¿Tecnología Geek te ahorra tiempo? Agréganos como tu fuente preferida en Google y ve más noticias nuestras en tus resultados. Fuente preferida en Google
Claves de API robadas por agentes de IA pagaron, durante semanas, la búsqueda de más claves de API. Amazon Threat Intelligence lo documentó en su blog de seguridad con registros captados entre el 3 de octubre y el 5 de noviembre de 2026: la campaña se financiaba sola, porque cada clave válida alimentaba la pasarela de modelos que movía a los propios agentes.
La pista llegó por una trampa. MadPot, la red mundial de sensores señuelo de Amazon, presenta servicios que imitan interfaces populares de inferencia de modelos de lenguaje, y los agentes atacantes le enviaron peticiones creyendo que hablaban con un modelo real. Esas peticiones arrastraban la memoria operativa de la campaña: instrucciones de los operadores, historial de herramientas y hallazgos reportados.
Esa memoria dejó ver la estructura completa. Un agente planificador repartía el objetivo entre agentes trabajadores, otros verificaban resultados y un cuarto tipo comprimía el contexto, con un grafo de conocimiento compartido que funciona como memoria común de la operación. Cada agente leía lo que los demás habían encontrado y escribía de vuelta sus propios avances.
El circuito del robo era simple y repetido. Primero, localizar aplicaciones de inteligencia artificial expuestas a internet. Después, extraer las claves de proveedores que esas aplicaciones guardan dentro. Luego, comprobar que cada clave funcionaba y guardarla en un fondo común del que salía el pago de la inferencia para seguir cazando.
El botín dormía en pasarelas que juntan claves de muchos proveedores
Los registros nombran pasarelas y proxies de modelos como One API, New API, Veloera, Sub2API y LiteLLM, junto a constructores de aplicaciones como Dify, FastGPT, Langflow, RAGFlow, Open WebUI, LobeChat y Ollama. La preferencia tiene lógica fría: una sola página de administración débil en una pasarela abre las cuentas de muchos proveedores a la vez.
Para cada producto, la campaña llevaba un manual de entrada ya escrito. Instalaciones sin terminar que un extraño podía reclamar, paneles de gestión sin inicio de sesión, credenciales de administrador por defecto como la clave maestra por defecto de LiteLLM, el fallo CVE-2025-3248 de Langflow y el CVE-2026-28797 de RAGFlow formaban parte de ese repertorio.
Otras rutas del manual pasaban por un encabezado, isCliRequest, que saltaba la autenticación en sistemas de la familia One API, y por funciones de lectura de direcciones web que permitían llegar a los servicios de metadatos de la nube. El resto eran secretos olvidados en código JavaScript del cliente, mapas de código fuente, rutas de depuración y archivos de entorno.
The Hacker News, al reunir el mismo material, subrayó el sistema de notas del inventario robado. Cada credencial recibía una clase: L1 para una pista, L2 para una clave que respondía a una llamada real y L3 para un impacto medido, como datos legibles o un saldo que se podía gastar. Una clave expuesta en público por más de 30 días valía poco y bajaba al fondo de la lista.
Cuando aparecían credenciales de nube, el objetivo cambiaba de escala. Los agentes validaban identidades en los servicios de cada proveedor, enumeraban almacenamiento, medían permisos y buscaban servicios gestionados de modelos, almacenes de secretos e identidades de aplicaciones. Daban prioridad a los modelos de frontera de pago frente al acceso general a la nube.
El rastreo de material fresco cruzaba servicios de escaneo de internet, registros de transparencia de certificados y fuentes públicas de código: repositorios y archivos de eventos de GitHub, paquetes de npm y PyPI, capas de imágenes de contenedores, cuadernos, espacios de modelos, sitios de pegado de texto y canales de Telegram.
La segunda campaña probó vídeos falsos contra dos casas de cambio
Los mismos registros describen una operación paralela contra la verificación de identidad de dos casas de cambio de criptomonedas. Los agentes generaron vídeo falso en tiempo real para la prueba de vida con selfie y fotografías de documentos alteradas a nivel de archivo, con metadatos de cámara fabricados para parecer fotos sin tocar. El servidor de un proveedor de verificación rechazó el vídeo falso en cada intento registrado.
Amazon atribuye ambas campañas, con confianza moderada, a grupos separados vinculados a China que operaban con ARTEX, un marco abierto de pruebas de penetración con agentes. Las pistas citadas son las instrucciones en chino simplificado, la configuración horaria de China y unas líneas rojas escritas por los operadores: nada de objetivos en China continental ni dominios de gobierno, y todo el tráfico saliendo por proxies.
La advertencia trae su propio límite, dicho por la propia Amazon. Su equipo no observó la actividad mientras ocurría ni puede verificar los resultados que los agentes reportaron en su memoria; los registros muestran lo que los operadores perseguían, con cientos de objetivos entre plataformas de aplicaciones de IA y otros sistemas. La empresa avisó a los clientes de AWS que podían estar afectados.
Ninguna técnica de la lista era nueva, y ahí está el dato que ordena la pieza. Las claves cayeron donde faltaba lo básico: credenciales por defecto, interfaces sin autenticación y programas sin parchear. Lo que los agentes de IA cambian es la velocidad y la insistencia, escribió el equipo de Amazon. Su recomendación práctica cabe en una frase: tratar las aplicaciones de IA y sus pasarelas como sistemas de producción, vigilando gastos inesperados y usos raros.
El informe cierra con 11 direcciones IP publicadas como indicadores para que cada organización revise sus propios registros entre el 14 de octubre y el 2 de noviembre.
Fuente: Amazon Threat Intelligence
La conversación sigue en el foro
Comenta esta noticia, pregunta lo que quieras y comparte tu experiencia con otros lectores en el foro de Tecnología Geek. Participar es gratis: solo necesitas tu cuenta del sitio.
Entrar al foro