La inteligencia artificial parece estar ayudando a los actores de amenazas a crear y modificar malware con mayor rapidez, pero un análisis reciente sugiere que aún no ha producido un aumento significativo de las infecciones exitosas.
Unit 42 de Palo Alto Networks examinó 405 muestras de malware asociadas con la IA. El conjunto de datos incluyó software malicioso presuntamente desarrollado con ayuda de modelos de lenguaje de gran tamaño, así como cargas útiles convencionales disfrazadas de instaladores de aplicaciones populares de IA. Los investigadores compararon las muestras con telemetría de endpoints, actividad de red en sandbox y alertas internas de seguridad.
Solo 12 de los 405 hashes de archivos se observaron en endpoints protegidos activos. Un número mayor —aproximadamente entre 15 y 20— apareció en el tráfico de sandbox. Cada una de las 12 muestras encontradas en sistemas de producción generó una alerta de seguridad, lo que llevó a Unit 42 a concluir que alrededor del 97 % de las muestras no avanzaron más allá de entornos de investigación, pruebas o análisis aislado.
Qué contenía el conjunto de muestras
Unit 42 agrupó la mayoría de las muestras que no estaban en producción en tres categorías. Algunas eran proyectos de prueba de concepto diseñados para demostrar técnicas e incluían artefactos de prueba que difícilmente aparecerían en malware operativo. Otras eran cargadas repetidamente por organizaciones que probaban controles defensivos. Una tercera categoría utilizaba marcas relacionadas con la IA como señuelo de ingeniería social, pese a no contener ninguna funcionalidad significativa de IA.
Las 12 muestras detectadas en endpoints representaban cinco familias de malware en tres países. El ransomware FunkSec fue la familia identificada con mayor frecuencia y mostró patrones de desarrollo que, según los investigadores, eran coherentes con una iteración rápida asistida por prompts.
Una muestra particularmente extendida se hacía pasar por una aplicación de recetas llamada Recipe Lister. Aunque estaba firmada digitalmente, iniciaba una puerta trasera tras la instalación y apareció en más de 50 organizaciones, generando aproximadamente 6.500 registros de endpoints y 9.600 alertas. Otros ejemplos incluyeron una puerta trasera Oyster disfrazada de Dropbox, una carga útil de robo de información Rhadamanthys y malware que suplantaba un componente de 360 Total Security.
Las defensas convencionales siguieron siendo eficaces
Unit 42 informó que los controles existentes detectaron las muestras mediante ejecución en sandbox, análisis de comportamiento, información de firma sospechosa e indicadores como empaquetado intenso o cifrado. Ninguna requirió una nueva técnica de detección.
Los hallazgos indican que el efecto actual de la IA sobre el malware es principalmente operativo: puede reducir el tiempo de desarrollo y abaratar la creación de variantes, mientras que las tecnologías de seguridad establecidas siguen siendo capaces de identificar las amenazas resultantes.
