Modelos de inteligencia artificial de pequeña escala podrían estar a meses de adquirir capacidades de auto-replicación, propagándose a través de dispositivos inseguros y formando botnets autónomas que, aunque lentas en su expansión, resultarían difíciles de erradicar. Así lo sugieren investigaciones recientes que analizan el ritmo de avance de estos sistemas y su potencial para operar sin intervención humana directa.
Chris Canal, director de una firma que colabora con laboratorios de IA, organismos de seguridad y gobiernos para evaluar modelos, atribuye parte de este aceleramiento al hecho de que equipos internos de grandes laboratorios utilizan sus propias herramientas para realizar investigaciones en aprendizaje automático, creando un ciclo de mejora continua que comprime los plazos de desarrollo. Michael Bailey, profesor en la Escuela de Ciberseguridad y Privacidad de Georgia Tech, coincide en que los modelos auto-replicantes son una posibilidad inminente, aunque advierte que su forma exacta y sus consecuencias reales aún son inciertas.
Lo que la historia de las botnets anticipa
Bailey lleva estudiando gusanos de internet desde principios de los 2000 y, más recientemente, botnets. En 2017 coescribió un análisis sobre Mirai, el botnet que permitió a un grupo de ciberdelincuentes construir una red masiva de dispositivos IoT —enrutadores, cámaras IP— para ejecutar un ataque de denegación de servicio distribuido (DDoS) contra la red PlayStation de Sony, afectando múltiples servicios en línea. Lo que Mirai demostró fue que dispositivos considerados irrelevantes como vectores de ataque podían convertirse en infraestructura ofensiva a escala.
La diferencia que introduce la IA en este escenario no es la creación de amenazas completamente nuevas, sino la automatización del trabajo de adaptación que antes requería intervención humana especializada. Esto altera la economía operativa entre atacantes y defensores: reduce el costo y el tiempo necesarios para escalar un ataque, mientras incrementa la complejidad de la respuesta defensiva.
Dónde están los límites reales
No todos los anuncios sobre auto-replicación de IA merecen el mismo nivel de alarma. Bailey cuestiona la narrativa de algunos laboratorios, señalando que demostrar que un modelo puede "saltar" entre dispositivos en una red emulada —donde la explotación involucrada es técnicamente trivial— dista de probar una propagación real comparable a la de un gusano o virus tradicional. La distinción importa: confundir simulación controlada con capacidad operativa real puede distorsionar tanto la percepción del riesgo como la asignación de recursos defensivos.
Para organizaciones en México y América Latina, donde la digitalización de infraestructuras críticas avanza a mayor velocidad que los marcos regulatorios y las capacidades de respuesta, este debate tiene implicaciones concretas. La pregunta relevante no es si la IA auto-replicante llegará, sino qué tan preparadas están las arquitecturas de seguridad actuales para detectar y contener amenazas que aprenden y se adaptan en tiempo real.
