Sensores de Amazon capturaron el historial completo de operaciones ofensivas dirigidas por frameworks agentic que roban credenciales de modelos de IA para financiar su propia infraestructura de inferencia.
Entre el 3 de octubre y el 5 de noviembre de 2026, la red global de sensores trampa MadPot de Amazon registró algo que hasta ahora solo existía en papers de investigación: agentes de inteligencia artificial ejecutando campañas de cibercrimen de forma autónoma, con mínima intervención humana, organizadas como operaciones financieramente sostenibles. Los agentes utilizaban ARTEX, un framework de penetration testing agentic de código abierto, y enviaban sus solicitudes a interfaces que simulaban APIs de inferencia de modelos de lenguaje grandes. Esas solicitudes contenían el historial operacional completo de las campañas — contexto de tareas, prompts de sistema, estado del grafo de conocimiento compartido — porque los frameworks agentic retienen la memoria de conversaciones pasadas para que el modelo tome decisiones operacionales. Amazon Threat Intelligence notificó a clientes de AWS potencialmente afectados y publicó los hallazgos para que otras organizaciones revisen sus propios entornos, dado que la actividad contra terceros no pudo confirmarse directamente.
Cómo funcionan las instrucciones permanentes que guían a los agentes sin supervisión continua
Los operadores no dirigían cada paso de los agentes. En cambio, configuraban prompts de instrucción permanente que establecían objetivos de misión, reglas de targeting y restricciones operacionales. Dentro de esos parámetros, los agentes manejaban el trabajo por sí mismos. En una campaña de robo de credenciales, los operadores instruyeron a los agentes para trabajar a través de una secuencia fija de países, priorizar sitios de producción empresarial sobre proyectos personales, y calificar cada credencial robada según si funcionaba y qué recursos alcanzaba. Las credenciales expuestas públicamente por más de 30 días fueron clasificadas como inventario de bajo valor. Las instrucciones también establecían líneas rojas: excluir objetivos en China continental y dominios gubernamentales, y requerir que todo el tráfico saliente pasara por proxies.
La arquitectura operacional dividía el trabajo entre agentes de planificación, ejecución, verificación y compresión, todos compartiendo un grafo de conocimiento persistente. Ese grafo funciona como la memoria compartida de la operación: cada agente lee de él y escribe sus resultados de vuelta, de modo que cada uno continúa donde los demás dejaron. Los registros capturados describían reconocimiento, pruebas de vulnerabilidades, robo de credenciales, expansión de privilegios en la nube y tentativas de fraude con criptomonedas a través de cientos de objetivos, abarcando plataformas de aplicaciones de IA y otras cargas de trabajo.
La campaña de robo de credenciales que se autofinancia con las claves que roba
La campaña más prominente fue un robo a gran escala de credenciales para acceder a modelos de IA, organizada como una operación autosostenible en la que las claves robadas pagaban la inferencia de LLM que alimentaba la búsqueda de más credenciales. Los agentes se enfocaron en aplicaciones expuestas a internet que agregan claves de proveedores upstream, porque una interfaz de gestión débil puede exponer muchas cuentas downstream. Los objetivos incluyeron gateways y plataformas proxy de LLM como One API, New API, Veloera, Sub2API y LiteLLM, y constructores de aplicaciones de IA como Dify, FastGPT, Langflow, RAGFlow y Open WebUI.
Más allá de las claves de acceso a modelos de IA, las credenciales de nube fueron tratadas como una puerta de entrada a más acceso. Los agentes validaban identidades a través de los servicios de token e identidad de cada proveedor, enumeraban almacenamiento, evaluaban el alcance de permisos, y apuntaban a servicios de modelos de IA gestionados, almacenes de secretos y parámetros, e identidades de aplicaciones. Priorizaron el acceso a modelos frontier premium sobre permisos generales de nube. Los registros mostraron el uso de diferentes gateways de IA, claves y modelos, pero todos compartían el mismo método: encontrar aplicaciones de IA expuestas a internet, extraer las claves de proveedor upstream que contienen, validar esas claves y almacenarlas en un pool gestionado. Las claves robadas se alimentaban al propio gateway de modelos del framework, donde financiaban a los agentes que buscaban más claves.
Elusión de KYC en exchanges de cripto mediante inyección de deepfake en tiempo real
Otra campaña documentada apuntó a exchanges de criptomonedas para eludir la verificación de conocimiento del cliente mediante inyección de deepfake en tiempo real. Los detalles técnicos de esta operación no fueron expandidos en los registros capturados, pero la mención confirma que los agentes no se limitaron a un solo tipo de objetivo o técnica. La diversidad de campañas — robo de credenciales de IA, expansión de privilegios en la nube, fraude con criptomonedas — sugiere que los operadores están probando qué tipos de operaciones ofensivas pueden automatizarse de forma rentable con frameworks agentic.
Amazon Threat Intelligence evaluó con confianza moderada que los grupos de amenaza tienen nexo chino, basándose en el uso de chino simplificado en los prompts, configuraciones de zona horaria de China, targeting consistente con intereses chinos, y herramientas predominantemente utilizadas por amenazas de nexo chino. La evaluación también se apoya en que las instrucciones permanentes excluían objetivos en China continental y dominios gubernamentales, un patrón de restricción operacional que coincide con campañas previas atribuidas a actores chinos.
Para América Latina, la exposición es estructural: las plataformas de agregación de claves de IA y los constructores de aplicaciones mencionados — Dify, LiteLLM, Langflow — son tecnologías de adopción global que no discriminan por región. Empresas en Brasil, México, Argentina y Chile que implementan gateways de LLM o aplicaciones de IA sin segmentar adecuadamente las credenciales upstream están expuestas al mismo vector de ataque. La dependencia de modelos frontier de proveedores estadounidenses (OpenAI, Anthropic) y la práctica común de centralizar claves de API en plataformas de gestión multiplica el riesgo: una sola interfaz comprometida puede exponer el acceso a decenas de cuentas de clientes. No hay evidencia de que los operadores hayan priorizado objetivos en LATAM específicamente, pero la metodología de los agentes — escaneo global de aplicaciones expuestas, sin restricciones geográficas salvo China continental — implica que cualquier instancia vulnerable en la región entra en el inventario de targeting.
Nuestro análisis
Lo que Amazon capturó no es un proof of concept académico ni un experimento aislado. Es la primera documentación pública de frameworks agentic ejecutando campañas ofensivas sostenidas, financieramente motivadas, con división de trabajo entre agentes especializados y memoria compartida persistente. El patrón de autofinanciamiento — robar claves de IA para pagar la inferencia que busca más claves — convierte la operación en un ciclo cerrado que no depende de infraestructura propia de cómputo. Eso reduce el costo operacional y la superficie de detección: no hay servidores de comando y control tradicionales, solo agentes que consumen APIs públicas de inferencia con credenciales ajenas.
La atribución a grupos de nexo chino con confianza moderada se basa en indicadores de idioma, zona horaria y restricciones de targeting, pero la naturaleza de código abierto de ARTEX significa que cualquier actor con capacidad de configurar prompts de instrucción permanente puede replicar el modelo. La barrera de entrada ya no es técnica — es conceptual: entender cómo estructurar objetivos de misión y reglas operacionales en lenguaje natural para que un agente autónomo los ejecute. Los registros capturados muestran que los operadores ya resolvieron ese problema. La pregunta ahora es cuánto tiempo pasa antes de que otros grupos adopten el mismo patrón, y si las plataformas de inferencia de LLM tienen capacidad de detectar cuándo sus APIs están siendo consumidas por agentes ofensivos en lugar de aplicaciones legítimas.
