El informe de Google sobre ciberamenazas de IA advierte que los atacantes están cerrando la brecha de capacidades
Google documentó cómo atacantes crearon y ejecutaron una campaña masiva de recolección de credenciales en seis horas, pese a no contar con los recursos normalmente asociados a operaciones de Estados nación.
El informe de Google sobre ciberamenazas de IA describe un cambio desde la asistencia aislada de chatbots hacia flujos de trabajo autónomos y multiagente. Estos sistemas pueden gestionar escaneos, resolver fallos, rotar infraestructura y recolectar credenciales con una participación humana limitada.
Esta distinción importa más que si la IA inventa técnicas de ataque completamente nuevas. Los grupos criminales ahora pueden coordinar técnicas conocidas a una velocidad y escala que antes exigían equipos más grandes, operadores especializados e infraestructura considerable.
El Grupo de Inteligencia de Amenazas de Google, o GTIG, basó su informe del 8 de septiembre en investigaciones de Mandiant, seguimiento de amenazas y actividad observada en las plataformas de Google. Sus hallazgos sitúan a delincuentes con motivaciones financieras junto a grupos vinculados a los Estados chino, iraní, ruso y norcoreano que emplean IA en sus operaciones cibernéticas.
La contienda ya no es simplemente IA de atacantes contra IA de defensores. Es una ofensiva automatizada contra procesos de respuesta humanos que todavía dependen de colas, transferencias y revisiones programadas.
El informe de Google sobre ciberamenazas de IA documenta un ataque de seis horas
El cambio más evidente es operativo: los agentes de IA están pasando de funciones de asesoramiento al ciclo de ejecución.
Durante el segundo trimestre de 2026, Mandiant investigó a un presunto actor con motivaciones financieras que había comprometido la infraestructura en la nube de una organización. El atacante desplegó un marco autónomo con múltiples agentes, cada uno encargado de partes de una operación de recolección de credenciales.
Según Google, el actor proporcionó a un chatbot de programación con IA un prompt y un conjunto de instrucciones para agentes. Estas instrucciones funcionaban como manuales operativos reutilizables.
En seis horas, el marco planificó, creó y ejecutó una campaña masiva de recolección de credenciales. Comprometió miles de credenciales de terceros, según GTIG.
Los agentes hicieron más que generar scripts. Gestionaron un flujo de análisis de vulnerabilidades, diagnosticaron errores y manejaron la rotación de direcciones de protocolo de Internet sin una dirección continua del operador.
Esa automatización redujo la latencia humana en el ciclo, es decir, el tiempo de espera generado cuando el software necesita que una persona apruebe o repare su siguiente acción. También ayudó al atacante a mantener actividad frente a un amplio conjunto de objetivos.
El entorno de nube comprometido ofrecía otra ventaja. El tráfico de ataque podía desplazarse a través de direcciones IP legítimas asociadas con la infraestructura de la víctima, lo que complicaba la detección basada únicamente en reputación.
Por separado, GTIG encontró un servidor expuesto de mando y control que ejecutaba un marco automatizado de reconocimiento y gestión de credenciales llamado Recon. El marco contenía archivos de instrucciones y conocimiento diseñados para una operación basada en agentes.
Su directorio incluía archivos como AGENTS.md, KNOWLEDGE.md y agentic_vuln_research.md. También contenía directorios modulares para herramientas, memoria y flujos de trabajo automatizados.
Después de que GTIG detectara el servidor expuesto, el directorio supuestamente se convirtió en un panel de producción. Ese panel podía organizar, validar y gestionar más de 23.800 secretos recolectados en tiempo real.
Esos secretos incluían credenciales para plataformas en la nube y servicios de IA. Por tanto, el caso conectó tres riesgos que las organizaciones suelen tratar por separado: el robo de credenciales, el compromiso de la nube y el acceso no autorizado a IA.
Google caracterizó la operación como un paso desde los infostealers pasivos de endpoints hacia la recolección ofensiva basada en agentes. Los agentes investigaron vulnerabilidades, escanearon infraestructura de servidores e intentaron una explotación dirigida con una intervención mínima.
Esta es la advertencia central del informe de Google sobre ciberamenazas de IA. Un operador con recursos modestos puede codificar instrucciones una vez y luego dejar que el software las repita en miles de oportunidades.
El plazo de seis horas no significa que todos los atacantes puedan realizar de repente espionaje de élite. Muestra que la capacidad de orquestación, antes limitada por la dotación de personal, puede alquilarse, robarse o automatizarse cada vez más.
La automatización con IA cambia el reloj de los defensores
Los equipos de seguridad ahora afrontan un problema de tiempo antes de enfrentarse a una clase de exploit completamente nueva.
