Phantom squatting: la nueva amenaza de phishing impulsada por IA que inventa dominios inexistentes

Los grandes modelos de lenguaje están generando un nuevo vector de ataque que merece atención inmediata: inventan direcciones web plausibles que no existen, y los delincuentes las compran al vuelo para convertirlas en trampas de phishing. Palo Alto Networks Unit 42 ha bautizado esa táctica como phantom squatting y la ha encontrado ya operando en condiciones reales, con casos en los que los modelos sugirieron dominios inexistentes y, semanas después, esos mismos nombres fueron registrados y usados para robar datos financieros y credenciales.

El peligro central es la transferencia automática de confianza: desarrolladores, asistentes y agentes automatizados tienden a tratar un enlace que les da un modelo como si fuera verídico. Cuando el dominio no existía en el momento de la generación, quien lo registra primero hereda esa confianza sin necesidad de campañas de correo masivo ni anuncios maliciosos; basta con que una herramienta confiable redirija a la víctima. Unit 42 sometió a modelos preguntas sobre cientos de marcas y obtuvo millones de enlaces, muchos de los cuales eran inventos consistentes entre modelos y ajustes, lo que los vuelve predecibles para un atacante.

Que estos dominios no provengan de memorias directas del entrenamiento sino de los patrones estadísticos del modelo es especialmente inquietante: significa que la aparición repetida de una misma dirección ficticia no es un error aleatorio sino un comportamiento reproducible. Esa consistencia convierte la amenaza en algo aprovechable a gran escala: un atacante que rastrea las salidas de un modelo o que conoce las pautas de generación puede anticipar y registrar dominios antes que nadie.

La naturaleza efímera de un dominio recién registrado juega a favor del atacante. Los servicios de reputación, blocklists y feeds de amenazas necesitan evidencia de abuso para reaccionar; un dominio recién creado no tiene historial ni señales y por tanto pasa desapercibido hasta que hace daño. En los incidentes documentados por Unit 42, dominios predichos por los modelos fueron convertidos en clones exactos de tiendas y bancos, con kits de phishing que capturaban tarjetas y documentos, e incluso en operaciones que distribuían aplicaciones maliciosas para Android.

Esto no es un fenómeno aislado: hay antecedentes en ecosistemas de desarrollo donde modelos generadores de código proponen nombres de paquetes que no existen y atacantes registran esos nombres para distribuir malware o backdoors —un vector conocido como slopsquatting—. La lección es la misma cuando la salida del modelo se convierte en entrada operacional: si se actúa sin verificar, la ventana temporal de reacción es corta y costosa.

Para empresas y equipos de seguridad, las opciones defensivas existen y deben aplicarse con urgencia. Es posible mapear predictivamente las direcciones que un modelo tenderá a inventar y monitorizar su registro, así como establecer alertas tempranas frente a registros nuevos que coincidan con esos patrones. También es efectivo imponer controles en agentes y asistentes para que no abran ni descarguen contenido desde enlaces generados por modelos sin validación humana o automatizada previa, y usar comprobaciones de reputación en tiempo real (por ejemplo, con APIs de navegación segura y consultas DNS/WHOIS) antes de permitir interacciones sensibles.

Para usuarios y desarrolladores individuales la regla más práctica es clara: no confiar ciegamente en un enlace proporcionado por una IA. Confirme que el dominio corresponde a la web oficial antes de introducir contraseñas o claves, revise certificados TLS, y active buenas prácticas como autenticación multifactor y políticas de allowlist en agentes automatizados. Las organizaciones deben considerar también compras defensivas selectivas, acuerdos con registradores y servicios de protección de marca, aunque esa estrategia puede resultar cara a escala.

Los proveedores de modelos y plataformas deben asumir responsabilidad técnica: instrumentar los outputs para marcar enlaces generados por IA, ofrecer herramientas integradas de verificación de dominio y diseñar mecanismos para reducir la probabilidad de que los modelos produzcan nombres factibles pero inexistentes. A nivel de arquitectura, algunas limitaciones de los modelos hacen que la generación de estos falsos positivos sea difícil de erradicar por completo, por lo que la mitigación operativa y de procesos será clave.

La buena noticia es que la predictibilidad del fenómeno deja una oportunidad defensiva: las empresas pueden adelantarse mapeando los “patrones de invención” de los modelos que usan, monitorizando registros y desplegando bloqueos o sinkholes antes de que los dominios sean explotados. Para recursos y pautas prácticas sobre cómo protegerse frente al phishing y abusos de dominios, consulte las investigaciones de respuesta a incidentes en seguridad como las publicadas por Unit 42 de Palo Alto Networks y las recomendaciones operativas de seguridad en internet como las guías de navegación segura de proveedores y autoridades, por ejemplo la documentación técnica de Google Safe Browsing en developers.google.com/safe-browsing.

En última instancia, el problema esencial es de confianza: la IA amplifica tanto la utilidad como el riesgo de atajos no verificados. Si los defensores no anticipan y vigilan estos dominios inventados, el premio de llegar primero será para los atacantes. La respuesta pasa por combinar controles técnicos, procesos de verificación y formación: tratar la salida de un modelo como un borrador que requiere validación antes de convertirse en acción.