Los agentes de IA pueden vulnerar redes corporativas de prueba de forma autónoma
Vals AI descubrió que los agentes autónomos pueden moverse por redes corporativas simuladas y obtener acceso de administrador sin ayuda humana.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Vals AI informó el 7 de noviembre de 2026 que los modelos de pesos abiertos se acercaron mucho a los sistemas de frontera restringidos en sus pruebas CyberOffense: Deepseek V4.1 Flash 1017 alcanzó el 72.8 por ciento de los objetivos de Nova, frente al 80.8 por ciento de GPT-6 Sol Daybreak, con un coste de unos $3 por ejecución en lugar de aproximadamente $22. Esto importa porque las mismas habilidades agénticas que permiten automatizar intrusiones también pueden usarlas ya los defensores para poner a prueba y reforzar sus propias redes.
Qué descubrió Vals
Vals creó un benchmark llamado CyberOffense que simula redes corporativas realistas. Cada agente parte de una máquina Kali Linux aislada, con solo una dirección web pública y sin ayuda humana, y debe pasar de una aplicación web a sistemas Windows y a accesos con más privilegios. En el escenario Nova, GPT-6 Sol Daybreak quedó en cabeza en general, mientras que Deepseek se mantuvo cerca y a un coste mucho menor. En el escenario Lighthouse, más difícil, la tabla muestra a Meta Wonder con 28 de 31 objetivos, a GPT-6 Sol Daybreak con 27 y a Deepseek V4.1 Flash 1017 con 21.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Por qué es importante
Según Vals, las ejecuciones largas son clave para entender lo que estos sistemas pueden hacer de verdad. Al parecer, Deepseek no logró nada en sus primeros 25 millones de tokens y obtuvo la mayor parte de sus avances solo después de 100 millones, lo que significa que las pruebas cortas pueden subestimar la capacidad de los modelos abiertos. Esto coincide con investigaciones anteriores. El AI Security Institute del Reino Unido afirmó en julio que la distancia entre los modelos de frontera abiertos y cerrados en tareas de ciberseguridad se había reducido a entre cuatro y siete meses, frente a los seis a diez meses de la mayor parte de 2025. El mismo estudio también halló grandes diferencias de precio: una ejecución en un cyber range con Deepseek V4-Pro costó $1.19, frente a $85 con Anthropic Opus 4.5. Por su parte, Anthropic informó de que GLM-5-3 podía crear exploits casi al mismo nivel que Mythos, su mejor modelo interno.
Qué pueden hacer ya los equipos de seguridad
- Volver a probar las aplicaciones expuestas a internet, los sistemas de identidad y las rutas de privilegios con ejercicios de red team al estilo de los agentes, no solo con comprobaciones puntuales y limitadas.
- Presupuestar evaluaciones más largas. Las ejecuciones cortas pueden pasar por alto lo que un modelo es capaz de hacer tras decenas o cientos de millones de tokens.
- Dar por hecho que los modelos de pesos abiertos se usarán con fines ofensivos una vez que sus pesos sean públicos, porque los controles de acceso de un proveedor dejan de aplicarse.
- Usar el mismo tipo de modelos en defensa para encontrar rutas débiles antes que los atacantes, sobre todo en puntos de entrada web, equipos Windows y permisos de administrador.
¿Qué es el benchmark CyberOffense de Vals?
Es un entorno de pruebas que simula redes corporativas realistas. Un agente de IA parte de una máquina de ataque aislada con solo una dirección web pública y debe descubrir y ejecutar los pasos necesarios para adentrarse en la red y alcanzar objetivos con más privilegios.
¿Qué modelo obtuvo los mejores resultados según Vals?
GPT-6 Sol Daybreak logró el mejor resultado en Nova, con el 80.8 por ciento de los objetivos. En la tabla de Lighthouse, Meta Wonder alcanzó 28 de 31 objetivos, seguido muy de cerca por GPT-6 Sol Daybreak con 27.
¿Significa esto que los modelos abiertos ya son mejores que los cerrados?
No en todos los aspectos. Los modelos cerrados siguen liderando en algunas métricas, pero la distancia es menor que antes y algunos modelos abiertos son mucho más baratos, por lo que la tendencia general importa más que cualquier puesto concreto en la clasificación.
¿Por qué son tan importantes las ejecuciones largas?
Porque algunos modelos apenas muestran avances al principio y luego mejoran de forma notable con presupuestos de tokens mucho mayores. Según Vals, Deepseek hizo la mayor parte de sus progresos solo después de 100 millones de tokens, así que las pruebas cortas pueden no reflejar su verdadero techo.


