Palo Alto Networks ha llevado a cabo pruebas iniciales con algunos de los modelos de inteligencia artificial más avanzados del momento, conocidos como Frontier AI. Entre ellos figura el modelo Mythos de Anthropic, evaluado dentro del Project Glasswing, y las últimas propuestas de OpenAI dentro del programa Trusted Access for Cyber. Hablamos de modelos de generación GPT-5.5, Claude 4 y Gemini 3, capaces de razonar sobre código, encadenar tareas y operar como agentes durante horas seguidas.

De los ensayos sale una conclusión incomoda. Los avances generacionales en programación se traducen, casi sin retraso, en un salto de capacidades en ciberseguridad. Estos modelos identifican vulnerabilidades antes y mejor, y construyen exploits funcionales con menos pasos manuales. La misma herramienta que ayuda a un equipo defensivo a auditar su código sirve, en manos contrarias, para automatizar el trabajo más costoso del atacante.

La compañía advierte de que las salvaguardas integradas en estos sistemas no permanecerán contenidas para siempre. Cabe esperar que actores maliciosos encuentren debilidades en los guardarraíles, recurran a técnicas de jailbreak o utilicen modelos abiertos para localizar vulnerabilidades de día cero a gran escala, desarrollar exploits casi en tiempo real y crear agentes de ataque autónomos con un nivel de sofisticación que la industria no ha visto antes.

“En un plazo de seis meses, los modelos avanzados de IA con profundas capacidades en ciberseguridad serán habituales, y las organizaciones que no hayan implementado las salvaguardas adecuadas se enfrentarán a una clase completamente nueva de riesgos en toda su empresa y en sus infraestructuras críticas”, declaran expertos de Palo Alto Networks. La afirmación encaja con lo que ya describen los informes de Unit 42, que llevan meses observando cómo el código malicioso se afina con ayuda de LLM dentro de campañas reales.

La IA de frontera y su impacto en el panorama de la ciberseguridad

Cientos de los mejores ingenieros de seguridad de Palo Alto Networks han evaluado estas capacidades y desarrollado buenas prácticas para usarlas de manera eficaz. De ese trabajo salen tres lecturas concretas:

• La IA de frontera es excepcionalmente eficaz identificando vulnerabilidades en el código. En menos de tres semanas logró el equivalente a un año completo de trabajo de pruebas de penetración.
• Destaca también en el encadenamiento de vulnerabilidades, combinando varios fallos de menor gravedad en rutas de explotación críticas. Esa correlación entre defectos pequeños es justo lo que más cuesta a los equipos defensivos cuando trabajan con herramientas aisladas.
• La IA de frontera puede analizar toda la superficie de exposición de las aplicaciones, incluidas plataformas SaaS y servicios expuestos a internet, identificando vulnerabilidades basadas en lógica de negocio que las herramientas tradicionales no detectan.

Tipos de ataque que se aceleran con Frontier AI

Los equipos defensivos ya describen cuatro patrones que avanzan a mayor velocidad gracias a estos modelos:

• Prompt injection. Inyecciones indirectas a través de documentos, páginas web o tickets que un agente de IA lee como contexto. El atacante secuestra el comportamiento del agente sin tocar el modelo.
• Model exfiltration. Robo de pesos, prompts del sistema o datos privados del flujo del modelo, ya sea por API mal configurada, clave filtrada o repositorio expuesto.
• Jailbreaks. Técnicas que sortean los guardarraíles para obligar al modelo a generar código malicioso, instrucciones de phishing o reconocimiento detallado de objetivos.
• IA en red ofensiva. Agentes que automatizan reconocimiento, movimiento lateral, escalado de privilegios y exfiltración con coordinación entre sí, comprimiendo en minutos pasos que antes requerían días.

Junto a estos vectores hay áreas clave donde el impacto sobre la postura de seguridad de las empresas será más evidente:

• Los modelos de IA de frontera acelerarán el ritmo al que se descubren vulnerabilidades. Esto resultará crítico en el código abierto, y la avalancha de parches que vendrá detrás generará nuevos riesgos para quien tarde en aplicarlos.
• Auge de los ataques inside-out: los recientes ataques a la cadena de suministro en herramientas como LiteLLM y Trivy describen un patrón donde los adversarios entran ya dentro de la infraestructura, eludiendo varias fases tradicionales del ataque y reduciendo las oportunidades de prevención.
• El cambio clave con Frontier AI es el paso de ataques asistidos por IA a ataques impulsados por IA. Los atacantes construyen agentes autónomos que comprimen el ciclo de ataque. Lo que antes requería días o semanas de trabajo manual especializado, ahora se ejecuta en minutos.

El contexto más amplio acompaña a estas observaciones. Los proveedores de modelos publican cada vez más información sobre sus salvaguardas (algo que se aprecia en el system card de GPT-5.5 publicado por OpenAI), pero el ritmo de mejora abre una distancia clara entre lo que el modelo puede hacer y lo que quedará cubierto por sus filtros internos.

