IA y ciberseguridad industrial: el experimento de Forescout con PLCs
- Investigadores de Vedere Labs (Forescout) usaron Claude AI para portar un exploit de ejecución remota de código (RCE) entre dos modelos de PLC WAGO.
- El proceso no fue automático: requirió 8 horas y 32 minutos de supervisión humana experta y un coste de 535,74 dólares en APIs.
- La IA logró generar un payload que causó la caída del sistema, pero falló al intentar crear un implante de mando y control, dejando el dispositivo inservible.
- El estudio concluye que, aunque la IA acelera ciertas fases, el conocimiento profundo del firmware sigue siendo indispensable para ataques complejos.
La intersección entre la inteligencia artificial generativa y la seguridad de los sistemas de control industrial (ICS) ha dejado de ser un escenario hipotético para convertirse en un campo de pruebas tangible. Un experimento reciente llevado a cabo por los investigadores de Vedere Labs, la división de investigación de Forescout, ha puesto a prueba la capacidad de los modelos de lenguaje avanzado para desarrollar armas cibernéticas dirigidas a infraestructuras críticas.
El objetivo era ambicioso: trasladar un exploit de ejecución remota de código (RCE) ya existente desde un modelo de controlador lógico programable (PLC) WAGO 750-852 hacia otro modelo distinto, el WAGO 750-831. Los PLCs son el cerebro de las fábricas y plantas de tratamiento, y cualquier vulnerabilidad en ellos puede traducirse en daños físicos reales, una preocupación que ha cobrado fuerza tras los recientes ataques detectados en el sector hídrico.
El punto de partida: la vulnerabilidad CVE-2021-31886
Para este ejercicio, el equipo no partió de cero. Utilizaron como base la vulnerabilidad CVE-2021-31886, un desbordamiento de búfer (buffer overflow) en el servidor FTP Nucleus que no requiere autenticación previa. Este fallo permite que un atacante ejecute shellcode ARM arbitrario en el PLC objetivo. El reto técnico residía en que, aunque los modelos de WAGO son similares, las diferencias en la disposición de la memoria y las rutas de procesamiento del firmware hacen que un exploit diseñado para un modelo no funcione automáticamente en otro.
En el entorno de la tecnología operativa (OT), donde el software suele ser cerrado y los depuradores son escasos, portar un exploit requiere normalmente un análisis exhaustivo de ingeniería inversa. Aquí es donde entró en juego la IA, específicamente las versiones Sonnet 4.6 y Opus 4.6 de Claude, de Anthropic.
Metodología y herramientas del ataque asistido
El experimento no consistió en lanzar una simple pregunta a un chat, sino en integrar la IA en un flujo de trabajo técnico complejo. Los investigadores dotaron a Claude Code de acceso a una terminal, archivos de referencia y la herramienta de ingeniería inversa Ghidra. Además, el modelo tuvo acceso directo al hardware físico del PLC WAGO 750-831 y a su firmware versión V01.04.16.
La IA comenzó confirmando la presencia de la vulnerabilidad mediante una combinación de análisis estático del firmware y sondeos en vivo. El primer éxito fue relativamente sencillo: la generación de un payload que provocó la caída del PLC (Denegación de Servicio o DoS). Sin embargo, pasar de un simple colapso del sistema a una ejecución de código controlada resultó ser una tarea mucho más ardua.
El coste real de la automatización maliciosa
Uno de los hallazgos más relevantes del estudio es que la IA no es, todavía, un botón de 'hackear' instantáneo. El camino hacia la ejecución remota de código requirió una intervención humana constante para corregir hipótesis erróneas y proporcionar el contexto de desensamblado necesario cuando el modelo se perdía en los detalles del firmware.
El proceso para lograr la ejecución remota de código tomó exactamente 8 horas y 32 minutos, con un coste operativo de 535,74 dólares en el uso de las APIs de Claude.
Este dato es crucial para los directores de seguridad (CISO) y los responsables de planta. Demuestra que, si bien la IA reduce la barrera de entrada, el desarrollo de exploits sofisticados para hardware industrial sigue exigiendo un nivel de pericia humana elevado y recursos financieros específicos. El equipo tuvo que cambiar el modelo a Claude Opus 4.6 y ajustar los prompts repetidamente para evitar que el procesamiento estándar de FTP eliminara el shellcode.
