Surge un nuevo tipo de amenaza de ransomware

Los operadores de ransomware tradicionalmente han ido tras aquello que pueden monetizar rápidamente: bases de datos, registros financieros, archivos de clientes. Sin embargo, un actor de amenazas identificado como JADEPUFFER ha desplazado su enfoque hacia algo más especializado y, en cierto modo, más dañino: los modelos de IA y los datos de entrenamiento de los que las empresas dependen cada vez más para operar.

Según reportes recientes, JADEPUFFER ha escalado desde la extorsión automatizada de bases de datos hasta la destrucción intencionada de modelos de IA, desplegando un ransomware personalizado escrito en Go llamado ENCFORGE. En lugar de simplemente bloquear archivos para obtener un rescate, este malware está diseñado para cifrar y efectivamente destruir los modelos entrenados y los conjuntos de datos de los que dependen las organizaciones para sus operaciones de aprendizaje automático. Esta distinción es importante. Una base de datos a menudo puede restaurarse desde copias de seguridad con relativa rapidez. Un modelo de IA entrenado, construido a lo largo de meses o años de datos curados e inversión en cómputo, es mucho más difícil de reemplazar.

Por qué la infraestructura de IA es el nuevo objetivo

Lo que hace notable esta campaña no es solo la carga útil, sino el mecanismo de entrega. Se ha documentado que JADEPUFFER utiliza un enfoque de intrusión automatizado y basado en agentes, y esta no es la primera vez que sus herramientas impactan directamente la infraestructura de IA. Una campaña relacionada ya aprovechó una vulnerabilidad en Langflow, una plataforma de código abierto utilizada para construir y orquestar flujos de trabajo de agentes de IA, para obtener un punto de apoyo antes de desplegar ransomware. Ese incidente anterior, detallado en la cobertura de ransomware Encforge atacando servidores de IA a través de la vulnerabilidad Langflow CVE-2025-3248, muestra un patrón consistente: los atacantes buscan activamente herramientas y canalizaciones de desarrollo de IA como puntos de entrada, no solo como ideas secundarias.

Esto es relevante para cualquiera cuyos datos estén en contacto con un sistema de IA, ya sea una empresa que ejecuta canalizaciones internas de ML o un consumidor cuya información personal se utilizó para entrenar un motor de recomendaciones o un chatbot. Las canalizaciones de IA suelen ingerir y almacenar datos sensibles, desde registros de comportamiento del usuario hasta registros comerciales propietarios, durante el proceso de entrenamiento y ajuste de modelos. Cuando el ransomware ataca esa canalización, el riesgo no es solo que las operaciones se detengan. Es que los datos subyacentes, que potencialmente incluyen información personal o sensible, puedan quedar expuestos, exfiltrados o perderse por completo incluso antes de que se realice el cifrado.

La evolución desde la extorsión genérica de bases de datos hacia la destrucción selectiva de modelos de IA también señala una tendencia más amplia que vale la pena observar: los atacantes están tratando la infraestructura de IA como objetivos de alto valor y alto poder de negociación. Los datos de entrenamiento y los modelos representan una inversión significativa y, a menudo, están menos protegidos por los procesos tradicionales de copia de seguridad y recuperación que las bases de datos convencionales, lo que los convierte en un blanco atractivo para la extorsión.

Qué significa esto para ti

Si eres una empresa o desarrollador que trabaja con herramientas de IA, este acontecimiento es una señal para reevaluar cómo se aseguran esos sistemas. Plataformas como Langflow y herramientas de orquestación similares están cada vez más presentes en entornos de producción, no solo en entornos aislados experimentales, y necesitan ser parcheadas y monitoreadas con el mismo rigor que cualquier sistema de cara al cliente. Vulnerabilidades como CVE-2025-3248 muestran que un solo fallo sin parchear en una herramienta de flujo de trabajo de IA puede convertirse en el punto de entrada para un despliegue completo de ransomware.

Para los usuarios cotidianos y consumidores, la conclusión es más indirecta pero igualmente importante. A medida que más servicios dependen de modelos de IA entrenados con datos de usuarios, un ataque que destruya o exfiltre esos datos de entrenamiento podría tener repercusiones, afectando la privacidad y disponibilidad de los servicios que usas regularmente. Es otro recordatorio de que la seguridad de los sistemas de IA detrás de las aplicaciones y plataformas que utilizamos importa tanto como la seguridad de las propias aplicaciones.

Construyendo una postura defensiva contra el ransomware dirigido a la IA

Las organizaciones que operan infraestructura de IA deben tratar los archivos de modelos y los conjuntos de datos de entrenamiento como activos críticos que requieren planes de copia de seguridad y recuperación específicos, separados de las copias de seguridad generales de TI. La segmentación de red entre los entornos de desarrollo de IA y los sistemas de producción puede limitar hasta dónde puede moverse un atacante después de una intrusión inicial. La aplicación regular de parches en las plataformas de orquestación de IA, la planificación de respuesta a incidentes adaptada específicamente a las canalizaciones de ML y el cifrado de datos en reposo son pasos prácticos que reducen la exposición a campañas como esta.

El giro de JADEPUFFER hacia el ransomware ENCFORGE es una señal clara de que los atacantes se están adaptando a donde reside ahora el valor: no solo en las bases de datos de clientes, sino en los sistemas de IA construidos sobre ellas. Mantenerse por delante de ese cambio significa tratar la seguridad de la infraestructura de IA como una prioridad central y no como una ocurrencia tardía.

Conclusiones prácticas:

  • Parchea rápidamente las plataformas de orquestación y flujo de trabajo de IA, especialmente fallos conocidos como CVE-2025-3248 en Langflow.
  • Mantén copias de seguridad separadas y probadas para modelos entrenados y conjuntos de datos de entrenamiento, no solo para bases de datos generales.
  • Segmenta los entornos de desarrollo y entrenamiento de IA de las redes de producción para limitar el movimiento lateral.
  • Elabora un plan de respuesta a incidentes que contemple específicamente el compromiso de las canalizaciones de ML, no solo las violaciones de datos tradicionales.
  • Cifra los datos sensibles de entrenamiento en reposo y monitorea los registros de acceso en busca de actividad inusual en torno a la infraestructura de IA.