Claude Mythos completó toda la cadena de ataque cibernético, según Booz Allen

Las pruebas de Booz Allen colocaron a Claude Mythos muy por encima de otros 17 modelos de IA en capacidades ofensivas. El informe advierte que los ataques autónomos podrían generalizarse en meses, aunque la brecha entre los resultados de laboratorio y el mundo real todavía ofrece una oportunidad para los defensores.
***

• Claude Mythos fue el único de 18 modelos que completó de forma autónoma toda la cadena de ataque cibernético.
• Booz Allen estima que la mayoría de los modelos evaluados podría alcanzar una capacidad similar en seis meses.
• El software que conecta la IA con herramientas de piratería puede amplificar drásticamente sus capacidades ofensivas.

Claude Mythos, un modelo avanzado de inteligencia artificial desarrollado por Anthropic, fue el único de 18 sistemas evaluados que completó de manera autónoma toda una cadena de ataque cibernético, según pruebas realizadas por Booz Allen. El resultado lo ubicó muy por delante de modelos estadounidenses y chinos, y reavivó el debate sobre la velocidad con la que la IA podría transformar las operaciones ofensivas digitales.

El hallazgo no demuestra que los ataques autónomos ya puedan afectar de forma generalizada a cualquier red, pero sí señala que ciertas combinaciones de modelo, herramientas y objetivos controlados alcanzaron un umbral preocupante. Booz Allen calificó de “inminentes” los ataques de IA a gran escala por parte de bandas de ransomware y actores respaldados por gobiernos, mientras pidió a Estados Unidos acelerar tanto sus capacidades ofensivas autorizadas como sus defensas automatizadas.

La evaluación aparece en el primer Cyber Weapon Index de la firma, un índice diseñado para medir hasta dónde pueden llegar los modelos cuando identifican vulnerabilidades, construyen capacidades ofensivas y ejecutan intrusiones. El estudio también advierte que el rendimiento de un modelo no depende únicamente de su inteligencia interna, porque el software que organiza sus acciones puede convertir respuestas aisladas en operaciones de múltiples etapas.

Claude Mythos encabeza la evaluación

Booz Allen probó 18 modelos bajo condiciones idénticas: nueve pertenecientes a desarrolladores estadounidenses y nueve creados por empresas chinas. La puntuación del Cyber Weapon Index combina un resultado de investigación de vulnerabilidades, conocido como VRS, con un indicador de logro de la cadena de ataque, KCAS, que asigna puntos según el avance conseguido en una intrusión de extremo a extremo, con y sin credenciales.

Claude Mythos obtuvo una puntuación CWI de 80, una ventaja amplia frente a Grok-4.5 de xAI, que consiguió 49, y GPT-5.6 Sol de OpenAI, con 46. Después aparecieron Muse Spark 1.1 de Meta y Kimi K3 de Moonshot AI, ambos con 38, seguidos por GLM-5.2 de Z.ai, con 37, y Claude Opus 4.8 de Anthropic, con 36.

La clasificación continuó con GPT-5.5-Cyber de OpenAI, con 34 puntos; Nemotron-Ultra de Nvidia, con 33; DeepSeek-V4-Pro, con 23; DeepSeek-V4-Flash y Qwen3.5-397B de Alibaba, ambos con 17; y MiniMax-M3 y Nemotron-Super, con 15 cada uno. Claude Sonnet 5 obtuvo 13 puntos, GLM-4.5-Air alcanzó 11, Qwen3.6-35B consiguió 9 y Qwen3-Coder cerró la tabla con 4.

Cuando los evaluadores proporcionaron credenciales robadas de empleados, Claude Mythos ingresó con éxito en la red objetivo y alcanzó privilegios de administrador en cada intento. El sistema no se limitó a seguir una secuencia predeterminada, sino que dedujo cómo elevar sus permisos a partir de la información encontrada dentro del entorno comprometido.

