La advertencia sobre un gusano de IA de Anthropic expone una amenaza que aún no puede ejecutarse en sus objetivos

Anthropic afirma que un gusano de IA podría eventualmente propagarse entre dispositivos de consumo sin un centro de datos, pese a una decisiva brecha de hardware en sus experimentos actuales.

La investigación del 12 de octubre no documenta un modelo rebelde que haya escapado al mundo real. Combina dos demostraciones controladas que arrojan luz sobre distintas partes de una posible cadena de replicación. Una mostró a un modelo pequeño configurando la inferencia en hardware diverso. La otra utilizó un modelo mucho mayor para coordinar la replicación a través de una red simplificada.

Esa distinción define la historia. Anthropic identificó ingredientes para una replicación descentralizada y autónoma, pero no un único modelo que los combine en objetivos realistas. El orquestador capaz sigue siendo demasiado grande para dispositivos económicos. Los modelos que caben en esos dispositivos no pueden completar de forma fiable todo el proceso.

Esto sigue siendo más que una advertencia especulativa. Los estudios previos sobre replicación de IA generalmente se centraban en copiar un agente dentro de entornos informáticos convencionales. El trabajo de Anthropic plantea si los pesos de los modelos podrían convertirse en cargas útiles de malware y operar directamente en hardware periférico comprometido.

La amenaza resultante del gusano de IA de Anthropic se sitúa entre un prototipo de investigación y una advertencia operativa. Su importancia depende de si la capacidad de los modelos y la eficiencia del hardware convergen antes de que los defensores aseguren los dispositivos que podrían alojarlo.

Lo que realmente mostraron los experimentos de Anthropic con gusanos de IA

Anthropic demostró dos componentes importantes de la replicación autónoma, pero no los combinó en un gusano funcional para el mundo real.

El estudio del 12 de octubre procede de los investigadores William Zhou y Daniel Freeman del Frontier Red Team de Anthropic. Examina la replicación y adaptación autónomas, o ARA, lo que significa que un sistema de IA se despliega y propaga sin control humano.

Un gusano convencional copia código ejecutable entre ordenadores. El replicador propuesto por Anthropic, basado en pesos, también transportaría o descargaría pesos de modelos de IA. Esos pesos permitirían al malware razonar sobre máquinas desconocidas y ajustar su comportamiento mientras se propaga.

Los investigadores dividieron la replicación en cuatro etapas. El sistema debe encontrar objetivos, lograr la ejecución, establecer la inferencia del modelo y continuar la propagación desde cada host recién infectado.

Su estudio se concentró en la configuración de la inferencia, la tercera etapa. Esa tarea requiere elegir software compatible, instalar dependencias, resolver conflictos de hardware y recuperarse de errores. Cada decisión depende de que los pasos anteriores funcionen correctamente.

Anthropic probó si los modelos de pesos abiertos podían configurar la inferencia de Llama 3.1 8B en nueve tipos de hardware. Los objetivos incluían máquinas con Apple silicon, hardware NVIDIA, aceleradores de Google, aceleradores AMD y procesadores de servidor convencionales.

Qwen3.5-9B estableció una inferencia funcional en ocho de los nueve tipos de hardware. Este resultado sugiere que un agente relativamente pequeño puede desenvolverse en entornos informáticos desconocidos y montar una pila de inferencia compatible.

Ese experimento no fue una prueba de infección. Los dispositivos estaban disponibles para el agente y el objetivo se proporcionó explícitamente. El resultado mide adaptabilidad técnica después de obtener acceso, no la capacidad de encontrar y comprometer objetivos arbitrarios conectados a internet.

Anthropic distribuyó por separado Gemma4-26B-A4B entre 15 dispositivos Android TV de marcas desconocidas. El paralelismo de canalización, un método que asigna distintas capas del modelo a máquinas separadas, permitió que los dispositivos procesaran colectivamente un modelo.

El sistema generó 0,39 tokens por segundo. Esto basta para demostrar que el hardware de consumo de bajo coste puede alojar inferencia distribuida de modelos. Es demasiado lento para el comportamiento fluido de los agentes asociado con los asistentes alojados en la nube.

Cada dispositivo contaba con cuatro gigabytes de memoria. Anthropic afirma que los dispositivos de este mercado suelen ofrecer entre uno y cuatro gigabytes, lo que hace que la configuración probada sea más capaz que muchos objetivos potenciales.

