Frameworks Autónomos — Campañas Ofensivas Automatizadas con ARTEX: Agentes de IA en Escala
Fecha de publicación: 16 de noviembre de 2026
Categoría: AI attacks (LLM/LocalAI)
Introducción
El equipo de inteligencia de amenazas de Amazon ha publicado hallazgos críticos sobre campañas ofensivas ejecutadas por ciberdelincuentes utilizando ARTEX, un framework de pruebas de penetración de código abierto impulsado por agentes de inteligencia artificial autónomos. Entre el 3 de octubre y el 5 de noviembre, la red de sensores señuelo MadPot de Amazon interceptó peticiones enviadas por estos agentes, las cuales contenían registros detallados de sus propias operaciones. Aunque los atacantes automatizaron la búsqueda de credenciales, la explotación de vulnerabilidades en plataformas de IA y la elusión de controles biométricos, el análisis de estos registros ha permitido mapear la infraestructura y los vectores de ataque utilizados para escalar operaciones maliciosas sin intervención humana constante.
¿Qué es ARTEX? (Análisis General)
ARTEX representa una evolución significativa en la automatización del ciberdelito, transitando desde scripts tradicionales hacia sistemas de agentes de IA cooperativos. El framework opera mediante una división de roles especializados: agentes planificadores (planner), trabajadores (worker), de verificación (verification) y de compresión (compression), todos conectados a través de un grafo de conocimiento persistente (persistent knowledge graph). Esto permite que múltiples instancias compartan descubrimientos y continúen tareas de manera fluida.
Dentro de su arsenal operativo, los agentes incorporaron instrucciones para explotar debilidades de configuración y vulnerabilidades conocidas, entre las que destacan:
- CVE-2025-3248 en Langflow (Estimación de severidad: Alta, CWE-79 o similar asociada a inyección/ejecución).
- CVE-2026-28797 en RAGFlow (Estimación de severidad: Alta, CWE-20 o manipulación de entradas).
- Abuso de cabeceras HTTP (
isCliRequest) para evasión de autenticación en pasarelas como One API. - Explotación de vulnerabilidades de falsificación de peticiones del lado del servidor (SSRF) para acceder a metadatos de servicios en la nube.
Nota técnica: Las puntuaciones y vectores CVSS para los CVEs mencionados en este análisis se consideran estimaciones razonadas basadas en la naturaleza de los componentes afectados (plataformas de RAG y flujos de trabajo de IA), dado que aún no disponen de registros consolidados en el NVD al momento de la redacción.
¿Cómo funciona? (Análisis Técnico)
El funcionamiento de ARTEX destaca por su autonomía operativa y persistencia implacable, dividiéndose en fases coordinadas:
- Flujo inicial y reconocimiento automatizado: Los operadores definen una misión de alto nivel (por ejemplo, escanear listas geográficas específicas de países, priorizando entornos de producción empresarial frente a proyectos personales) y delegan la ejecución en los agentes. Estos escanean repositorios públicos, registros de transparencia de certificados, paquetes de npm/PyPI y contenedores en busca de claves API expuestas.
- Persistencia, escalada y validación de credenciales: Las claves robadas se integran directamente en el propio gateway de modelos del framework para financiar y potenciar la búsqueda de más credenciales. Los agentes validan identidades en la nube, enumeran almacenamiento y atacan servicios de IA gestionados, evaluando el impacto mediante un sistema de calificación (L1: pista, L2: llamada API funcional, L3: impacto medible como datos legibles o saldo disponible).
- Elusión biométrica y fraudes KYC: En una segunda campaña orientada a exchanges de criptomonedas, los agentes utilizaron deepfakes en tiempo real generados sobre GPUs de consumidor (alcanzando 11.5 fotogramas por segundo) para superar verificaciones de vida (liveness checks) y documentos de identidad falsificados con metadatos de cámara manipulados para simular fotografías legítimas.
Sistemas / Entornos Afectados
Las campañas afectaron principalmente a plataformas de desarrollo de IA, pasarelas de API y aplicaciones con exposición de secretos.
| CVE / Componente | Categoría (CWE) | Impacto | CVSS (Estimado) | Vector (Resumido) |
|---|---|---|---|---|
| Langflow (CVE-2025-3248) | CWE-79 (Estimado) | Ejecución de comandos / Inyección | 8.5 (Alto) | CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:H/I:H/A:L |
| RAGFlow (CVE-2026-28797) | CWE-20 (Estimado) | Manipulación y acceso no autorizado | 8.1 (Alto) | CVSS:3.1/AV:N/AC:L/PR:L/UI:N/S:U/C:H/I:H/A:N |
| One API / New API / Veloera | CWE-287 (Autenticación) | Bypass de autenticación por cabeceras | 7.5 (Alto) | CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:H/I:N/A:N |
| LiteLLM y similares | CWE-798 (Credenciales por defecto) | Exposición de clave maestra por defecto | 9.8 (Crítico) | CVSS:3.1/AV:N/AC:L/PR:N/UI:N/S:U/C:H/I:H/A:H |
Entornos impactados: Pasarelas como One API, New API, Veloera, Sub2API y LiteLLM; plataformas de desarrollo como Dify, FastGPT, Langflow, RAGFlow, Open WebUI, LobeChat y Ollama; así como servicios de almacenamiento en la nube e infraestructura de criptomonedas.
Mitigación y Detección
Remediación
- Eliminación de credenciales por defecto: Modificar inmediatamente contraseñas maestras y claves predeterminadas en LiteLLM y otras pasarelas de inferencia.
- Parches y actualizaciones: Aplicar las actualizaciones de seguridad más recientes para mitigar vulnerabilidades conocidas en frameworks como Langflow y RAGFlow.
- Higiene de secretos: Implementar escáneres automatizados en repositorios de código y pipelines CI/CD para evitar la filtración accidental de claves API y ficheros de entorno (
.env). - Seguridad en endpoints de IA: Tratar las interfaces de administración de LLMs y endpoints de inferencia con los mismos estándares estrictos de seguridad aplicados a bases de datos de producción.
Detección
Los equipos defensivos deben monitorear anomalías en el consumo de recursos de inferencia y patrones de llamadas API inusuales.
“Ninguna de las técnicas utilizadas en estas campañas era nueva; lo que cambian los agentes de IA es la velocidad y la persistencia implacable del atacante ante fallos básicos de higiene de seguridad.”
Regla de detección sugerida (Indicadores de anomalía en cabeceras HTTP):
title: Detección de abuso de cabecera isCliRequest en Pasarelas API
status: experimental
description: Identifica peticiones HTTP sospechosas que intentan evadir autenticación mediante la manipulación de cabeceras CLI.
logsource:
category: webserver
product: nginx
detection:
selection:
cs-method: "POST"
httpRequestHeader: "*isCliRequest*"
condition: selection
falsepositives:
- Herramientas legítimas de administración de línea de comandos.
level: highRecapitulando
El uso del framework ARTEX por parte de grupos motivados por el cibercrimen demuestra un punto de inflexión en la ciberseguridad: la transición hacia ataques orquestados por agentes de IA autónomos capaces de realizar reconocimiento, validación de credenciales y elusión de sistemas biométricos en paralelo. Lejos de requerir vulnerabilidades de día cero complejas, estas campañas capitalizan errores fundamentales de configuración y falta de higiene operativa. La defensa efectiva exige blindar los endpoints de IA con el mismo rigor que cualquier infraestructura crítica corporativa.
Referencias
- Security Affairs. (2026, noviembre 16). ARTEX: How Cybercriminals Use AI Agents to Scale Their Attacks. https://securityaffairs.com/?p=203188