Cadenas de modelos de IA explotan vulnerabilidades zero-day en Chrome, Safari y núcleos Linux

Investigadores utilizaron un modelo de IA interno no publicado para identificar y explotar fallos críticos de seguridad en software ampliamente utilizado, incluyendo Chrome, Safari, Android, Windows y Linux. Los hallazgos, publicados el 27 de octubre de 2026, demuestran la capacidad del modelo para construir complejas cadenas de ataque multi-etapa que resultan en la ejecución remota de código o robo de datos con poca o ninguna interacción del usuario.

Qué ocurrió

El equipo de investigación desplegó un agente especializado de IA para auditar algunos de los softwares más críticos en materia de seguridad a nivel mundial. El modelo generó con éxito cinco cadenas de exploit distintas dirigidas a navegadores y sistemas operativos. No se trataba de bugs aislados, sino de secuencias coordinadas de vulnerabilidades que evadían múltiples capas de defensa, como los sandboxes de memoria y la aleatorización de la distribución del espacio de direcciones (ASLR). Cada hallazgo fue reportado al proveedor correspondiente mediante protocolos de divulgación coordinada de vulnerabilidades, permitiendo tiempo para aplicar parches antes de publicar los detalles.

En Google Chrome, el modelo produjo un exploit de ejecución remota de código con un solo clic en macOS. Combinaba un bug de corrupción de heap en el motor JavaScript V8 con una evasión de sandbox mediante una condición de carrera en CacheStorage y un error use-after-free en la función de inicio de sesión FedCM. Esta cadena permitía la ejecución de código arbitrario fuera del sandbox del navegador. De manera similar, en Apple Safari, la IA construyó un ataque exclusivamente de datos que evadía la política de mismo origen. Al explotar una vulnerabilidad use-after-free en JavaScriptCore y aprovechar debilidades en el aislamiento de memoria Gigacage, el modelo obtuvo acceso de lectura/escritura a datos sensibles del navegador, como cookies e historial, sin ejecutar código arbitrario.

El alcance se extendió más allá de los navegadores hacia sistemas operativos móviles y de escritorio. En Android, el modelo encadenó tres vulnerabilidades para saltarse la pantalla de bloqueo en un Pixel 9, permitiendo la extracción de datos vía USB sin verificación del usuario. En Windows, identificó un fallo de denegación de servicio remoto en la implementación HTTP/3 QUIC mediante el análisis de código binario. Finalmente, el equipo divulgó una vulnerabilidad de ejecución remota de código zero-click en la pila de red del núcleo Linux, donde una condición de carrera permitía a los atacantes ejecutar comandos como root.

Cómo funciona

La IA no simplemente escaneaba patrones conocidos; realizaba razonamiento profundo y análisis de variantes. Para software propietario como Windows, el modelo utilizó herramientas de ingeniería inversa para descompilar binarios, reconstruir la lógica en C y compararla con el comportamiento observado para encontrar discrepancias. Para componentes de código abierto, analizó directamente el código fuente. El sistema empleaba una plataforma de agentes de escaneo paralelos, cada uno utilizando diferentes estrategias, como comprobaciones puras de cobertura, modelado de amenazas basado en objetivos o búsquedas específicas de primitivas de exploit.

Un mecanismo clave fue la capacidad del modelo para encadenar vulnerabilidades dispares. Por ejemplo, en el exploit del núcleo Linux, la IA primero derrotó KASLR filtrando punteros del kernel mediante una sobrelectura inducida por una condición de carrera. Luego, utilizó el mismo bug subyacente use-after-free para desbordar un búfer y sobrescribir un puntero de callback. Esto permitía al atacante secuestrar el flujo de control y ejecutar una carga útil alojada en la memoria del kernel. El proceso dependía del escalado de cómputo durante la prueba, donde el modelo refinaba iterativamente su enfoque hasta producir una prueba de concepto funcional.

Detalles clave

• Chrome 156 incluye parches para 62 CVEs identificados por el modelo, incluyendo 13 evasiones de sandbox y 21 compromisos del renderer.
• El exploit de Safari evadió la política de mismo origen utilizando un ataque exclusivamente de datos, evitando la necesidad de ejecución de código arbitrario.
• La evasión de la pantalla de bloqueo en Android requería acceso físico por USB, pero omitía la verificación de emparejamiento y las comprobaciones de transferencia de archivos.
• La vulnerabilidad de Windows (CVE-2026-33096) permitía colgar remotamente servidores que escuchaban en HTTP/3 mediante una lectura fuera de límites en la implementación QUIC.
• El fallo del núcleo Linux (CVE-2026-98432) habilitaba acceso root zero-click vía multipath TCP, tomando aproximadamente 53 minutos para explotarse completamente en pruebas.
• Todos los hallazgos fueron reportados bajo una ventana de parcheo de 90 días más un retraso de divulgación de 45 días.

Por qué importa

Esta investigación señala un cambio en el panorama de amenazas donde las capacidades cibernéticas avanzadas ya no están limitadas a equipos especializados de élite. Los modelos de IA ahora pueden descubrir y combinar vulnerabilidades autónomamente en exploits funcionales, reduciendo significativamente la barrera para ataques sofisticados. Para los desarrolladores de software, esto significa que las suposiciones tradicionales de seguridad sobre la dificultad de encontrar vulnerabilidades profundas y encadenadas pueden ya no ser válidas. La velocidad y profundidad del análisis impulsado por IA requieren que los defensores aceleren sus propios ciclos de parcheo y pruebas.

Para los líderes de ingeniería, la implicación es que el análisis estático y las revisiones manuales de código son insuficientes frente a adversarios aumentados por IA. La capacidad de estos modelos para realizar análisis de variantes sobre hallazgos confirmados significa que un único bug descubierto podría revelar rápidamente toda una clase de vulnerabilidades relacionadas en una base de código. Los defensores deben adoptar estrategias de pruebas similares impulsadas por IA para mantenerse al día, integrando escaneo automatizado en sus pipelines de desarrollo para detectar problemas antes de que lleguen a producción.

Qué puedes hacer

• Integra escaneo de seguridad impulsado por IA en tu flujo de trabajo de pull requests para detectar vulnerabilidades tempranamente en el ciclo de desarrollo.
• Implementa análisis automatizado de variantes para cualquier problema de seguridad confirmado para identificar y parchear debilidades relacionadas en toda tu base de código.
• Prioriza el parcheo de componentes de infraestructura crítica, especialmente aquellos expuestos a entradas no confiables como pilas de red y motores de navegador.
• Adopta una estrategia de defensa en profundidad que asuma que las evasiones de sandbox son posibles, limitando el impacto de cualquier vulnerabilidad individual.
• Participa en programas de divulgación coordinada de vulnerabilidades para asegurar el manejo responsable de los fallos descubiertos.
• Monitorea los parches upstream para dependencias de código abierto, particularmente en bibliotecas de gestión de red y memoria, y aplica actualizaciones prontamente.