Un tercer experimento probó la propagación de extremo a extremo dentro de una red en la nube protegida por firewall. Ocho nodos ejecutaban emuladores de Android 15 y exponían puertos de Android Debug Bridge sin autenticación. ADB es una interfaz de mantenimiento que permite comandos y transferencias de archivos en dispositivos Android.

GLM-5.2 alcanzó los ocho nodos en cuatro de cinco pruebas. Alcanzó siete nodos en la prueba restante. El agente transfirió una carga útil, configuró la inferencia de Llama 3.1 8B y continuó la secuencia desde nodos recién alcanzados.

Sin embargo, GLM-5.2 no se ejecutó en esos objetivos Android. El modelo operó a través de un servidor de inferencia independiente porque era demasiado grande para ellos. El experimento generó otra instancia del orquestador después de que el servidor de inferencia más pequeño superara sus comprobaciones.

La red también eliminó un obstáculo importante del mundo real. Sus puertos ADB no requerían autenticación, por lo que el agente no tuvo que descubrir ni explotar una vulnerabilidad.

La evaluación técnica de Tom’s Hardware resume la limitación resultante. Un gran modelo externo completó la propagación simplificada, mientras que modelos más pequeños y desplegables se encargaron de configurar la inferencia, pero fallaron en la secuencia completa.

Ese es el punto de partida preciso. Los componentes individuales ya funcionan lo bastante bien como para merecer atención. El gusano de IA completo de Anthropic descrito en la advertencia aún no existe.

Por qué el hardware de consumo cambia la ecuación de seguridad

El cambio trascendental no es la potencia informática bruta. Es la posibilidad de que el malware lleve razonamiento adaptable a dispositivos fuera de la infraestructura centralizada.

Los centros de datos ofrecen valiosos recursos informáticos, pero también crean puntos de estrangulamiento defensivos evidentes. Los operadores pueden supervisar cargas de trabajo, revocar credenciales, aislar servidores y desconectar implementaciones sospechosas.

Un sistema distribuido que se ejecutara en hardware de consumo comprometido no tendría un interruptor central equivalente. Eliminar una instancia del modelo dejaría otras copias activas en redes y jurisdicciones no relacionadas.

Eso no significa que los electrodomésticos inteligentes rivalicen de repente con los clústeres modernos de IA. La demostración de Anthropic fue lenta, fragmentada y dependiente de dispositivos coordinados. Su importancia proviene de la persistencia y la escala, más que del rendimiento de una sola máquina.

Los investigadores comparan un posible sistema con un moho mucilaginoso digital. Cada unidad actuaría lentamente, pero la población en conjunto podría sobrevivir a fallos y seguir propagándose. Un período de duplicación medido en días aún podría producir una amenaza duradera si las infecciones permanecen sin detectar.

Los dispositivos del internet de las cosas son relevantes porque muchos reciben actualizaciones de seguridad de forma inconsistente. Pueden utilizar sistemas operativos antiguos, credenciales reutilizadas, interfaces de gestión expuestas o software de proveedores que los propietarios no pueden inspeccionar.

Las botnets tradicionales ya explotan esas condiciones. Mirai escaneaba dispositivos conectados protegidos por una breve lista de credenciales predeterminadas. Luego incorporaba máquinas vulnerables a una red utilizada para ataques de denegación de servicio distribuida.

El modelo propuesto por Anthropic cambia lo que ocurre después del acceso. Un gusano convencional sigue reglas escritas antes de su despliegue. Un agente podría inspeccionar un procesador desconocido, identificar su sistema operativo, probar paquetes de software y desarrollar otra ruta de instalación.

Esa flexibilidad podría reducir la necesidad de un atacante de preparar cargas útiles separadas para cada familia de productos. Un modelo no comprendería de inmediato todos los dispositivos, pero podría resolver diferencias que detienen al malware rígido.

Los resultados de Qwen3.5-9B ofrecen un respaldo limitado para esta afirmación. El modelo configuró la inferencia en sistemas marcadamente distintos, incluidas clases de hardware que requieren diferentes bibliotecas y opciones de despliegue.

Anthropic también utilizó un arnés llamado Memento para mejorar el rendimiento en tareas de larga duración. El arnés reemplazaba periódicamente a un agente atascado por una instancia nueva. Cada sucesor heredaba el espacio de trabajo y notas concisas que describían intentos anteriores.

