Traducido del inglés por TechUpscale con ayuda de IA y verificado con el original. Leer el original en inglés
En noviembre de 2026, el Grupo de Inteligencia de Amenazas de Google informó sobre múltiples incidentes en los que actores maliciosos secuestraron el acceso empresarial a Grandes Modelos de Lenguaje (Large Language Models), en una táctica denominada LLMJacking. Estas intrusiones generaron enormes cargos fraudulentos en la nube.
La mecánica del LLMJacking
Mandiant respondió a múltiples incidentes en 2026 en los que actores de amenazas secuestraron el acceso empresarial a Grandes Modelos de Lenguaje, una táctica conocida como LLMJacking. Estas intrusiones afectaron a organizaciones en Norteamérica, Sudamérica y Asia-Pacífico en los sectores de servicios financieros, comercio minorista, tecnología y transporte.
A diferencia del consumo gradual de recursos asociado con el cryptojacking, el LLMJacking puede generar grandes picos de cargos fraudulentos en la nube en cuestión de horas. Los actores de amenazas evaden las interfaces front-end para atacar directamente los recursos del modelo en el backend, centrándose en identificar puntos finales de LLM expuestos públicamente u obtener claves de interfaz de programación de aplicaciones de LLM válidas.
Monetización y mezcladores de LLM
El Grupo de Inteligencia de Amenazas de Google identificó una división del trabajo entre los actores de amenazas que establecen el acceso inicial a entornos comprometidos y los operadores que gestionan la infraestructura de monetización posterior conocida como mezcladores de LLM (LLM Mixers). Los mezcladores de LLM funcionan como pasarelas de enrutamiento ilícitas que actúan como proxy, agregan y revenden el acceso no autorizado a LLM a suscriptores clandestinos.
En distintos incidentes, los observadores notaron cargos fraudulentos asociados con el consumo de recursos que superaban los 100 000 USD en un solo día, con cargos acumulados en algunas organizaciones que alcanzaban 1 millón de USD antes de que se revocara el acceso. Los actores de amenazas suscribieron las cuentas de las víctimas a acuerdos de pago por uso (Pay-As-You-Go) y lanzaron flujos de inferencia de alto volumen.
Guía de mitigación y remediación
Para evitar que los atacantes abusen de los servicios de LLM en la nube, los defensores deben priorizar la Gestión de Identidades y Accesos (IAM) y la seguridad de la cadena de suministro. Se aconseja a las organizaciones que utilicen plataformas centralizadas de gestión de secretos y apliquen controles de acceso con privilegios mínimos.
Las recomendaciones adicionales incluyen automatizar el análisis de secretos dentro de las bases de código, realizar auditorías de configuración rutinarias, implementar la limitación de tasa (rate limiting) y hacer cumplir la autenticación multifactor resistente al phishing en todos los proveedores de identidad en la nube y plataformas de desarrolladores.
Qué hacer
- Utiliza una plataforma centralizada de gestión de secretos para controlar la administración y rotación de claves y secretos confidenciales.
- Asegúrate de que los usuarios y las cuentas de servicio posean únicamente los permisos necesarios para su rol específico y las tareas requeridas.
- Automatiza el análisis de secretos dentro de las bases de código para garantizar que las claves de API y los secretos añadidos al código fuente se identifiquen y eliminen con prontitud.
- Realiza auditorías de configuración integrales y periódicas de los servicios en la nube para identificar posibles rutas de ataque y la exposición no intencionada de puntos finales.
- Implementa un WAF como Cloud Armor de Google para aplicar la limitación de tasa a las conexiones de clientes individuales.
- Haz cumplir la autenticación multifactor resistente al phishing en todos los proveedores de identidad en la nube, consolas de gestión y plataformas de desarrolladores.
Hechos clave y de dónde provienen
- Mandiant respondió a múltiples incidentes de 2026 en los que actores de amenazas secuestraron el acceso empresarial a Grandes Modelos de Lenguaje.
Mandiant respondió a múltiples incidentes en 2026 en los que actores de amenazas secuestraron el acceso empresarial a Grandes Modelos de Lenguaje (LLMs), una táctica conocida como "LLMJacking."
- Los cargos fraudulentos asociados con el consumo de recursos superaron los 100 000 USD en un solo día en los incidentes observados.
observed fraudulent charges associated with resource consumption exceeding $100,000 USD in a single day
- Los mezcladores de LLM funcionan como pasarelas de enrutamiento ilícitas que actúan como proxy, agregan y revenden el acceso no autorizado a LLM.
LLM Mixers function as illicit routing gateways that proxy, aggregate, and resell unauthorized LLM access to underground subscribers.
