VEXAIoT: agentes LLM que encadenan reconocimiento y explotación de IoT en laboratorio

¿Qué es esto?

VEXAIoT («Vulnerability EXploitation using AI agents for IoT») es un marco de investigación, publicado en arXiv el 13 de julio de 2026 por Katherine Swinea, Kshitiz Aryal, Lopamudra Praharaj y Maanak Gupta, que conecta dos agentes basados en grandes modelos de lenguaje en una tubería ofensiva de extremo a extremo contra dispositivos IoT. Un agente se encarga del reconocimiento y la planificación; el otro selecciona las herramientas y ejecuta los pasos de explotación. A lo largo de 260 ejecuciones de ataque en entornos de prueba aislados y deliberadamente vulnerables, los autores reportan una tasa de éxito global del 95 %, completándose la mayoría de los ataques en menos de dos minutos.

El marco importante —expresado con claridad por los autores— es que todo se ejecutó únicamente contra objetivos de laboratorio deliberadamente vulnerables (IoTGoat, un firmware de entrenamiento basado en OpenWrt, y Metasploitable2), dentro de máquinas virtuales segmentadas. El artículo advierte explícitamente que sus resultados no deben interpretarse como prueba de que un sistema de IA pueda comprometer de forma fiable dispositivos reales arbitrarios. Lo que sí demuestra es hasta dónde ha llegado la automatización de un flujo de trabajo de pruebas de intrusión ya existente.

Cómo funciona

VEXAIoT reparte la cadena de ataque clásica entre dos agentes LLM que cooperan e intercambian sus salidas en bucle:

• Un agente de detección de vulnerabilidades realiza el reconocimiento, enumera los servicios y protocolos expuestos, asocia el software descubierto con vulnerabilidades conocidas y redacta un plan de ataque ordenado.
• Un agente de ejecución de ataque elige la herramienta o el script de exploit público adecuado, genera los comandos concretos, los ejecuta e informa. Si un paso falla, el bucle permite verificar, avanzar o reintentar con un enfoque modificado.

El marco orquesta herramientas ofensivas estándar y públicas, nada novedoso: Nmap para el escaneo, SearchSploit/Exploit-DB para emparejar vulnerabilidades con exploits públicos, y utilidades como Bettercap y John the Ripper durante la ejecución. En la configuración evaluada, los investigadores impulsaron ambos agentes con un modelo de razonamiento de vanguardia, y cada comando generado, plan y salida quedaba registrado y se mostraba a un humano, manteniendo un punto de supervisión en el bucle.

El valor que aporta la capa LLM es el de aglutinante: convierte objetivos vagamente especificados en invocaciones de herramientas, correlaciona las salidas del escaneo con exploits candidatos y gestiona la lógica de reintento que de otro modo realizaría un operador humano a mano. El artículo asocia sus diez escenarios con nueve categorías del OWASP IoT Top 10 —recuperación de credenciales por defecto, gestión insegura de actualizaciones, interceptación de credenciales, divulgación de información, etc.—. La fiabilidad fue mayor en los ataques con pasos deterministas y condiciones de éxito claras (varios escenarios alcanzaron el 100 % en sus pruebas), y menor en los ataques específicos de un servicio, donde la construcción de comandos y la variabilidad del entorno pesan más. De los fallos observados, una parte notable provino del rechazo del modelo o de comandos malformados: los límites de seguridad y fiabilidad del modelo subyacente, no de la tubería.

Por qué importa

Lo relevante no es una nueva clase de vulnerabilidad —cada técnica empleada aquí es una debilidad IoT documentada que ya cuenta con corrección—. Es la compresión de la carga de trabajo del operador. Reconocimiento, correlación de vulnerabilidades, selección de exploit, ejecución, validación y reintento son etapas que tradicionalmente exigen tiempo humano cualificado; conectarlas tras dos agentes cooperantes las reduce a una ejecución casi sin intervención que concluye en minutos. Esto rebaja el umbral de competencia para ataques oportunistas contra la enorme población de dispositivos IoT e integrados expuestos y mal parcheados, y significa que los defensores deben prever un aumento de la escala y la velocidad de los ataques de bajo coste, aunque no aumente la sofisticación.

Dos salvedades para ser honestos. Las altas tasas de éxito se midieron contra objetivos diseñados para ser vulnerados: representan un límite superior, no un rendimiento en campo. Y los rechazos y errores del propio modelo fueron una fuente real de fallo: el entrenamiento de seguridad y la generación frágil de comandos aún imponen fricción. La conclusión defensiva es la misma en ambos casos: una flota IoT ya explotable por un humano paciente lo es ahora por un bucle automatizado, así que los fundamentos importan más, no menos.

Defensas

Los controles que neutralizan a VEXAIoT son las mismas bases de fortalecimiento IoT que atacan sus propios escenarios —y ese es precisamente el punto—:

• Eliminar las credenciales por defecto. Fuerce el cambio de credenciales en el primer arranque y bloquee los pares usuario/contraseña por defecto conocidos. La recuperación de credenciales por defecto era uno de los escenarios de la tubería.
• Reducir la superficie de servicios. Deshabilite servicios de red, protocolos e interfaces de gestión no utilizados (UPnP, telnet, puertas traseras de depuración/desarrollo) para que el reconocimiento encuentre menos que correlacionar.
• Parchear e inventariar el firmware. Mantenga un inventario de activos preciso y aplique actualizaciones; el paso de emparejamiento SearchSploit/Exploit-DB solo funciona si el dispositivo ejecuta una versión con un exploit público.
• Asegurar el canal de actualización. Firme y verifique las actualizaciones de firmware para que una gestión insegura de actualizaciones no pueda emplearse para entregar código.
• Cifrar el tráfico sensible. TLS y una validación correcta de certificados frustran la ruta de interceptación de credenciales por intermediario (man-in-the-middle).
• Centralizar y proteger los registros. Envíe los registros fuera del dispositivo a un almacenamiento a prueba de manipulaciones, para que los pasos de borrado de registros no eliminen las pruebas y la detección de anomalías pueda señalar el patrón rápido y programado de escaneo-y-explotación que producen estos agentes.
• Segmentar la red. Aísle los dispositivos IoT y OT de las redes corporativas generales y de Internet; un dispositivo expuesto es lo que hace viable, en primer lugar, una ejecución agéntica sin supervisión.

Ninguna de estas medidas es nueva. Lo que VEXAIoT cambia es la relación coste-beneficio: la tarea tediosa que antes protegía a los dispositivos descuidados —las horas humanas que un atacante debía invertir— es justamente la parte que se automatiza.

Estado

Elemento	Detalle
Tipo	Marco de investigación (artículo académico)
Publicación	arXiv 2607.09653, 13 de julio de 2026
Autores	K. Swinea, K. Aryal, L. Praharaj, M. Gupta
Probado contra	IoTGoat (OpenWrt) y Metasploitable2, VM aisladas
Resultado reportado	~95 % de éxito en 260 ejecuciones; la mayoría de ataques < 2 min
Alcance	Nueve categorías del OWASP IoT Top 10 en diez escenarios
Alcance real	Los autores advierten explícitamente que los resultados no implican un compromiso fiable de dispositivos reales arbitrarios