Un modelo interno supera barreras de seguridad en software crítico
Anthropic ha publicado un informe técnico que detalla cómo uno de sus modelos de investigación, aún no disponible comercialmente, logró identificar vulnerabilidades críticas en algunos de los programas más utilizados del mundo. El trabajo, realizado durante varios meses, se centró en navegadores como Chrome y Safari, así como en sistemas operativos como Windows, Linux y Android.
La novedad no reside solo en el hallazgo de errores individuales, sino en la capacidad del modelo para encadenar múltiples debilidades en una secuencia coherente que resultaba en un exploit funcional. Históricamente, este tipo de ingeniería ofensiva requería equipos de especialistas con años de experiencia; ahora, el informe sugiere que los modelos de inteligencia artificial pueden realizar este trabajo con poca intervención humana.
Cinco cadenas de ataque: de Chrome al kernel de Linux
El informe describe cinco escenarios de ataque específicos. En el caso de Chrome, el modelo construyó una cadena que permitía la ejecución remota de código con un solo clic. Esto se logró combinando errores de memoria en el motor JavaScript V8, una condición de carrera en CacheStorage y un fallo de uso después de liberación en el componente de inicio de sesión federado (FedCM).
Para Safari, la IA desarrolló un exploit que evadía la política de mismo origen (SOP), permitiendo a un sitio web acceder al historial, cookies y datos de sesión del usuario sin necesidad de ejecutar código arbitrario. En Android, el modelo logró extraer fotos de un teléfono bloqueado saltándose las restricciones de transferencia de datos por USB y la verificación de emparejamiento.
Resumen de vulnerabilidades identificadas
Detalle de los sistemas afectados y el impacto principal de cada cadena de ataque descrita en el informe de Anthropic.
| Sistema | Tipo de fallo | Impacto principal | Estado |
|---|---|---|---|
| Chrome | RCE (Ejecución remota de código) | Control total del navegador fuera del sandbox | Corregido (Chrome 156) |
| Safari | Evasión de Same-Origin Policy | Acceso a cookies, historial y datos de sesión | Corregido (iOS/iPadOS 26.5.2) |
| Android | Bypass de bloqueo | Extracción de datos de un dispositivo robado | Corregido por Google |
| Windows | Denegación de servicio remota | Reinicio forzado de servidores HTTP/3 | Corregido (CVE-2026-33096) |
| Linux | RCE Zero-click (Kernel) | Ejecución de comandos como root | Corregido (CVE-2026-98432) |
El caso Linux: ejecución de código sin interacción
El hallazgo más grave se produjo en el kernel de Linux. El modelo identificó una condición de carrera en la pila de red que permitía a un atacante remoto ejecutar comandos con privilegios de root sin necesidad de credenciales ni interacción del usuario. Esta vulnerabilidad, asociada al CVE-2026-98432, afectaba a servidores con el protocolo TCP multicamino (MPTCP) activo.
La explotación se realizaba en dos fases: primero, el atacante filtraba la disposición del espacio de direcciones del kernel para evadir las protecciones de aleatorización (KASLR); segundo, aprovechaba el fallo para sobrescribir un puntero de callback y ejecutar una carga útil maliciosa. En las pruebas de concepto, este proceso tomó aproximadamente 53 minutos desde el inicio hasta la ejecución del comando.
Metodología: ingeniería inversa y análisis automatizado
Anthropic explica que el proceso no fue un simple escaneo automático. En el caso de Windows, el equipo proporcionó al modelo una copia del binario y le pidió que realizara ingeniería inversa utilizando herramientas como Ghidra. El modelo tuvo que escribir un programa en C anotado para reproducir el comportamiento del software y compararlo con el binario original para identificar desviaciones de seguridad.
La plataforma de Anthropic ejecuta múltiples agentes de escaneo en paralelo, midiendo la contribución única de cada uno y ajustando la cobertura dinámicamente. Este enfoque permite al modelo no solo encontrar vulnerabilidades, sino también analizar variantes y clasificar el riesgo de cada hallazgo antes de reportarlo.
Flujo de trabajo de descubrimiento
Pasos clave descritos por Anthropic para la identificación y validación de vulnerabilidades mediante IA.
- 01Provisión de binarios o código fuente al modelo de investigación.
- 02Ingeniería inversa y reproducción del comportamiento del software.
- 03Identificación de vulnerabilidades mediante análisis de seguridad.
- 04Construcción de cadenas de ataque (exploits) de prueba de concepto.
- 05Verificación estandarizada y clasificación de riesgo.
- 06Reporte coordinado al fabricante afectado.
Implicaciones para la defensa y la industria
La capacidad de los modelos de IA para generar exploits sofisticados cambia el equilibrio en la ciberseguridad. Si bien los atacantes aún no han demostrado usar estas herramientas a gran escala, la reducción de la barrera de entrada para la ingeniería ofensiva es significativa. Los defensores ahora enfrentan la posibilidad de que vulnerabilidades complejas sean descubiertas y explotadas con mayor rapidez.
Anthropic argumenta que la solución no es restringir el acceso a estas capacidades, sino ampliar el acceso de los profesionales de la seguridad. La empresa ha ampliado su programa de verificación cibernética para permitir que los defensores calificados utilicen sus modelos más avanzados para auditar su propio código y parchear sistemas antes que los atacantes.
Continúa explorando
Fuentes consultadas
Correcciones y transparencia
Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.
Proponer una corrección