Memento importa porque las tareas técnicas largas a menudo se desvían cuando un agente se aferra a un diagnóstico incorrecto. Una instancia nueva puede replantear el problema sin perder avances útiles.

Ese mecanismo de herencia también apunta hacia la adaptación durante la propagación. Anthropic permitió que instancias sucesivas de Qwen3.5-9B conservaran notas sobre estrategias exitosas y fallidas. La configuración de inferencia de primera generación tuvo éxito en el 45 por ciento de las ejecuciones.

Las generaciones posteriores registraron tasas de éxito de entre el 61 y el 84 por ciento. Los pesos del modelo no se reentrenaron por sí mismos. En cambio, los descendientes heredaron conocimiento operativo mediante archivos, código y notas escritas.

Esto se parece más a la resolución acumulativa de problemas que a la evolución biológica. Aun así, ofrece a un agente replicante una forma práctica de mejorar sus procedimientos sin un clúster central de entrenamiento.

Los encuentros pasados con nuevo hardware podrían convertirse en recetas de despliegue para copias futuras. Una flota podría acumular configuraciones funcionales para distintos chipsets, sistemas operativos y diseños de red a medida que se propaga.

Anthropic también probó si un modelo pequeño podía consultar a un modelo más potente cuando se quedaba atascado. Dar a Qwen3.5-9B acceso a Opus 4.8 no produjo una mejora medible.

El modelo más pequeño a menudo no logró reconocer qué preguntas debía plantear. Los consejos no solicitados tampoco resolvieron esa debilidad. Este resultado cuestiona un atajo sencillo en el que un modelo periférico débil simplemente toma prestada inteligencia mediante consultas ocasionales.

Un diseño heterogéneo sigue siendo plausible. Un modelo más potente podría dirigir la estrategia mientras agentes más pequeños realizan tareas locales. Sin embargo, esa arquitectura restauraría cierta dependencia de infraestructura externa y crearía más comunicaciones observables.

Por tanto, para los equipos de seguridad, el hardware de consumo cambia la ubicación del riesgo, no las leyes básicas de la computación. Los dispositivos débiles ofrecen persistencia y alcance. No eliminan las restricciones de ancho de banda, memoria, latencia o detección.

El gusano de IA de Anthropic tiene una brecha de capacidad y hardware

El principal obstáculo es un desajuste entre la inteligencia necesaria para una replicación fiable y el tamaño de modelo que pueden soportar los dispositivos objetivo débiles.

Anthropic describe este desajuste como un umbral de capacidad y un techo de hardware. Un replicador debe ser lo suficientemente competente para completar una larga cadena de decisiones técnicas. También debe ser lo bastante pequeño para ejecutarse en hardware comprometido.

GLM-5.2 superó el umbral de capacidad en la red simplificada de Anthropic. Sin embargo, no cabía en el entorno objetivo. Qwen3.5-9B y Gemma4-26B-A4B encajaban bajo el techo de hardware, pero ninguno completó de forma fiable toda la tarea de propagación.

Esos dos límites no se cruzan actualmente. Por eso la investigación no debe interpretarse como prueba de que el malware autónomo de IA ya se está propagando entre dispositivos domésticos.

El resultado más sólido también depende de condiciones de acceso deliberadamente favorables. Cada emulador Android exponía un puerto ADB sin autenticación. Una vez que el agente identificaba un objetivo, podía ejecutar comandos sin superar credenciales ni encontrar un fallo de software.

Anthropic califica este diseño como un límite superior del rendimiento en el mundo real. El estudio aísla intencionalmente la orquestación de agentes y la configuración de inferencia, en lugar de medir cada paso de la intrusión.

Los objetivos reales introducirían incertidumbre adicional. Los dispositivos podrían estar detrás de la traducción de direcciones de red, bloquear conexiones entrantes, restringir archivos ejecutables o usar kernels incompatibles. Algunos carecerían de memoria o almacenamiento suficientes.

Las conexiones entre fragmentos del modelo crean otra superficie de fallo. La inferencia distribuida requiere que las máquinas intercambien resultados intermedios en un orden predecible. Un dispositivo desconectado, reiniciado o sobrecargado puede interrumpir la cadena.

Anthropic eligió el paralelismo de canalización en parte porque un nodo fallido puede sustituirse con mayor facilidad que con otros métodos de distribución. Aun así, mantener sincronizados numerosos dispositivos comprometidos sería operativamente difícil.

