Campaña con LLM y ARTEX ataca entidades financieras surcoreanas y exfiltra datos

Investigadores de seguridad han documentado una campaña dirigida contra entidades financieras surcoreanas en la que se utilizaron herramientas de ataque impulsadas por modelos de lenguaje para automatizar intrusiones y extracción de datos. Los hallazgos, divulgados por CrowdStrike, apuntan a una operación activa desde finales de septiembre hasta principios de octubre de 2026 que acabó con exfiltración de información. La investigación detectó artefactos digitales (historias de sesiones de Claude Code, archivos de memoria de Claude y configuraciones de ARTEX) expuestos en directorios abiertos alojados en una dirección IP con base en Hong Kong, lo que permitió reconstruir partes de la infraestructura y la metodología empleada.

En lo técnico, la campaña mostró el uso de ARTEX, un sistema de pruebas de penetración "agentic" de múltiples agentes desarrollado por Autumn-27 y diseñado originalmente para evaluación de seguridad autorizada. Según CrowdStrike, la instancia implicada usó como núcleo un modelo etiquetado DeepSeek v4.1-flash y complementos como GLM-5.3 (de Z.ai) y Grok 4.6 (SpaceXAI). Hay indicios de que el actor accedió a DeepSeek mediante un revendedor de API (posible dominio citado como "xcai[.]pro"). La arquitectura observada tenía al menos dos servidores: uno en Hong Kong (IP 38.244.50[.]120) que funcionaba como columna vertebral del ataque y alojaba la instancia ARTEX responsable de las operaciones contra objetivos surcoreanos.

Hechos confirmados: CrowdStrike ha publicado que encontró directorios abiertos con sesiones de Claude y archivos de configuración de ARTEX en la IP identificada; la campaña centró sus esfuerzos en organizaciones financieras surcoreanas y existió exfiltración de datos; ARTEX era parte de la plataforma utilizada y Autumn-27 ha decidido convertir ARTEX en cerrado tras detectar su abuso. Además, herramientas similares de automatización con LLMs han sido observadas en otras operaciones delictivas documentadas por investigadores externos, como la plataforma de toma masiva de cuentas descrita por ZenoX.

Estimaciones y elementos por confirmar: la atribución completa no está establecida: aunque la evidencia textual y de idioma sugiere un operador de habla china motivado por lucro, CrowdStrike no atribuye la operación a un grupo conocido. La relación exacta entre el revendedor de API citado y la cadena de suministro de modelos no está confirmada al 100% y algunas sesiones contienen datos personales que podrían pertenecer al operador, pero esto todavía no se puede verificar de forma concluyente.

La mecánica del ataque combina varios componentes: primero, agentes LLM coordinan reconocimiento y descubrimiento de superficies de ataque (dónde hay puntos de autenticación, endpoints vulnerables o credenciales reutilizables). Luego, los agentes generan y adaptan payloads o scripts de automatización para explotar fragilidades identificadas, y finalmente orquestan exfiltración de datos —todo con un alto grado de autonomía. En la operación paralela que ZenoX investigó (plataforma apodada SCARLET LOOP) se observó el ciclo completo automatizado: descubrimiento de objetivos, obtención de credenciales desde filtraciones o logs de info-stealers, ejecución automatizada de inicios de sesión con navegadores instrumentados y reporte de credenciales válidas a canales privados (por ejemplo Telegram). Ese informe documentó cientos de miles o millones de intentos y miles de cuentas válidas, ilustrando la escala que permite la automatización con LLMs.

¿A quién afecta esto? Principalmente a organizaciones financieras, plataformas con alto valor monetario (programas de recompensas, tarjetas regalo, billeteras corporativas) y a usuarios cuyos credenciales estén filtradas o reutilizadas. La combinación de bots inteligentes y bases de credenciales amplifica la eficacia de ataques como credential stuffing y toma de cuentas, y facilita venta de datos en mercados clandestinos. Además, la exposición de sesiones y configuraciones en servidores abiertos revela riesgos adicionales: fuga de información operativa, rutas de acceso a LLMs y pistas para escalar ataques.

Consecuencias reales: aumento de compromisos de cuentas, robo de fondos o beneficios, pérdida de datos personales y comerciales, y escalada de ataques automatizados que requieren respuestas a escala por parte de equipos de seguridad. A medio plazo, la accesibilidad pública de agentic pentesting frameworks y la existencia de revendedores de APIs LLM pueden reducir significativamente la barrera técnica para actores menos sofisticados.

Medidas concretas que deberían tomar los responsables de seguridad: primero, realizar un hunt activo buscando indicadores ligados a esta campaña: conexiones inusuales hacia la IP 38.244.50[.]120 y hacia servicios de revendedores de LLMs, archivos de configuración de agentes expuestos, hilos o sesiones de Claude en repositorios públicos y picos de intentos de acceso automatizados. Aplicar filtrado de egress para bloquear dominios y endpoints sospechosos y restringir el acceso a APIs de modelos mediante whitelisting y autenticación fuerte. En la capa de aplicación, desplegar defensas contra credential stuffing: exigir MFA robusto (idealmente FIDO2/passkeys), implementar rate limiting y detección de velocidad/formulario, validar huellas de navegador y comportamiento humano, y usar scores de reputación para inicios de sesión. Para entorno de desarrollo y pruebas, auditar y restringir herramientas de pentesting internas: asegurar que instancias de ARTEX o similares solo corran en entornos controlados y que sus configuraciones jamás se expongan a directorios públicos.

Recomendaciones operativas adicionales: rotar claves de API que puedan haber quedado comprometidas, revisar logs de exfiltración y actividad anómala (picos de lectura de datos sensibles), y coordinar con proveedores de LLM para bloquear usos irregulares. Compartir indicadores con comunidades de respuesta y autoridades locales ayuda a frenar la redistribución de credenciales y la venta de datos. Para usuarios finales, activar MFA, no reutilizar contraseñas y vigilar notificaciones de accesos inusuales; en caso de sospecha, cambiar credenciales y denunciar accesos no autorizados.

Es importante distinguir la innovación legítima en pruebas de seguridad del abuso criminal: Autumn-27 ha anunciado que convertirá ARTEX en cerrado ante el mal uso reportado, y eso evidencia un dilema mayor en el ecosistema de herramientas agentic. Los defensores deben acelerar la adopción de controles técnicos (limitación de APIs, monitoreo egress, detección de automatización de navegador) y organizativos (políticas de uso de herramientas de IA y transparencia en proveedores) para mitigar una ola de ataques potenciados por LLMs.

Para seguir la investigación y obtener contexto adicional sobre los reportes técnicos, puede consultarse la cobertura de la firma que divulgó el caso y prensa especializada: CrowdStrike — Blog y análisis y The Hacker News, que han cubierto operaciones similares. Dado que quedan preguntas abiertas sobre atribución y alcance total del daño, las organizaciones afectadas deben asumir que la amenaza es persistente y tomar medidas defensivas inmediatas y verificables.