y el acceso adecuados, el modelo puede descubrir fallos desconocidos y desarrollar formas de explotarlos sin guía en cada paso. Sus salvaguardas desplegadas restringen algunas tareas cibernéticas avanzadas. Resumen de seguridad de Astra.
Por qué importa el momento
Una mejor ingeniería inversa puede reducir el esfuerzo dedicado a entender un objetivo. Los agentes que usan herramientas y trabajan a través de múltiples pasos pueden entonces reducir el esfuerzo necesario para actuar sobre ese entendimiento. Juntas, esas capacidades podrían permitir que el mismo grupo persiga más investigaciones, incluyendo objetivos que antes ofrecían muy poco retorno para el trabajo involucrado.
Esa es nuestra inferencia a partir de las capacidades reportadas. No requiere que todo atacante tenga acceso sin restricciones a Astra; depende de que capacidades comparables se vuelvan lo bastante accesibles y fiables como para usarse en flujos de trabajo repetibles.
Richard Horne, CEO del Centro Nacional de Ciberseguridad del Reino Unido (NCSC), capturó ese mecanismo económico en abril:
“AI will make it easier, faster and cheaper to discover and exploit weaknesses”
También subrayó que los defensores pueden conservar una ventaja mejorando sus bases de seguridad y adoptando la tecnología con cuidado. Richard Horne, NCSC.
La dificultad es que desplegar una corrección tiene dependencias organizativas. Alguien debe saber qué sistemas están afectados, asumir la decisión, probar la actualización y confirmar que llegó a producción. Descubrir debilidades más rápido genera presión sobre cada uno de esos pasos.
Greg Brockman hizo un pronóstico relacionado el 17 de agosto, describiendo cómo podrían evolucionar las capacidades de los atacantes en los próximos meses a medida que se difunden los modelos avanzados. Su valoración respalda tomarse en serio una ventana a corto plazo, pero no establece nuestro pronóstico de seis meses. The Defender’s Window.
Por qué el cero anterior no resuelve la cuestión
La estadística anterior cubre la cartera, el período y la clasificación de pérdidas de una aseguradora concreta. No puede establecer que los incidentes relevantes estuvieran ausentes en todas partes, ni que la IA no tuviera ningún papel en otras pérdidas.
También existe una distinción entre atacar un sistema de IA y usar IA para atacar software convencional. Una campaña podría usar un agente para analizar un binario y explotar un fallo, y luego desplegar ransomware. Dependiendo del método de reporte, podría seguir apareciendo bajo explotación de vulnerabilidades o ransomware, con la contribución del agente registrada por separado o permaneciendo desconocida.
Nuestra expectativa, por tanto, concierne a cómo se ejecutan los ataques. No podemos inferir un porcentaje futuro en la categoría de pérdidas específicas de IA de Resilience a partir de las puntuaciones de benchmark de Astra.
Dario Amodei ha expresado una expectativa más fuerte sobre la dirección del cambio:
“I expect AI-led cyberattacks to become a serious and unprecedented threat to the integrity of computer systems around the world”
En el mismo ensayo, reconoce la posibilidad de que la defensa pueda mantener el ritmo o incluso adelantarse con suficiente inversión. Su afirmación es un pronóstico, y el resultado sigue abierto. The Adolescence of Technology.
Un pronóstico que podemos revisar
Ya existen ejemplos publicados. En julio, Sysdig reportó JADEPUFFER, una operación de extorsión cuya ejecución técnica evaluó como impulsada por agentes. Los investigadores basaron esa evaluación en el comportamiento observado, incluyendo una adaptación rápida tras pasos fallidos. Esto nos da un punto de partida para evaluar la expansión. Investigación de Sysdig.
Para el período de octubre de 2026 a marzo de 2027, esperamos un conjunto más amplio de campañas documentadas en las que los agentes realicen trabajo técnico sustancial. Buscaremos reportes de equipos de investigación independientes, víctimas distintas, evidencia creíble de ejecución por agentes y daño operativo o financiero verificado. Un número creciente de anuncios por sí solo no demostraría el pronóstico.
Los controles de acceso, los agentes poco fiables y una adopción defensiva más rápida podrían ralentizar o limitar esa expansión. La divulgación pública y la atribución también introducen retrasos, así que un período de reportes tranquilo debilitaría nuestra evaluación sin demostrar que no ocurrió ninguna actividad.
Para una empresa que decide qué hacer ahora, el trabajo práctico es claro: identificar los sistemas expuestos, limitar el acceso, asignar la propiedad de la remediación y verificar que las correcciones se despliegan. El NCSC enfatiza de forma similar los inventarios de activos, controles de acceso robustos, configuración segura y registro exhaustivo. Guía del NCSC para IA de frontera.
El argumento a favor de la preparación es la cantidad decreciente de esfuerzo humano necesario para investigar debilidades. Nuestro énfasis anterior en los controles básicos sigue siendo válido; el tiempo disponible para dejarlos sin terminar podría estar acortándose.