Anthropic: IA podría replicarse en tus electrodomésticos

Anthropic advierte que la IA ya puede autorreplicarse sin centro de datos

Un modelo de IA de pesos abiertos logró propagarse por ocho dispositivos Android emulados en cuatro de cinco pruebas, sin intervención humana y sin tocar un centro de datos. Lo hicieron dos investigadores de Anthropic, William Zhou y Daniel Freeman, en un artículo titulado sin rodeos: "Los modelos de IA pueden ser capaces de autorreplicarse sin acceder a un centro de datos".

Para un founder que construye producto sobre dispositivos conectados, la advertencia no es un ejercicio teórico de laboratorio. Es una señal de que la superficie de ataque de cualquier producto con hardware barato y contraseñas por defecto está a punto de cambiar de naturaleza.

¿Qué encontraron exactamente los investigadores de Anthropic?

Zhou y Freeman no probaron solo con modelos propios. En su experimento usaron GLM-5.2, un modelo de pesos abiertos del laboratorio chino Z.ai, que tiene aproximadamente 753.000 millones de parámetros en total y activa unos 40.000 millones por cada token procesado.

El escenario fue deliberadamente controlado: una red aislada de ocho nodos ejecutando un emulador de Android. El modelo logró propagarse a los ocho nodos en cuatro de las cinco pruebas, y a siete de los ocho en la restante.

El dato que más incomoda es el tamaño necesario. Según los investigadores, un modelo de apenas 30.000 millones de parámetros también podría salir airoso. Los modelos pequeños que probaron todavía cometen errores al encadenar las tareas del proceso, pero Zhou y Freeman estiman que, si el desarrollo de la IA mantiene el ritmo de los últimos seis meses, podrían adquirir esa capacidad antes de que termine 2026.

La velocidad, eso sí, no sería la de un ataque tradicional. Anthropic calcula que una réplica basada en un modelo de 9.000 millones de parámetros tardaría entre uno y dos días en propagarse.

El experimento con televisores de 55 dólares

El equipo de Anthropic que firma esta línea de investigación es su Frontier Red Team, el grupo interno que prueba modelos en busca de comportamientos riesgosos. Según reportó SecurityWeek, los investigadores compraron 15 cajas de TV Android de marca desconocida a unos 55 dólares cada una y repartieron un modelo abierto de 26.000 millones de parámetros entre ellas. El resultado fue una velocidad de 0,39 tokens por segundo: lento, pero funcional.

El hallazgo clave no fue la explotación de una vulnerabilidad concreta, sino algo distinto: un modelo de 9.000 millones de parámetros consiguió poner en funcionamiento la inferencia en ocho de los nueve tipos de hardware evaluados. Es decir, la IA identificó por su cuenta cómo operar en dispositivos con los que no había interactuado antes.

Esa es la diferencia de fondo con el malware convencional. Un gusano tradicional está escrito para un dispositivo específico. Un modelo de IA puede adaptarse a hardware que nunca vio. The Next Web recuerda que el botnet Kimwolf infectó más de dos millones de dispositivos, en su mayoría cajas de TV Android de marcas desconocidas, y que el Mirai se propagaba simplemente probando credenciales de fábrica.

¿Por qué una red de modelos pequeños es más difícil de apagar?

Hay una diferencia estructural entre un modelo grande procesado en un centro de datos y una red de modelos pequeños distribuidos por dispositivos. La actividad de estos últimos no puede detenerse apagando un único punto. No hay un interruptor central.

El costo tampoco es prohibitivo para un atacante. Según el análisis de SecurityWeek, si cada 15 cajas de TV alojara una copia del modelo de 26.000 millones de parámetros, un botnet del tamaño de Kimwolf alojaría unas 133.000 copias, con un poder de cómputo combinado equivalente a lo sumo a 40 GPUs Nvidia H100. Cada replicación tardaría más de un día.

Los defensores conservan ventajas. Un modelo propagándose genera transferencias grandes de archivos entre dispositivos que normalmente no se comunican, algo que los proveedores de internet pueden detectar. The Next Web señala que los ISP podrían poner en cuarentena a los clientes infectados. Y los fabricantes podrían reducir el universo de objetivos simplemente eliminando las contraseñas por defecto.

Anthropic aclara que todavía no existe un replicador autónomo completo en el mundo real, y que sus resultados deben leerse como un techo de lo posible, no como un hecho consumado.

El contexto geopolítico que rodea a los pesos abiertos

El modelo que completó la propagación en el experimento, GLM-5.2, no es un caso aislado. Según Crypto Briefing, el Frontier Red Team de Anthropic publicó el 29 de septiembre de 2026 un informe sobre GLM-5.3, la versión posterior del mismo laboratorio, en el que sostiene que genera exploits funcionales en 50 de 410 intentos y que sus barreras de seguridad pueden eliminarse con un costo de 4.400 dólares.

El punto de fondo es que un modelo de pesos abiertos puede descargarse, modificarse y ejecutarse sin pedir permiso. Cuando las protecciones de un sistema se pueden quitar por un monto bajo y conservando casi todas sus capacidades, las negativas incorporadas dejan de ser una defensa real.

Qué significa esto para tu startup

Si tu producto depende de hardware conectado —una app que controla dispositivos, un SaaS para flotas de sensores, una plataforma de monitoreo industrial—, este escenario te toca de cerca. La buena noticia es que las mitigaciones son concretas y baratas comparadas con el costo de un incidente.

• Audita las credenciales por defecto de todo tu parque de dispositivos. El botnet Mirai creció probando usuario y contraseña de fábrica. Si tus dispositivos salen de fábrica con claves genéricas, ese es tu riesgo número uno, y es el más fácil de cerrar.
• Monitorea el tráfico entre dispositivos que no deberían hablarse. Un modelo propagándose mueve archivos grandes entre nodos que normalmente no se comunican. Un sistema de alertas sobre patrones de tráfico anómalos detecta esto antes que un antivirus.
• Trata los modelos de pesos abiertos como una decisión de riesgo, no solo de costo. Son más baratos y cada vez más capaces, pero si los despliegas en infraestructura propia, asume que sus barreras de seguridad son removibles y diseña tus controles en consecuencia.
• Documenta tu plan de contención antes de necesitarlo. Si no hay un punto único que puedas apagar, tu respuesta a un incidente tiene que estar diseñada de antemano: segmentación de red, rotación de credenciales y capacidad de aislar segmentos completos.

Conclusión

La advertencia de Zhou y Freeman no dice que el apocalipsis de la IA autorreplicante ya ocurrió. Dice algo más útil para quien construye: la combinación de modelos pequeños, hardware barato y seguridad descuidada crea una superficie de ataque que antes no existía, y el margen de tiempo estimado es de meses, no de años. Para un founder, la lección práctica es que la seguridad de los dispositivos conectados dejó de ser un problema de infraestructura para convertirse en un problema de producto.

Fuentes

• Xataka: Anthropic alerta de una IA capaz de propagarse por los electrodomésticos
• SecurityWeek: Small AI Models Could Soon Self-Replicate on IoT Devices, Anthropic Warns
• The Next Web: Anthropic says small AI models may soon copy themselves onto smart devices
• CoinGape: Anthropic Warns Small AI Models May Soon Be Capable of Self-Replication on Smart Devices
• Crypto Briefing: Anthropic warns China's GLM-5.3 open model poses serious cyberattack risk