Vulnerabilidad LLM 2026: 182 credenciales expuestas en APIs de OpenAI, Anthropic y Google

El fallo que dejó expuestos 182 credenciales en APIs de LLMs

Un equipo de investigadores descubrió que los bloques de razonamiento encriptados que devuelven las APIs de Anthropic, OpenAI y Google pueden ser reutilizados entre sesiones, usuarios y modelos distintos, permitiendo extraer el pensamiento interno de modelos de IA de vanguardia. Según el paper publicado el 10 de agosto de 2026, los investigadores decodificaron 315.320 bloques de repositorios públicos y recuperaron 367 artefactos de información personal y 182 credenciales, incluyendo claves de API y contraseñas.

El ataque funciona porque los proveedores usan una misma clave global de encriptación para toda su infraestructura, en lugar de claves específicas por cuenta o sesión. Esto significa que un bloque encriptado generado por un modelo avanzado como Claude Opus 4.8 puede ser inyectado en un modelo más débil como Claude Haiku 4.5, que al tener menos restricciones de seguridad transcribe el razonamiento interno en texto plano.

Por qué esto importa para tu startup de IA

Si tu startup desarrolla agentes de IA o integra APIs de LLMs, esta vulnerabilidad tiene tres implicaciones directas:

1. Tus logs de sesión pueden contener secretos invisibles
Cuando compartes logs de agentes en GitHub, gists o reportes de bugs, los bloques encriptados que parecen ruido aleatorio pueden contener información sensible que el modelo razonó pero nunca mostró en su respuesta visible. Los investigadores encontraron que muchos desarrolladores habían expuesto claves de API y credenciales sin saberlo.

2. El anti-distillation como defensa tiene un agujero
Las empresas de IA ocultan el chain-of-thought para proteger su propiedad intelectual y evitar que competidores entrenen modelos derivados. Esta vulnerabilidad debilita esa barrera: puedes extraer el razonamiento de un modelo frontera sin atacarlo directamente.

3. Los ataques de prompt injection pueden volverse invisibles
Un payload malicioso escondido dentro de un bloque encriptado es indetectable para revisiones humanas y scanners de logs, ya que parece ruido criptográfico normal. Esto representa una nueva vía de ataque para comprometer pipelines agenticos públicos.

Cómo proteger tus integraciones de LLM en 2026

Acción inmediata #1: Audita tus logs compartidos
Busca en tus repositorios, gists y posts cualquier sesión de agente que hayas compartido públicamente. Identifica bloques Base64 largos en campos como thinking, reasoning o signature. Según el paper, 315.320 bloques ya fueron decodificados de repositorios públicos.

Acción inmediata #2: Rota todas las credenciales expuestas
No solo las que aparecen en el transcript visible. Cualquier cosa que el agente pudo haber leído y razonado durante esa sesión: claves de API, tokens, URLs de bases de datos, credenciales en archivos de configuración. Los investigadores recuperaron 62 claves de API únicas, 33 contraseñas y 33 direcciones de email.

Acción a mediano plazo #3: Implementa validación de entrada estricta
Si tu aplicación reenvía contenido proporcionado por usuarios a una API de LLM, un atacante que pueda inyectar JSON en tu flujo de conversación puede inyectar sus propios bloques de razonamiento. Esto amplifica los riesgos de scraping de repositorios.

El contexto histórico que anticipó este problema

Según explainx.ai, el 29 de mayo de 2026 el criptógrafo Matthew Green de Johns Hopkins ya había reportado que estos bloques podían ser reutilizados dentro de una sesión, entre sesiones y entre cuentas separadas. En ese momento, OpenAI calificó el reporte como «irreproducible» y Anthropic dijo que no veía implicaciones de seguridad en canales laterales o reutilizaciones.

Diez semanas después, un paper de 116 páginas demuestra extracción de credenciales a escala, robo de razonamiento entre modelos e inyección de prompts invisible construida sobre la misma falla subyacente. Esta discrepancia entre reporte temprano y respuesta de los proveedores muestra cómo la presión por lanzar rápido puede llevar a omitir trabajo básico de seguridad.

Qué están haciendo los proveedores y qué debes esperar

Los tres proveedores principales (Anthropic, OpenAI y Google) reconocieron la recepción del reporte y según los investigadores, ya no es posible lanzar los mismos ataques en las builds actuales de sus APIs. Las mitigaciones propuestas en el paper incluyen:

• Vincular bloques a un identificador de sesión (evita reutilización entre sesiones)
• Derivación de clave por cuenta (aisla entre cuentas y garantías de zero-data-retention)
• Vincular bloques al modelo emisor (evita el jailbreak entre modelos)
• Rotación de claves (expone menos tiempo las claves globales)

Para startups que dependen de estas APIs, el mensaje clave es: «encriptado» no significa «aislado». Un blob que tú no puedes leer puede ser legible por alguien que pueda reutilizarlo en un modelo cooperativo.

Cómo afecta esto al ecosistema hispanohablante de startups

En LATAM y España, donde el capital de riesgo es más escaso y la ingeniería debe ser más eficiente, esta vulnerabilidad tiene implicaciones particulares:

1. Startups que entrenan modelos propios
Si estás usando APIs de LLMs para generar datos de entrenamiento o fine-tuning, ahora debes considerar que el razonamiento que obtienes podría estar filtrado. Esto afecta especialmente a startups que compiten en nichos donde la propiedad intelectual del razonamiento es clave.

2. Consultoras de implementación de IA
Las empresas que implementan soluciones de IA para clientes deben ahora auditar no solo el código visible, sino también los logs de sesión que dejan en sistemas de clientes. Un bloque encriptado olvidado en un log de debug podría exponer secretos corporativos meses después.

3. Plataformas de low-code/no-code con IA
Las herramientas que permiten a no-programadores construir flujos con LLMs ahora deben incluir sanitización automática de bloques de razonamiento antes de permitir compartir sesiones. Esto añade complejidad pero es esencial para la seguridad del usuario final.

Conclusión

La vulnerabilidad en las APIs de LLMs revela una falla arquitectónica fundamental: la criptografía mal implementada puede crear una falsa sensación de seguridad. Para founders hispanohablantes que integran IA en sus productos, las lecciones son claras:

1. Trata los logs de agentes como artefactos sensibles – no como ruido benigno
2. Implementa rotación de credenciales proactiva – especialmente después de compartir sesiones
3. Exige transparencia a los proveedores – sobre cómo implementan aislamiento criptográfico
4. Invierte en validación de entrada – más que nunca, lo que entra en tu pipeline de IA determina lo que sale

El paper «Stealing Reasoning Traces from Proprietary LLM APIs» (arXiv:2608.09867) marca un punto de inflexión en cómo la comunidad técnica debe pensar sobre la seguridad de las APIs de IA. Lo que parecía un detalle de implementación resulta ser una puerta trasera hacia los pensamientos más privados de los modelos más avanzados.

Fuentes

• Stealing Reasoning Traces from Proprietary LLM APIs (fuente original)
• Stealing Reasoning Traces: The Encrypted Chain-of-Thought Flaw in Every Frontier LLM API (análisis técnico)
• OpenAI, Anthropic, and Google LLM APIs vulnerability Exposes Hidden Reasoning Traces (reporte de seguridad)

Artículos relacionados:

FortiBleed: 73.932 firewalls Fortinet comprometidos en 2026 Seguridad de agentes IA: zero trust y credenciales Credenciales Anónimas: Verificación de Edad sin Exponer Datos OneCLI: bóveda de credenciales para agentes AI en Rust Ransomware y Machine Credentials: El Punto Ciego Fatal