La velocidad es una limitación igualmente grave. Basándose en el rendimiento medido, Anthropic estimó que Qwen3.5-9B necesitaría entre 28 y 51 horas para completar una trayectoria de configuración de inferencia.

La estimación correspondiente para Gemma4-26B-A4B fue de 71 a 150 horas. Esos periodos ofrecen a los operadores de red una amplia ventana de detección en comparación con el malware convencional, que se despliega en cuestión de segundos.

La carga de trabajo también requiere un contexto extenso. Anthropic descubrió que el rendimiento de los agentes disminuía considerablemente por debajo de una ventana de contexto de 32.000 tokens. Procesar ese contexto en equipos con memoria limitada añade horas a cada intento.

Los archivos de modelos grandes generan tráfico de red visible. Un host que recibe pesos de varios gigabytes se comportaría de forma distinta a un decodificador de televisión, una cámara o un electrodoméstico que realiza sus funciones normales.

La inferencia distribuida añadiría comunicaciones sostenidas entre dispositivos. El escaneo de red, los intentos repetidos de conexión, las descargas de paquetes y el tráfico saliente producirían más indicadores.

Cuanto más rápido se propaga un replicador, más tráfico genera. Si reduce su actividad para pasar desapercibido, su población crece más lentamente y los defensores reciben tiempo adicional para responder.

Las proyecciones de Anthropic merecen una cautela similar. Los investigadores representaron las mejoras de modelos destacados de pesos abiertos con no más de 30.000 millones de parámetros totales. Su línea de tendencia ganó 13,7 puntos anuales en el Epoch Capabilities Index.

Extrapolar esa tendencia sitúa a un modelo pequeño cerca del nivel de capacidad de GLM-5.2 para finales de 2026. Esa previsión supone que las mejoras en los benchmarks se trasladan a tareas de replicación de largo horizonte y continúan a un ritmo comparable.

Ninguna de las dos premisas está garantizada. La capacidad de los modelos puede mejorar de forma desigual, mientras que mejores resultados en benchmarks podrían no eliminar errores persistentes de planificación. Las nuevas arquitecturas también pueden requerir kernels más difíciles de desplegar en dispositivos antiguos.

Por ello, la cobertura independiente ha subrayado lo que el experimento no estableció. Un análisis de seguridad señaló que Anthropic nunca ejecutó un replicador totalmente autónomo en hardware IoT real.

La limitación no hace que la investigación sea irrelevante. Identifica un umbral medible que los defensores pueden vigilar. La amenaza se vuelve sustancialmente mayor cuando un modelo pequeño supera tanto los requisitos de capacidad como los de despliegue.

Hasta entonces, las descripciones de un gusano de IA imparable exageran las pruebas. Anthropic ha emitido una advertencia sobre una convergencia, no evidencia de que esa convergencia ya haya ocurrido.

En qué se diferencia de investigaciones anteriores sobre autorreplicación

Anthropic desplaza el debate de copiar un agente en un entorno preparado a operar entre máquinas heterogéneas y con recursos limitados.

La autorreplicación de IA no comenzó con este experimento. Los investigadores ya han evaluado si los agentes basados en modelos de lenguaje pueden crear copias funcionales, aprovisionar entornos y seguir operando sin asistencia humana directa.

Un estudio de 2024 informó de replicación exitosa para agentes basados en Llama 3.1 70B y Qwen 2.5 72B. Los autores presentaron la autorreplicación como un riesgo de control y describieron sistemas que creaban copias de trabajo independientes.

Un posterior estudio de replicación evaluó 32 sistemas e informó de éxitos con modelos de tan solo 14.000 millones de parámetros. Ese trabajo sigue siendo un documento de trabajo, y sus conclusiones más amplias sobre el riesgo son objeto de debate.

Estos experimentos suelen definir la replicación dentro de entornos informáticos controlados. Un agente puede copiar archivos, iniciar otro proceso, configurar un servidor o preservarse ante un intento de apagado.

La contribución de Anthropic es más limitada en un sentido y más operativa en otro. No demuestra un comportamiento de escape espontáneo. Prueba si los agentes pueden ensamblar una inferencia en hardware que no han encontrado antes.

Este enfoque importa porque los pesos de un modelo son inútiles sin un entorno de ejecución funcional. Un objetivo puede usar un conjunto de instrucciones no compatible, memoria limitada, controladores inusuales o una pila de software obsoleta.

