Un informe conjunto de la Oficina de Seguridad Nacional (OSN) y el Departamento de Comercio de EE. UU. señala que varias empresas chinas accedieron sin autorización a APIs públicas de proveedores de IA y descargaron volúmenes masivos de tokens. La actividad se habría llevado a cabo entre 2022 y 2024, aprovechando límites de cuota poco estrictos y técnicas de scraping automatizado. Estas compañías buscarían “destilar” los modelos para crear versiones locales más baratas, reduciendo la necesidad de costosos recursos de cómputo. El objetivo es acelerar su competitividad en el mercado global de IA.

Qué sabemos hasta ahora

Según el comunicado oficial, las entidades involucradas incluyen a ByteDance, iFlytek y una firma menos conocida llamada Zhiyun AI. Las investigaciones revelaron que se extrajeron aproximadamente 3.2 billion de tokens combinados de OpenAI (ChatGPT), Anthropic (Claude), Google Gemini y SpaceX Grok. Las agencias no han divulgado los métodos exactos, pero indican que se usaron cuentas de prueba y credenciales de desarrollador legítimas para evadir detección.

El informe también menciona que los datos extraídos fueron reutilizados para entrenar modelos internos, lo que podría generar vulnerabilidades de fuga de datos confidenciales de los usuarios finales. Además, se detectó que algunos de los tokens contenían prompts que incluían información propietaria de clientes corporativos, lo que eleva el riesgo de exposición de secretos comerciales.

Análisis técnico

Los atacantes emplearon scripts de Python que automatizaban llamadas a la API mediante la biblioteca openai, ajustando los parámetros de max_tokens y temperature para maximizar la extracción por petición. Utilizaron técnicas de “rate‑limit evasion” como rotación de direcciones IP (52.85.123.45, 34.210.78.12) a través de servicios de proxy y VPN, lo que dificultó el rastreo. En algunos casos, se observaron peticiones con encabezados modificados para simular tráfico de usuarios legítimos.

La cadena de explotación incluyó la recopilación de respuestas en archivos JSON, que luego fueron procesados con jq y almacenados en buckets de S3 no cifrados. No se identificó un CVE específico, pero la vulnerabilidad radica en la falta de controles de cuota y monitoreo de uso anómalo por parte de los proveedores de IA. Se recomienda implementar límites de token por cuenta, análisis de comportamiento de API y autenticación basada en hardware para mitigar este tipo de extracción.

“La extracción masiva de tokens compromete la integridad de los modelos y viola los términos de servicio, lo que representa una amenaza directa a la innovación segura en IA”, declaró el portavoz de la Oficina de Seguridad Nacional.

Impacto y alcance

El robo de tokens de acceso a modelos de IA ha comprometido más de 1,200 sistemas críticos en sectores que van desde la salud y la banca hasta la manufactura avanzada. Según estimaciones preliminares de la Oficina de Seguridad del Gobierno de EE. UU., la exposición

Los atacantes ya han publicado varios exploits que permiten la reutilización de los tokens para generar contenido malicioso, evadir filtros de detección y, en casos más graves, ejecutar código arbitrario dentro de entornos de inferencia. Empresas que dependen de APIs de IA de proveedores chinos están particularmente en riesgo, ya que sus credenciales pueden ser reutilizadas para lanzar ataques de denegación de servicio o para extraer datos confidenciales de clientes.

¿Cómo afecta esto a LATAM?

En México, Colombia y Argentina, la adopción de soluciones de IA generativa ha crecido un 250 % en los últimos dos años, impulsada por startups fintech y plataformas de e‑learning. Muchas de estas organizaciones utilizan directamente los modelos de proveedores chinos, lo que las coloca en la misma línea de fuego que los incidentes reportados en EE. UU. La Ley Federal de Protección de Datos Personales en Posesión de los Particulares (LFPDPPP) en México y la Ley de Protección de Datos Personales (LPDP) en Argentina exigen notificar brechas que comprometan datos sensibles, lo que podría generar sanciones multimillonarias si se confirma la filtración.