El modelo también consiguió acceder a la red cuando no recibió credenciales, y terminó alcanzando el compromiso completo del dominio. Otros tres modelos, Grok-4.5, Muse Spark 1.1 y GLM-5.2, lograron obtener acceso y control total del dominio, mientras que GPT-5.6 Sol, Kimi K3, GPT-5.5-Cyber y DeepSeek-V4-Pro consiguieron desplazarse lateralmente por la red controlada.

Una capacidad todavía concentrada

Las pruebas mostraron distintos niveles de avance entre los modelos, incluso cuando compartían el mismo entorno de evaluación. Claude Opus 4.8 y Qwen3.5-397B obtuvieron credenciales que les permitieron ampliar el acceso y los privilegios, mientras que todos los sistemas salvo Qwen3-Coder consiguieron de manera autónoma el acceso inicial a la red.

La ventaja de Claude Mythos fue particularmente significativa porque completó sin ayuda humana cada etapa de la cadena de ataque. En términos operativos, eso implica identificar un punto de entrada, explorar el entorno, obtener credenciales o privilegios adicionales, moverse dentro de la red y alcanzar el control del dominio objetivo.

Sin embargo, el informe establece una diferencia importante entre los entornos de prueba y los sistemas reales. Cuando Booz Allen introdujo vulnerabilidades deliberadamente, los modelos estadounidenses, chinos, de código abierto y cerrados obtuvieron resultados casi máximos en el componente VRS; al enfrentarse a errores reales, los nueve modelos de frontera disponibles mediante API obtuvieron cero.

Un modelo líder cuyo nombre no fue divulgado incluso identificó correctamente un componente vulnerable, pero luego lo clasificó como seguro y no intentó explotarlo. Claude Mythos fue el único que aprovechó esa vulnerabilidad real, un resultado que concentra el riesgo en los modelos más avanzados y, al mismo tiempo, muestra que la capacidad de laboratorio todavía no se traduce automáticamente en una ofensiva eficaz contra cualquier objetivo.

Según Booz Allen, el impacto en el mundo real depende en gran medida de las vulnerabilidades concretas que encuentre cada sistema y de la arquitectura que lo rodee. La firma sostiene que la capacidad ofensiva real todavía está por debajo del rendimiento observado en las pruebas comparativas, lo que ofrece a los defensores un periodo valioso para reforzar sus controles antes de que esa diferencia desaparezca.

El papel decisivo del arnés de ataque

Uno de los resultados más relevantes del índice es que el llamado arnés de ataque puede ser tan determinante como el modelo. Se trata del software que conecta la inteligencia artificial con herramientas de piratería y añade una lógica de orquestación para automatizar decisiones, encadenar tareas, recuperarse de errores y cambiar de estrategia durante una intrusión.

Este componente no vuelve necesariamente más inteligente al modelo, pero sí hace que sus capacidades sean más accionables y reduce la experiencia técnica requerida por quien lo opera. El arnés ayuda al sistema a mantener el foco, adaptarse a los obstáculos y convertir acciones individuales en una operación coordinada de varias etapas.

Las pruebas de Booz Allen ilustraron ese efecto con Claude Sonnet, que igualó el desempeño de Claude Mythos cuando se le vinculó con un arnés de ataque. El resultado sugiere que una organización no necesita disponer del modelo con la mayor puntuación para construir una combinación capaz de ejecutar operaciones ofensivas relevantes.

La firma reconoció que todavía no conoce la capacidad completa de los modelos chinos o de pesos abiertos cuando se combinan con arneses optimizados. Aun así, sus resultados sugieren que ya existen combinaciones de modelo y arnés capaces de operar en escenarios reales, aunque el informe no afirma que todas puedan completar de manera autónoma una intrusión contra objetivos no controlados.

El riesgo también alcanza a los sistemas de pesos abiertos, porque sus componentes pueden ser adaptados y conectados con herramientas por actores que no controlan los laboratorios originales. Booz Allen señaló que los modelos chinos y abiertos siguen por detrás de los principales sistemas estadounidenses de frontera, pero que la diferencia en capacidades ofensivas no es suficientemente grande como para descartarlos en ataques reales.