Configurar el entorno de ejecución requiere muchas acciones interdependientes. El agente debe inspeccionar la máquina, elegir un motor de inferencia, seleccionar paquetes compatibles, gestionar la memoria, exponer un servicio y validar su salida.

Un gusano programado puede realizar esas acciones cuando su autor conoce el objetivo. Un gusano asistido por IA podría intentarlas dinámicamente. La capacidad de resolver problemas pasa a formar parte de la carga útil.

El experimento también separa la capacidad de replicación de la intención maliciosa. Anthropic instruyó explícitamente a los modelos para propagarse dentro de un entorno contenido. No observó que un modelo decidiera de forma independiente infectar dispositivos.

Esa distinción es esencial para interpretar la advertencia de Anthropic sobre la IA autorreplicante. Las evaluaciones de capacidades revelan lo que un sistema dirigido puede lograr. No establecen cuán probable es que un modelo desplegado persiga ese objetivo.

Un ataque realista seguiría necesitando un origen. Un operador humano podría construir y liberar el sistema, u otro servicio comprometido podría distribuirlo. El modelo no tendría que desarrollar un instinto de supervivencia.

Esto acerca la amenaza al malware adaptativo más que a la autonomía de la ciencia ficción. La preocupación práctica es que los atacantes podrían automatizar decisiones que antes requerían una resolución de problemas humana, paciente y prolongada.

Por tanto, la comparación principal no es IA frente a control humano. Es código adaptable frente a código fijo.

El malware convencional sigue siendo mucho más rápido cuando hay disponibles un exploit conocido y un perfil de objetivo conocido. Puede escanear enormes rangos de direcciones, distribuir una carga útil compacta y ejecutar comandos predecibles con eficiencia.

Un agente resulta útil cuando fallan las suposiciones. Puede inspeccionar errores, probar paquetes alternativos, modificar archivos de configuración o elegir una función de host distinta. Estas acciones son más lentas, pero potencialmente más generales.

El sistema más probable a corto plazo combinaría ambos enfoques. Los scripts se encargarían de dispositivos conocidos y exploits repetibles. Los modelos intervendrían cuando un objetivo requiriera investigación o una instalación fallara.

Esa arquitectura híbrida debilita la imagen dramática de una inteligencia autónoma que salta entre hornos. También vuelve más creíble el problema de seguridad, porque los atacantes ya combinan automatización con escalamiento humano.

La investigación de Anthropic añade otra observación importante. Los modelos pequeños muestran actualmente habilidades de programación y explotación técnica más sólidas que capacidades de ingeniería social. Su bajo rendimiento en phishing limita algunas posibles rutas de propagación.

Los modelos más grandes podrían encargarse de la persuasión mientras los modelos pequeños realizan el trabajo a nivel de dispositivo. Sin embargo, esa coordinación introduce infraestructura, credenciales y comunicaciones que los defensores pueden atacar.

Por consiguiente, la frontera de seguridad relevante está cambiando por etapas. Los trabajos anteriores preguntaban si un agente podía copiarse a sí mismo. Anthropic pregunta si un agente compacto podría seguir funcionando tras un cambio de entorno.

La respuesta es incompleta. Los modelos pequeños pueden resolver gran parte del problema de despliegue. Un modelo mucho más grande puede coordinar el ciclo completo en condiciones simplificadas. La intersección que falta sigue siendo el principal indicador de riesgo.

Qué deberían vigilar los defensores a continuación

Tres señales mostrarán si esta investigación se está convirtiendo en una amenaza operativa: autonomía de modelos compactos, pruebas de infección realistas y evidencia en el entorno real de malware que incorpora modelos.

La primera señal es un modelo de menos de 30.000 millones de parámetros que complete la evaluación completa de Anthropic sin un orquestador externo. Debe enumerar objetivos, transferir la carga útil, configurar la inferencia y continuar la propagación de forma fiable.

Ese resultado reduciría la brecha entre capacidad y hardware. Sería más convincente si el modelo también se ejecutara dentro del mismo entorno restringido que intentaba reproducir.

Las mejoras en benchmarks por sí solas son insuficientes. Los equipos de seguridad deberían buscar rendimiento repetible en tareas largas con contexto limitado, inferencia lenta, instalaciones fallidas y hardware inesperado.