Guía para defensores

Las organizaciones que se sienten “mayoritariamente protegidas” están “efectivamente desprotegidas”, señalan los expertos de Palo Alto Networks. La compañía propone un marco con varias líneas de actuación para defenderse de amenazas impulsadas por IA:

• Cada organización debería utilizar los modelos de IA más avanzados para evaluar todo su código y entorno de aplicaciones, y construir un inventario completo de activos y exposición. Las prioridades pasan por identificar vulnerabilidades con IA, evaluar la exposición con contexto completo, auditar la cadena de suministro de código abierto y mapear la cobertura actual de sensores.
• La remediación y la reducción de la exposición son requisitos básicos. Lo que antes resultaba difícil por la fricción entre equipos a la hora de detectar y corregir vulnerabilidades con rapidez, ahora debe acelerarse con apoyo del comité ejecutivo. No basta con eso: hay que implementar capacidades de prevención de ataques de primer nivel, no parches reactivos.
• Con la reducción acelerada de los ciclos de ataque, el enfoque tradicional de las operaciones de seguridad deja de ser válido. Las herramientas aisladas que analizan datos en silos, combinadas con procesos manuales, deben ser sustituidas por IA y automatización de extremo a extremo.

Defensas que conviene poner ya en marcha

Bajar al detalle ayuda a entender dónde reforzar primero. Estas son las capas que, según los equipos consultados, marcan la diferencia entre detenerse en el primer salto del atacante o llegar tarde:

• Input guardrails en aplicaciones que llamen a modelos de lenguaje, con filtrado contextual para detectar prompt injection antes de que llegue al modelo.
• Model monitoring y trazabilidad de prompts y respuestas, con detección de patrones anómalos similares al jailbreak o a la fuga de información privada del sistema.
• ZTNA (Zero Trust Network Access) y segmentación lógica para que un compromiso en un servicio expuesto no se traduzca en acceso libre al resto de la red interna.
• EDR enriquecido con telemetría de identidad, postura y comportamiento, capaz de correlacionar acciones de un agente autónomo en distintos hosts.
• SOC con telemetría LLM, que incorpore eventos de uso de modelos, llamadas a API de IA y consumo de tokens como otra fuente de detección más, junto al log tradicional.

Marcos como NIST AI RMF y la matriz MITRE ATLAS ayudan a estructurar este trabajo, sobre todo a la hora de hablar con dirección y con auditoría. Permiten alinear riesgos técnicos específicos de IA con un lenguaje de control y cumplimiento que el resto del negocio reconoce.

Palo Alto Networks está impulsando el estándar del sector para abordar estos riesgos emergentes con su Unit 42 Frontier AI Defense. La compañía promueve además una alianza de líderes globales en transformación, comenzando con Accenture, Deloitte, IBM, NTT DATA y PwC, que seguirá ampliando para garantizar que todas las empresas dispongan de una vía rápida hacia la resiliencia en IA.

El reto, en cualquier caso, no es solo tecnológico. La velocidad con la que se mueven los modelos obliga a rediseñar procesos internos, gobernanza y contratos con proveedores. Quien lo entienda como un programa transversal, y no como un proyecto más del área de seguridad, llegará mejor preparado a la próxima ronda. Para ampliar contexto sectorial conviene mirar también cómo Europa regula la IA sin terminar de dominar su cadena de valor y la presión geopolítica que reflejan movimientos como la ofensiva de Estados Unidos contra DeepSeek por la destilación de modelos.

Preguntas frecuentes

¿Qué se entiende por Frontier AI en ciberseguridad?

Modelos de generación GPT-5.5, Claude 4 o Gemini 3, capaces de razonar sobre código, encadenar tareas y operar como agentes durante horas. En seguridad permiten auditar superficies enteras, encadenar fallos pequeños hasta convertirlos en críticos y construir exploits con poco esfuerzo manual.

¿Cuáles son los ataques con Frontier AI que más preocupan a corto plazo?

Prompt injection contra agentes que leen contenido externo, exfiltración de datos del propio modelo, jailbreaks que esquivan los filtros y agentes autónomos que automatizan reconocimiento y movimiento lateral en minutos.

¿Por dónde empezar a defender una empresa frente a Frontier AI?

Por inventario y exposición. Saber qué código y qué datos están expuestos, mapear sensores y aplicar input guardrails, monitorización del modelo, ZTNA, EDR enriquecido y un SOC con telemetría LLM. Marcos como NIST AI RMF y MITRE ATLAS ayudan a estructurar la conversación.

¿Qué papel juega Unit 42 Frontier AI Defense?

Es la propuesta de Palo Alto Networks para evaluar, prevenir y responder ante amenazas impulsadas por IA. Va acompañada de una alianza con Accenture, Deloitte, IBM, NTT DATA y PwC para ofrecer a las empresas una vía rápida hacia la resiliencia.