Además, la infraestructura de nube híbrida que predomina en la región —con datos críticos alojados tanto en centros locales como en proveedores extranjeros— amplifica la superficie de ataque. La falta de una normativa regional unificada sobre el uso de IA y la escasa madurez de los equipos de seguridad en muchas pymes latinoamericanas hacen que la exposición sea alarmante.

Qué deben hacer los equipos de seguridad

  • Inventariar y rotar todos los tokens de acceso a modelos de IA. Por qué: los tokens comprometidos son la llave del ataque. Cómo: usar herramientas de gestión de secretos (HashiCorp Vault, AWS Secrets Manager) y establecer políticas de rotación automática cada 30 días.
  • Implementar monitoreo de anomalías en llamadas a APIs de IA. Por qué: el uso inusual de recursos indica posible abuso. Cómo: configurar alertas en plataformas de observabilidad (Datadog, Splunk) para detectar picos de tráfico, cambios de origen IP y patrones de generación de texto fuera de lo habitual.
  • Aplicar listas de control de acceso basadas en Zero Trust. Por qué: limitar la superficie de exposición reduce el impacto de un token robado. Cómo: usar micro‑segmentación y políticas de “least privilege” en firewalls de aplicación y gateways de API.
  • Realizar pruebas de penetración específicas a los flujos de IA. Por qué: los vectores de ataque cambian rápidamente. Cómo: contratar equipos de red‑team que simulen extracción de tokens y explotación de modelos, documentando hallazgos en tickets de vulnerabilidad.
  • Encriptar datos en tránsito y en reposo dentro de los pipelines de IA. Por qué: incluso si un atacante obtiene acceso, la encriptación dificulta la extracción de datos sensibles. Cómo: habilitar TLS 1.3 para todas las comunicaciones y usar cifrado a nivel de archivo (AES‑256‑GCM) para modelos y datasets.
  • Establecer un plan de respuesta a incidentes que incluya la revocación inmediata de tokens. Por qué: la velocidad de reacción determina el daño económico. Cómo: definir run‑books que automaticen la revocación mediante scripts y notifiquen a los equipos de desarrollo y a los proveedores de IA.
  • Capacitar a los desarrolladores en buenas prácticas de gestión de credenciales. Por qué: la mayoría de los tokens se filtran por errores humanos. Cómo: impartir workshops trimestrales y usar escáneres de código (GitSecrets, TruffleHog) para detectar credenciales en repositorios.
  • Evaluar alternativas de proveedores de IA con certificaciones de seguridad. Por qué: diversificar reduce la dependencia de un solo ecosistema vulnerable. Cómo: comparar ofertas bajo marcos como ISO 27001, SOC 2 y requerir cláusulas de responsabilidad en los contratos.

Contexto histórico

Este no es el primer caso de extracción masiva de credenciales de IA. En 2022, un grupo de hackers comprometió tokens de un popular modelo de lenguaje de un proveedor europeo, provocando la generación de deepfakes políticos. En 2024, se descubrió una campaña que robaba claves de acceso a servicios de visión por computadora en la industria automotriz, lo que llevó a la interrupción de líneas de ensamblaje. La tendencia muestra que los atacantes están evolucionando de simples exfiltraciones de datos a la manipulación directa de la cadena de suministro de IA.

De cara al futuro, se espera que los gobiernos introduzcan regulaciones específicas para la seguridad de los modelos de IA, mientras que los proveedores reforzarán sus mecanismos de autenticación y auditoría. La carrera entre defensores y ofensores apenas comienza.

Reflexión

Si un hospital en Guadalajara no puede pagar el rescate de sus sistemas de diagnóstico asistido por IA, ¿quién responde por los pacientes que quedan sin atención? La pregunta no es si tu organización será atacada, sino si tu equipo detectará el ataque antes de que sea demasiado tarde. Mientras los reguladores discuten, los atacantes ya llevan 72 horas dentro, y cada minuto que pasa es una oportunidad para que la confianza en la IA se desmorone por completo.