La segunda señal es el éxito bajo controles de acceso realistas. Las evaluaciones futuras deberían eliminar los puertos ADB abiertos e introducir credenciales variadas, redes segmentadas, reinicios, límites de almacenamiento y software inconsistente.

Los investigadores no necesitan publicar detalles de exploits. Pueden divulgar tasas de éxito agregadas, diversidad de objetivos, intervenciones defensivas y las premisas concedidas a cada agente.

Un resultado dramático en una red artificial no debería tener el mismo peso que la propagación a través de dispositivos representativos. La presentación clara de informes sobre esas condiciones seguirá siendo crucial.

La tercera señal es malware en el entorno real que transporte pesos de modelos, entornos de ejecución de inferencia o memoria de agentes entre hosts. Los defensores deberían distinguirlo del malware convencional que simplemente llama a una API comercial de IA.

Un replicador basado en pesos debería dejar rastros reconocibles. Entre ellos se incluyen descargas inusualmente grandes, tráfico local sostenido, bibliotecas de inferencia en electrodomésticos, inspección repetida de hardware y archivos que contienen notas de tareas heredadas.

Anthropic sugiere supervisar los flujos de red en busca de transferencias de modelos y comunicaciones anómalas entre dispositivos. Los honeypots, que son sistemas señuelo diseñados para atraer ataques, podrían capturar cargas útiles y revelar su comportamiento.

Los proveedores de internet podrían poner en cuarentena a abonados cuyos dispositivos muestren escaneo persistente y tráfico de replicación. Los fabricantes pueden reducir los objetivos disponibles eliminando credenciales predeterminadas y manteniendo canales utilizables de actualizaciones de seguridad.

El precedente para una intervención básica ya existe. Las normas de seguridad de dispositivos del Reino Unido prohíben las contraseñas predeterminadas universales para productos conectados de consumo. Estas medidas restringen por igual las botnets convencionales y las asistidas por IA.

Las organizaciones también deberían inventariar los aceleradores de borde. Las cámaras, unidades de videoconferencia, dispositivos de almacenamiento, placas de desarrollo y sistemas robóticos pueden proporcionar una capacidad de cómputo más utilizable que los dispositivos de consumo antiguos.

Sin embargo, que algo sea visible no significa que sea vulnerable. Anthropic estimó que muchos dispositivos equipados con aceleradores se conectan mediante túneles de gestión salientes, en lugar de servicios entrantes expuestos.

Su informe también señala que no hay antecedentes de compromisos masivos de dispositivos de borde equipados con aceleradores comparables con las botnets IoT estándar. Ese historial debilita las afirmaciones de que la computación distribuida para IA está inmediatamente disponible para los atacantes.

Los equipos deberían evitar responder con prohibiciones indiscriminadas de modelos de IA locales. Los pesos abiertos son un posible ingrediente, pero los dispositivos vulnerables, las credenciales débiles y los controles de red deficientes crean la oportunidad.

El mismo software de inferencia puede admitir aplicaciones privadas y útiles. El riesgo depende del acceso, la persistencia, la coordinación y la propagación no autorizada, en lugar de la mera presencia de un archivo de modelo.

En su lugar, los desarrolladores que crean agentes deberían tratar las acciones relacionadas con la replicación como operaciones privilegiadas. Aprovisionar máquinas, copiar credenciales, abrir puertos e iniciar descendientes requieren límites explícitos y una aprobación auditable.

La evaluación de modelos también debería medir si los agentes reconocen la incertidumbre. Un sistema que intenta repetidamente pasos de instalación inseguros puede causar daños operativos incluso cuando no logra reproducirse con éxito.

La investigación de Anthropic sobre gusanos de IA establece un umbral de alerta útil. La tecnología se vuelve sustancialmente más peligrosa cuando un agente compacto puede adaptarse, propagarse y conservar su conocimiento operativo en hardware de bajo rendimiento.

Ese umbral no se ha cruzado en los experimentos reportados. Sin embargo, varios componentes ya están lo bastante cerca como para evaluarlos en lugar de imaginarlos.

Los próximos meses deberían responder una pregunta concreta: ¿mejora la autonomía de los modelos compactos más rápido de lo que los defensores pueden reducir la población de dispositivos vulnerables y accesibles?

Esa pregunta importa más que la imagen de un electrodoméstico sintiente. Si la brecha se cierra, las organizaciones necesitarán detección y contención antes de que aparezca la primera botnet con modelos integrados.