La respuesta que propone Booz Allen

El Cyber Weapon Index pide a Estados Unidos establecer y hacer cumplir plazos específicos por sector para que la infraestructura crítica demuestre resiliencia frente a ataques habilitados por IA. La recomendación coloca la preparación técnica en el centro de la respuesta, en lugar de esperar a que la automatización ofensiva alcance una escala mayor para comenzar a actualizar redes, controles de acceso y mecanismos de respuesta.

Booz Allen también propone que el país desarrolle lo que denomina “overmatch” tanto para la ofensiva como para la defensa cibernética. En su planteamiento, las capacidades agénticas autorizadas deberían acelerar las operaciones ofensivas, mientras que las defensas habilitadas por IA tendrían que detectar, decidir y responder a velocidad de máquina.

La firma sostiene que dominar ambas dimensiones permitiría imponer costos a los adversarios y hacer que los sistemas estadounidenses fueran más rápidos de defender, más difíciles de comprometer y más resistentes ante un ataque. La propuesta, sin embargo, plantea una tensión evidente: las mismas capacidades autónomas que pueden fortalecer una respuesta autorizada también podrían causar daños si se despliegan sin controles suficientes o se desvían de su misión.

El informe menciona además el riesgo de que los agentes continúen operando más allá del control de un adversario o excedan la misión que se les asignó. Por eso, la preparación no debería limitarse a defenderse de ataques deliberados, sino incluir escenarios en los que un sistema automatizado mantenga acciones ofensivas después de perder supervisión humana o interpretar de forma incorrecta sus objetivos.

La advertencia adquiere mayor relevancia porque los modelos evaluados no incluyeron Astra de OpenAI, un sistema que la empresa ha situado en el umbral “crítico” de capacidad de ciberseguridad. De acuerdo con esa descripción, Astra sería capaz de encontrar y explotar vulnerabilidades de día cero con suficiente eficacia como para representar un riesgo significativo para sistemas críticos, incluso por posibles acciones dañinas del propio modelo si estuviera desalineado.

OpenAI ha compartido evaluaciones preliminares de Astra y las medidas que está adoptando para reforzar sus salvaguardas. Por ello, las puntuaciones del índice no deben interpretarse como un mapa definitivo de todos los sistemas de frontera, sino como una medición del grupo específico probado bajo las condiciones establecidas por Booz Allen.

La consultora estima que la mayoría de los otros 17 modelos podría alcanzar en seis meses un nivel de armamentización similar al de Claude Mythos. Esa proyección no equivale a una predicción de que todos ejecutarán ataques exitosos en redes reales, pero sí refleja la preocupación de que el avance de los modelos y de sus herramientas de orquestación cierre rápidamente la brecha disponible para los defensores.

El panorama también complica cualquier estrategia basada únicamente en restringir el acceso a un puñado de empresas estadounidenses. Si los modelos chinos y de pesos abiertos se acercan en seguridad ofensiva y pueden combinarse con arneses optimizados, Estados Unidos podría no controlar ni comprender por completo las capacidades que enfrentarían sus redes críticas.

La principal conclusión del estudio es que todavía existe tiempo para actuar, aunque no para posponer la preparación. Claude Mythos demostró que una cadena de ataque completa puede ejecutarse de forma autónoma en un entorno controlado, y el crecimiento de los arneses podría hacer que ese tipo de capacidad resulte más accesible para actores criminales y estatales.

La siguiente fase de la carrera no dependerá solo de cuál modelo obtenga la mejor puntuación, sino de quién consiga integrar con mayor seguridad modelos, herramientas, supervisión y defensas automatizadas. Mientras esa combinación se desarrolla, la diferencia entre una IA que analiza una vulnerabilidad y otra que la explota podría convertirse en uno de los límites más importantes para la seguridad digital.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín