Las herramientas de pentesting con IA ARTEX y SCARLET LOOP impulsan nuevos ataques financieros

A finales de septiembre y principios de octubre de 2026, actores de amenazas desplegaron agentes de inteligencia artificial para comprometer instituciones financieras en Corea del Sur y Brasil. CrowdStrike Intelligence identificó una campaña que utilizaba la herramienta de pruebas de penetración ARTEX contra empresas coreanas, mientras que ZenoX descubrió la plataforma SCARLET LOOP dirigida a cuentas brasileñas. Ambas operaciones resultaron en exfiltración significativa de datos y robo de credenciales, marcando un cambio hacia el cibercrimen autónomo impulsado por IA.

Qué ocurrió

CrowdStrike descubrió la campaña en Corea del Sur tras identificar directorios abiertos en una dirección IP basada en Hong Kong. Estos directorios exponían historiales de sesiones de Claude Code, archivos de memoria y datos de configuración de ARTEX, una herramienta de pruebas de penetración agéntica de código abierto desarrollada por Autumn-27 en China. El atacante operaba desde la dirección IP 38.244.50[.]120, que alojaba la instancia de ARTEX utilizada en las intrusiones. Aunque no se ha atribuido ningún grupo específico a los ataques, la evidencia sugiere un operador de habla china motivado por ganancias financieras.

Simultáneamente, ZenoX detalló las actividades de SCARLET LOOP, una plataforma orquestada por un actor de habla portuguesa. Esta operación tenía como objetivo programas de fidelización corporativos, incentivos empresariales y plataformas de tarjetas regalo en Brasil. Los atacantes utilizaron credenciales robadas de registros de infostealers y filtraciones de datos para secuestrar cuentas a gran escala. El análisis de un servidor expuesto a Internet reveló que el grupo probó más de 12 millones de credenciales, validando con éxito casi 12.000 en miles de dominios.

Tras el uso indebido de su software, Autumn-27 anunció que ARTEX pasaría a un modelo de código cerrado. Los desarrolladores afirmaron que la herramienta estaba destinada a investigación de seguridad autorizada y aprendizaje, no a actividad maliciosa. Confirmaron que no se lanzarían versiones adicionales ni soporte de mantenimiento para prevenir abusos futuros.

Cómo funciona

El sistema ARTEX opera como un marco autónomo multiagente de pruebas de penetración impulsado por modelos de lenguaje grandes (LLMs). En la campaña observada, el atacante configuró ARTEX para usar DeepSeek v4.1-flash como backend principal, complementado por GLM-5.3 de Z.ai y Grok 4.6 de SpaceXAI. Es probable que el operador accediera a estos modelos a través de un revendedor de API. El agente navegaba sistemas de forma autónoma, identificaba vulnerabilidades y exfiltraba datos, además de consultar a Claude sobre cómo vender datos comprometidos mediante grupos de Telegram.

SCARLET LOOP emplea una canalización de automatización multietapa más compleja. Comienza con el descubrimiento de objetivos utilizando GPT-5.6 de OpenAI para generar consultas de búsqueda y GPT-5.5 para clasificar objetivos de alto valor. Para la ejecución del inicio de sesión, un agente de IA controla un navegador Firefox instrumentado que suplanta huellas digitales como canvas, WebGL y geolocalización para evadir defensas anti-bot. El agente utiliza DeepSeek-V4-Pro, Claude Opus 4.6 y otros modelos para mapear superficies de inicio de sesión y rellenar formularios sin supervisión humana.

Para optimizar costos, SCARLET LOOP cuenta con un "Modo AUTO" que elimina el LLM del bucle tras inicios de sesión exitosos en un dominio familiar. Como señaló ZenoX, el razonamiento del modelo es costoso y lento, por lo que la plataforma paga por la inteligencia solo una vez por objetivo. Esto permite al sistema escalar el relleno de credenciales eficientemente, probando millones de combinaciones mientras minimiza el uso de tokens.

Detalles clave

• La campaña de ARTEX tuvo como objetivo organizaciones financieras surcoreanas desde finales de septiembre hasta principios de octubre de 2026.
• ARTEX utilizó DeepSeek v4.1-flash como su LLM principal, con GLM-5.3 y Grok 4.6 como complementos.
• SCARLET LOOP probó 12.277.358 credenciales, validando 11.832 en 3.968 dominios.
• El agente de SCARLET LOOP utiliza 46 herramientas de automatización y externaliza la resolución de captchas para evadir la detección.
• Autumn-27 ha cerrado el código fuente de ARTEX tras su uso en ataques no autorizados.
• Los atacantes utilizaron canales de Telegram, incluido uno vinculado al usuario "@YY520CN", para coordinar la venta de datos.

Por qué importa

Estos incidentes demuestran que las herramientas de seguridad de IA de código abierto están siendo armadas con modificaciones mínimas. Los desarrolladores y líderes de seguridad ya no pueden asumir que los marcos de pruebas de penetración son seguros por defecto. La facilidad con la que un operador configuró ARTEX usando APIs públicas y directorios abiertos destaca el riesgo de entornos de desarrollo expuestos. Si los archivos de configuración y los historiales de sesiones quedan accesibles, los atacantes pueden replicar y escalar estas operaciones rápidamente.

Para los equipos de ingeniería que construyen agentes de IA, la arquitectura de SCARLET LOOP ofrece un plan preocupante de eficiencia. Al combinar el razonamiento de LLMs para tareas novedosas con automatizaciones simples para tareas repetitivas, los atacantes reducen costos manteniendo altas tasas de éxito. Este enfoque híbrido les permite adaptarse dinámicamente a nuevos formularios de inicio de sesión y medidas de seguridad, haciendo menos efectivas las defensas estáticas tradicionales. Las organizaciones deben anticipar adversarios capaces de razonar a través de interfaces desconocidas de forma autónoma.

Qué puede hacer

• Audite todos los directorios y servidores públicos para asegurar que no haya archivos de configuración, historiales de sesiones o claves API expuestas.
• Implemente controles de acceso estrictos para cualquier agente de IA o herramienta de pruebas de penetración utilizada dentro de su infraestructura.
• Monitoree patrones inusuales de uso de API, especialmente provenientes de revendedores o ubicaciones geográficas inesperadas.
• Mejore los mecanismos de detección de bots para identificar navegadores suplantados.