El malware utiliza la inyección de indicaciones para evadir la detección de seguridad de IA, las empresas necesitan reevaluar las estrategias de defensa de IA.

Resumen del evento

El 26 de junio de 2026, la empresa de seguridad SentinelLabs publicó un informe que reveló una muestra de malware llamada macOS.Gaslight. Este malware se ejecuta en sistemas macOS e incluye código diseñado específicamente para evadir el análisis de seguridad asistido por IA: cuando detecta herramientas de análisis de seguridad impulsadas por modelos de lenguaje grandes (LLM), les ordena detener el análisis o rechazar la ejecución de tareas de detección.

SentinelLabs atribuye Gaslight a la familia de firmas BONZAI, relacionada con actividades de amenazas de Corea del Norte. XProtect de Apple ha identificado la muestra con la regla MACOS_BONZAI_COBUCH. No es un caso aislado: Check Point ya documentó técnicas similares de evasión de IA en 2025, y posteriormente Socket informó sobre payloads que utilizan código para evadir la detección por modelos de IA.

Análisis técnico y de riesgos

Método de ataque: Inyección de prompts para evadir la detección de IA

La tecnología central de Gaslight es la inyección de prompts (Prompt Injection) —un ataque adversarial dirigido a los LLM. El malware, en el sandbox o entorno donde se analiza, envía activamente instrucciones maliciosas a las herramientas de análisis asistidas por LLM, solicitándoles que detengan el análisis, devuelvan resultados erróneos o se nieguen a ejecutar políticas de seguridad. Este ataque no está dirigido al sandbox en sí, sino al modelo de IA que se ejecuta dentro del sandbox de análisis.

Cadena de explotación

1. Infección inicial: Gaslight se introduce en sistemas macOS mediante correos de phishing, archivos adjuntos maliciosos o la cadena de suministro de software. 2. Detección del entorno: El malware detecta si el entorno de ejecución actual cuenta con herramientas de análisis asistidas por LLM (como las plataformas de análisis automatizado de proveedores de seguridad). 3. Activación de la evasión: Si encuentra herramientas de análisis de IA, envía prompts especialmente diseñados para inducir al LLM a ejecutar operaciones como "detener el análisis" o "reportar que no hay amenaza". 4. Persistencia y actividad: Tras evadir la detección, el malware establece acceso persistente en el dispositivo víctima, roba datos o se mueve lateralmente.

Activos afectados - Dispositivos macOS: especialmente MacBook, Mac mini, etc., implementados en entornos empresariales. - Plataformas de análisis de seguridad con IA: sistemas que dependen de LLM para el análisis automatizado de malware (como componentes de IA en sandboxes, EDR, XDR). - Identidades y credenciales: los grupos de amenazas podrían robar credenciales de usuarios empresariales.### Evaluación del nivel de riesgo - Complejidad del ataque: Media. La inyección de indicaciones requiere personalización para modelos específicos de LLM, pero ya existen investigaciones y herramientas públicas disponibles. - Alcance del impacto: Actualmente se dirige principalmente a macOS, pero técnicas similares pueden extenderse entre plataformas. - Daño potencial: Alto. Si la detección por IA se evade con éxito, los grupos amenazantes pueden permanecer ocultos en la red empresarial durante largo tiempo.

Análisis de impacto empresarial

Riesgos operativos Los Centros de Operaciones de Seguridad (SOC) empresariales dependen de herramientas automatizadas de IA para el triaje masivo de alertas. Si el análisis de la IA se desvía, el malware no se identificará a tiempo, lo que provoca retrasos en la respuesta y los atacantes obtienen más tiempo para llevar a cabo actividades destructivas.

Riesgos financieros - Coste de reparación de filtraciones de datos: Según el informe de IBM sobre el coste de las filtraciones de datos de 2025, el coste medio ya supera los 4,5 millones de dólares. - Rescate de ransomware: Algunos malware pueden implementar cargas de cifrado; las variantes de Gaslight podrían incluir funcionalidades de ransomware.

