Malware polimórfico con IA: cómo BlackMamba engaña a los antivirus

Investigadores de HYAS probaron un keylogger contra una solución de EDR (Endpoint Detection and Response) considerada líder del mercado. El resultado, repetido varias veces: cero alertas, cero detecciones. El nombre del experimento es BlackMamba, y el truco no está en un exploit sofisticado, sino en usar inteligencia artificial para reescribir el propio malware cada vez que se ejecuta.

Qué es el malware polimórfico

¿Qué hace que un malware sea "polimórfico"?

El malware polimórfico es aquel capaz de alterar su propio código en cada ejecución, manteniendo la función maliciosa pero cambiando la "firma" —el patrón que las soluciones de antivirus tradicionales usan para reconocer amenazas conocidas. El concepto no es nuevo, pero la IA generativa hizo que este proceso sea mucho más barato y eficaz de producir.

Cómo funciona BlackMamba

BlackMamba es un ejecutable aparentemente benigno que, al correr, hace una llamada en tiempo real a la API de OpenAI —un destino de alta reputación, que la mayoría de los sistemas de seguridad no trata como sospechoso. La respuesta de esa llamada es código malicioso recién sintetizado: la funcionalidad de keylogger, generada en el momento, ejecutada directamente en memoria a través de la función exec() de Python.

Esto significa que el componente malicioso nunca queda guardado en disco como archivo estático: existe solo en memoria, y se reescribe desde cero en cada ejecución. Como cada versión generada es sutilmente distinta de la anterior, las soluciones basadas en firmas (comparar el archivo con una lista de amenazas conocidas) simplemente no tienen nada que comparar.

La estrategia de los investigadores tuvo dos objetivos deliberados:

• Tráfico de red "limpio": como la comunicación maliciosa se disfraza de llamada normal a una API popular, no aparece como tráfico anómalo hacia un servidor de comando y control desconocido.
• Payload siempre nuevo: al generar código único en cada ejecución, la IA intenta garantizar que las soluciones de seguridad nunca vean exactamente el mismo malware dos veces.

Una vez activo, BlackMamba captura las teclas pulsadas —incluyendo nombres de usuario, contraseñas y números de tarjeta de crédito— y envía los datos robados a través de Microsoft Teams, usando un canal controlado por el atacante como destino de exfiltración.

Por qué esto preocupa más que un malware común

La defensa tradicional contra el malware depende fuertemente de reconocer patrones: hash del archivo, firma de código, comportamiento repetido en campañas anteriores. Un malware que se reescribe en cada ejecución rompe esa premisa de raíz: cada víctima recibe, en la práctica, una variante única.

Es la misma lógica de fondo detrás de las herramientas descritas en el post sobre WormGPT y FraudGPT: la IA no crea una categoría de ataque totalmente nueva, reduce drásticamente el costo y la habilidad técnica necesaria para ejecutar un ataque que antes exigía un desarrollador de malware experimentado.

Cómo está respondiendo la defensa

• Detección conductual en lugar de firmas — las soluciones modernas de EDR observan qué hace un proceso (llamadas de API, acceso al teclado, intentos de exfiltración), no solo cómo se ve el archivo.
• Monitoreo de tráfico hacia APIs de IA — llamadas inusuales a servicios como OpenAI desde procesos que normalmente no deberían hacerlas pasan a ser una señal de alerta.
• Restricción de la ejecución dinámica de código — políticas que limitan el uso de funciones como exec() en entornos corporativos sensibles.
• Segmentación de red y privilegio mínimo — aunque el malware escape a la detección inicial, limitar lo que un proceso comprometido puede acceder reduce el daño.

El uso de canales legítimos como Microsoft Teams para la exfiltración de datos también refuerza la importancia de monitorear comportamiento anómalo incluso en herramientas corporativas confiables: volumen de tráfico, destino inusual, horario fuera de lo normal.

El otro lado de la misma tecnología

Es irónico que la defensa más eficaz contra el malware generado por IA también venga de la IA: los sistemas de detección conductual en SOC modernos usan machine learning justamente para identificar el tipo de anomalía que BlackMamba intenta esconder —llamada inusual a una API externa, ejecución dinámica de código, un proceso que nunca se comportó de esa manera antes. Ataque y defensa corren la misma carrera armamentista.

Vale recordar que el malware polimórfico no es la única forma en que la IA reduce la barrera técnica del cibercrimen. La misma lógica de "herramienta que hace el trabajo pesado por el criminal" aparece en la venta de chatbots sin filtro como WormGPT y FraudGPT, y en el phishing generado automáticamente descrito en el post sobre cómo la IA generativa cambió la calidad de los correos de estafa.

BlackMamba cierra el mismo ciclo mapeado en la guía de las estafas con IA más comunes en Brasil: herramientas industriales como esta y WormGPT abastecen las estafas más visibles del día a día, desde el phishing sin errores hasta el vishing.

Prueba de concepto hoy, amenaza real mañana

BlackMamba sigue siendo una prueba de concepto de investigación: no se encontró activamente en campañas reales al momento de la publicación original. Pero la lección estructural ya es válida: la defensa basada exclusivamente en firmas estáticas tiene los días contados. Las empresas que todavía dependen solo del antivirus tradicional, sin una capa de detección conductual, están apostando contra una tecnología que se vuelve más accesible cada año.