GreyNoise detectó escaneos automatizados que falsifican la identidad de bots legítimos de OpenAI, Anthropic y Google para buscar archivos de configuración sin levantar sospechas.
Investigadores de GreyNoise reportaron una campaña de escaneo automatizado en la que atacantes falsifican la identidad de crawlers de inteligencia artificial operados por OpenAI, Anthropic, Google y Perplexity. El objetivo de estos escaneos maliciosos es localizar credenciales expuestas y archivos de configuración en sitios web, aprovechando que las solicitudes HTTP no incluyen ningún mecanismo de verificación de identidad en el encabezado de User-Agent. La técnica explota una característica estructural del protocolo web: cualquier programa que visita un sitio anuncia su identidad en una línea de la solicitud — Chrome declara ser Chrome, Googlebot declara ser Googlebot, ClaudeBot (el crawler de Anthropic) declara ser ClaudeBot — pero nada en la solicitud misma prueba que esa declaración sea verdadera.
Cómo funciona la suplantación de identidad en el tráfico web
El encabezado User-Agent es un campo de texto libre que cualquier cliente HTTP puede modificar sin restricciones técnicas. Los crawlers legítimos de IA — como los que operan OpenAI, Anthropic o Google para entrenar modelos de lenguaje o indexar contenido — se identifican con cadenas específicas en este campo, pero el protocolo HTTP no exige ninguna validación criptográfica de esa identidad. Un atacante puede configurar su herramienta de escaneo para declararse como ClaudeBot o cualquier otro bot conocido, y el servidor web receptor no tiene forma de distinguir esa solicitud de una genuina sin implementar verificaciones adicionales fuera del protocolo estándar.
Esta ausencia de autenticación en el User-Agent no es una vulnerabilidad nueva — es una característica del diseño original de HTTP — pero su explotación en campañas de escaneo masivo se vuelve más efectiva cuando los atacantes eligen identidades que los administradores de sistemas tienden a permitir por defecto. Los crawlers de IA legítimos suelen estar en listas blancas de acceso porque los operadores de sitios web quieren que su contenido sea indexado o usado para entrenamiento de modelos. Al imitar esas identidades, los atacantes evitan bloqueos automáticos basados en reglas de firewall de aplicaciones web (WAF) que filtran tráfico sospechoso por User-Agent.
Qué buscan los atacantes en los escaneos automatizados
Según el reporte de GreyNoise, los escaneos maliciosos se enfocan en credenciales expuestas y archivos de configuración. Esto incluye típicamente archivos como .env (que contienen variables de entorno con claves de API, contraseñas de bases de datos o tokens de autenticación), archivos de configuración de frameworks web mal protegidos, o endpoints de administración dejados accesibles sin autenticación. La búsqueda de estos recursos no requiere explotar una vulnerabilidad técnica en el código del sitio — solo aprovechar errores de configuración o descuidos en la gestión de permisos de archivos.
El patrón de escaneo reportado por GreyNoise sugiere que los atacantes están realizando reconocimiento a escala: no apuntan a un objetivo específico, sino que barren rangos amplios de direcciones IP buscando cualquier sitio que exponga información sensible. Una vez identificado un archivo de configuración accesible, las credenciales obtenidas pueden usarse para acceso lateral a sistemas internos, exfiltración de datos o como punto de entrada para ataques de ransomware. La efectividad de esta técnica depende de que los sitios objetivo no hayan implementado controles básicos de acceso a archivos sensibles — un problema de higiene de seguridad más que de sofisticación del ataque.
Exposición en América Latina por dependencia de infraestructura web compartida
Aunque el reporte de GreyNoise no especifica distribución geográfica de los objetivos, la técnica de suplantación de crawlers de IA tiene implicancias directas para América Latina por la alta concentración de sitios web en la región que dependen de proveedores de hosting compartido y plataformas de desarrollo rápido. En países como Brasil, México y Argentina, una proporción significativa de sitios corporativos y de gobierno se despliegan sobre stacks de código abierto (WordPress, Laravel, Django) sin equipos de seguridad dedicados que revisen configuraciones de producción antes del lanzamiento. Esta combinación — frameworks populares con configuraciones por defecto inseguras, más ausencia de revisión de seguridad — maximiza la superficie de ataque para escaneos automatizados que buscan archivos .env o directorios de administración expuestos.
El riesgo se amplifica en sectores como fintech y e-commerce en la región, donde startups y pymes digitales suelen priorizar velocidad de desarrollo sobre controles de seguridad en etapas tempranas. Un archivo de configuración expuesto en un sitio de pagos puede contener claves de API de procesadores de tarjetas o tokens de acceso a bases de datos de clientes — exactamente el tipo de credenciales que los atacantes buscan en estos escaneos. La falta de visibilidad sobre qué tráfico es legítimo y cuál es malicioso (dado que ambos pueden declararse como crawlers de IA conocidos) complica la detección para equipos de seguridad con recursos limitados, un escenario común en empresas medianas de la región.
Nuestro análisis
La campaña reportada por GreyNoise no introduce una técnica de ataque nueva — la falsificación de User-Agent es tan antigua como el propio HTTP — pero su efectividad actual revela un desajuste entre la confianza implícita que los administradores de sistemas depositan en ciertos tipos de tráfico y la ausencia de mecanismos de verificación para respaldar esa confianza. Los crawlers de IA legítimos operan a escala masiva y generan volúmenes de tráfico que muchos sitios prefieren no bloquear por miedo a quedar fuera de índices de búsqueda o datasets de entrenamiento de modelos. Esa preferencia crea un incentivo perverso: los atacantes saben que declararse como ClaudeBot o Googlebot reduce la probabilidad de ser bloqueados automáticamente, incluso cuando el patrón de solicitudes (búsqueda de archivos .env, escaneo de directorios de administración) es claramente malicioso.
Lo que todavía no está claro es si los operadores de los crawlers legítimos — OpenAI, Anthropic, Google, Perplexity — implementarán algún mecanismo de verificación criptográfica de identidad para sus bots, similar al sistema de verificación de DNS inverso que Google usa para Googlebot en ciertos contextos. Sin un estándar de autenticación adoptado por la industria, la responsabilidad de distinguir tráfico legítimo de malicioso recae completamente en los operadores de sitios web, que deben implementar validaciones adicionales (verificación de rangos IP de origen, análisis de patrones de comportamiento, controles de acceso estrictos a archivos sensibles) para compensar la falta de garantías en el protocolo. ¿Cuántos sitios en la región tienen la capacidad técnica y los recursos para implementar esas validaciones antes de que un escaneo automatizado encuentre sus credenciales expuestas?