Riesgos de cumplimiento normativo La obligación de las empresas de proteger los datos personales (como información de empleados y datos de clientes) puede violar normativas como el GDPR, CCPA, etc., debido a actividades maliciosas no detectadas, lo que conlleva multas y litigios.

Riesgos de marca Si una empresa sufre un incidente de seguridad significativo debido a la evasión de la detección por IA, la confianza del cliente se verá gravemente dañada, especialmente en los sectores tecnológico y financiero.

Riesgos de datos Gaslight está asociado con grupos amenazantes de Corea del Norte y podría tener como objetivo robar secretos comerciales, propiedad intelectual o información políticamente sensible.

Observaciones sobre tendencias del sector

La aparición de Gaslight marca una nueva etapa en la confrontación entre el malware y las defensas basadas en IA. No es un caso aislado, sino una categoría creciente de amenazas:

• Aumento de ataques adversariales a la IA: Proveedores como Check Point y Socket ya han reportado casos similares, demostrando que los atacantes están investigando sistemáticamente cómo evadir la detección por IA.
• Exposición de debilidades en el análisis asistido por LLM: Los proveedores de seguridad están utilizando cada vez más LLM para el análisis de malware, clasificación de alertas e inteligencia de amenazas, pero la vulnerabilidad de inyección de indicaciones de estos modelos está siendo explotada.
• El riesgo en la cadena de suministro se extiende a los modelos de IA: Los atacantes no solo infectan terminales con malware tradicional, sino que también se ocultan contaminando el proceso de análisis de la IA.
• A medida que el mercado de seguridad de IA crece rápidamente: Gartner predice que para 2027, el 30% de las empresas adoptarán soluciones de seguridad impulsadas por IA, pero los riesgos de seguridad en este ámbito aún no están maduros.

Recomendaciones de defensa y respuesta

A nivel empresarial - Reevaluar la dependencia de la detección por IA: No utilizar la IA como único medio de detección. Implementar un sistema de detección multicapa, que incluya detección de firmas, análisis de comportamiento, honeypots, etc. - Fortalecer la gestión de dispositivos macOS: Implementar soluciones de Detección y Respuesta en Puntos Finales (EDR) que garanticen el soporte para la plataforma macOS. - Seguridad de identidades: Habilitar la autenticación multifactor (MFA) y limitar la asignación excesiva de permisos.

A nivel técnico - Reforzar la protección del modelo de IA: Implementar filtrado de indicaciones, validación de entrada y monitoreo de salida en las herramientas de análisis de seguridad para prevenir la inyección de instrucciones. - Integrar inteligencia de amenazas: Suscribirse a inteligencia de amenazas de proveedores como SentinelLabs, Check Point, etc., y actualizar las reglas de detección oportunamente. - Utilizar aislamiento en sandbox: Analizar archivos sospechosos en sandbox aislados, asegurando que el proceso de análisis de IA no se comunique con el exterior.

A nivel de gestión - Elaborar un plan de respuesta a incidentes: Incluir ejercicios para escenarios donde la detección por IA falle. - Gestión de riesgos de terceros: Evaluar la capacidad de detección por IA de los proveedores de seguridad y exigirles medidas de protección contra la inyección de indicaciones adversarias. - Capacitación en concienciación de seguridad: Educar a los empleados para que reconozcan ataques de phishing y reduzcan el riesgo de infección inicial.La tendencia a largo plazo es que la "carrera armamentista" entre la IA y el malware seguirá intensificándose. Las empresas no pueden esperar a que surja una solución perfecta de IA, sino que deben tomar medidas de inmediato, incluyendo auditar las capacidades de IA de los proveedores de seguridad, implementar pruebas adversariales y establecer procesos de SOC con colaboración humano-máquina. SecurityPost continuará siguiendo la evolución de este campo para brindar a los lectores información de vanguardia.