Cuando la IA comete errores fatales
El experimento tomó un giro crítico cuando los investigadores intentaron ir más allá del RCE para expandir el ataque hacia un implante de mando y control (C2). En esta fase, la IA generó una instrucción de escritura incorrecta en la memoria flash del dispositivo. El resultado fue el 'bricking' permanente del PLC; el hardware quedó totalmente inservible.
Este incidente subraya una paradoja interesante: la IA puede ser una herramienta poderosa para el atacante, pero su falta de comprensión profunda de las dependencias físicas del hardware puede llevar a errores catastróficos que alerten a los defensores o destruyan el propio objetivo antes de que el ataque se complete. Para leer más sobre los detalles técnicos de este proceso, se puede consultar el análisis en SecurityWeek.
Análisis de los resultados obtenidos
A pesar del fallo final con el implante C2, el experimento logró generar payloads UDP capaces de entregar una cadena de texto con la palabra 'PWNED' y un payload de eco ICMP, confirmando que la ejecución de código era posible. Los investigadores concluyen que la eficacia de la IA en el desarrollo de exploits no debe medirse solo por el éxito final, sino por la cantidad de soporte humano, tiempo y coste invertido.
La capacidad de la IA para analizar código desensamblado mediante Ghidra y proponer scripts de análisis en Python acelera drásticamente la fase de reconocimiento y prueba de conceptos. No obstante, la brecha entre un 'crash' del sistema y un control total del dispositivo sigue siendo ancha y depende estrictamente del conocimiento experto en arquitecturas ARM y sistemas embebidos.
Implicaciones para el tejido empresarial en España
Para las empresas españolas, especialmente aquellas integradas en el sector industrial, automovilístico y energético, este experimento es una señal de alerta sobre la evolución de las amenazas. España posee un tejido empresarial compuesto mayoritariamente por PYMES industriales que a menudo operan con sistemas heredados (legacy) y PLCs que no fueron diseñados pensando en la seguridad moderna.
En el marco de la Agenda Digital Española y la implementación del AI Act de la Unión Europea, surge un debate necesario sobre la seguridad de los activos críticos. El AI Act clasifica ciertos usos de la IA según su riesgo, pero la capacidad de los modelos generativos para asistir en la creación de malware industrial plantea un reto regulatorio y técnico. Las empresas locales no pueden confiar únicamente en la seguridad por oscuridad o en la complejidad del firmware.
La vulnerabilidad de los sistemas OT en España requiere una transición hacia arquitecturas de 'Zero Trust' y una monitorización activa de la red industrial. Dado que la IA puede reducir los tiempos de desarrollo de ataques de semanas a horas, la capacidad de detección y respuesta debe acelerarse en la misma proporción. La inversión en ciberseguridad industrial ya no es un coste operativo, sino una garantía de continuidad de negocio frente a una IA que, aunque todavía comete errores, aprende a navegar el código binario a una velocidad sin precedentes. Para profundizar en la metodología, el reporte detallado en LetsDataScience ofrece una perspectiva técnica adicional sobre la supervisión experta requerida.
Preguntas frecuentes
¿Puede cualquier persona usar la IA para hackear un PLC industrial?
No. El experimento de Forescout demuestra que se requiere un conocimiento avanzado de ingeniería inversa, herramientas como Ghidra y acceso al hardware físico para guiar a la IA y corregir sus errores.
¿Qué modelo de IA se utilizó en el experimento?
Se utilizaron las versiones Sonnet 4.6 y Opus 4.6 de Claude, desarrolladas por Anthropic.
¿Cuál fue el coste económico de desarrollar el exploit con IA?
El coste en APIs de inteligencia artificial fue de 535,74 dólares, además de más de 8 horas de trabajo de investigadores expertos.
¿Qué riesgo real existe para las infraestructuras críticas?
El riesgo es que la IA reduce el tiempo de análisis y portabilidad de exploits conocidos, permitiendo que atacantes expertos adapten ataques a nuevos modelos de hardware con mayor rapidez.
Fuentes: Securityweek, Dev, Letsdatascience ·
glacom · Inteligencia artificial para empresas: los modelos corren en tus servidores, los datos no salen →Scrivila qui: Susanna, l assistente AI di glacom, ti risponde via email con un approfondimento gratuito.
Nessuna consulenza personalizzata (finanziaria, legale o medica): solo informazione e fonti. Email usata solo per rispondere.
oppure scrivile su: WhatsApp · Telegram · SimpleX · Delta Chat · Email