La respuesta tradicional a incidentes presupone que los defensores conservan cierto tiempo entre el reconocimiento, la explotación, el uso de credenciales y el movimiento lateral. Los sistemas de monitorización detectan eventos, los analistas los validan y equipos separados coordinan la contención.
La IA basada en agentes comprime esas etapas. Un marco puede escanear, ajustarse, reintentarlo y pasar al siguiente objetivo mientras una alerta sigue sin revisarse.
John Hultquist, analista jefe de GTIG, declaró a IT Pro que las organizaciones deberían asumir que los actores de amenazas ya utilizan IA de alguna forma. Advirtió que los delincuentes favorecerán ataques que se muevan más rápido de lo que los defensores pueden responder.
La presión recae con mayor fuerza sobre las organizaciones cuyos controles de seguridad generan alertas sin permitir una contención rápida. Un mayor volumen de alertas ofrece poca protección cuando los analistas no pueden investigarlas antes de que las credenciales robadas se conviertan en rutas de ataque activas.
El problema se extiende más allá de los centros de operaciones de seguridad. Los equipos de identidad, administradores de nube, desarrolladores y mantenedores de código abierto controlan recursos a los que una campaña automatizada puede llegar.
La rotación de credenciales ofrece un ejemplo sencillo. Una organización podría descubrir un secreto expuesto en cuestión de horas, pero necesitar varias aprobaciones antes de revocarlo. El agente de un atacante solo necesita segundos para probar ese secreto en otro lugar.
La infraestructura en la nube agrava el desequilibrio. Las credenciales robadas pueden proporcionar capacidad de procesamiento, ubicaciones de red confiables y acceso a servicios adicionales.
GTIG denomina LLMjacking a una forma de esta actividad. Los atacantes roban credenciales de plataformas de IA o secuestran entornos en la nube para ejecutar cargas de trabajo de modelos no autorizadas.
Esta práctica permite a los atacantes evitar costes directos de infraestructura. También puede ocultar su actividad porque el cómputo ocurre dentro de la cuenta de una organización legítima.
En abril de 2026, Mandiant observó a un actor usando acceso robado a infraestructura de IA para aprovisionar recursos de procesamiento gráfico de alto rendimiento. La víctima asumió la carga de trabajo y el gasto resultantes.
El mismo patrón apareció en una campaña vinculada al Estado chino rastreada como UNC6508. Google afirma que el grupo desplegó un modelo local de pesos abiertos dentro de entornos en la nube comprometidos.
Ejecutar el modelo localmente ayudó al grupo a evitar la monitorización de servicios comerciales de IA. También trasladó la carga de cómputo a la víctima.
Estos casos presionan a los líderes de seguridad para redefinir la superficie protegida. Modelos, prompts, instrucciones de agentes, credenciales de API, cuotas de nube y herramientas de desarrollo ahora se sitúan junto a aplicaciones y servidores convencionales.
Ronald Lewis, responsable de gobernanza de ciberseguridad de Black Duck, declaró a IT Pro que estos riesgos evolucionan más rápido de lo que muchas organizaciones pueden medir y gobernar. Sostuvo que los equipos de seguridad deben proteger los sistemas de IA mientras se enfrentan a atacantes que utilizan la misma tecnología.
Esto crea la contienda principal: una ofensiva a velocidad de máquina contra organizaciones cuyos sistemas de respuesta siguen organizados en torno a decisiones a velocidad humana.
Los atacantes con menos recursos pueden adoptar una escala propia de Estados nación
La IA reduce la brecha de capacidad operativa, aunque no elimina las diferencias en acceso a inteligencia, financiación o paciencia estratégica.
Los grupos de Estados nación tradicionalmente mantienen ventajas que el software por sí solo no puede reproducir. Pueden recurrir a inteligencia clasificada, financiación a largo plazo, infraestructura personalizada, cobertura diplomática y equipos con conocimientos regionales especializados.
Sin embargo, muchas características visibles de las operaciones avanzadas provienen de una ejecución repetible. Entre ellas se encuentran el reconocimiento sostenido, el phishing localizado, la modificación de código, la rotación de infraestructura y la rápida resolución de problemas.
La IA puede automatizar o acelerar cada una de esas tareas. Esto otorga a grupos más pequeños parte del alcance operativo antes asociado con organizaciones más grandes.
La campaña de credenciales de seis horas ilustra este mecanismo. El atacante no necesitó un agente para idear un concepto de ataque sin precedentes.
En cambio, el marco coordinó tareas conocidas sin esperar a un operador humano en cada etapa. Su ventaja procedía de la persistencia, la actividad en paralelo y la rápida recuperación de errores rutinarios.
Este modelo cambia la forma en que los defensores deberían interpretar la sofisticación. Un alto volumen de ataques, señuelos pulidos o cambios rápidos de código ya no demuestran que un gran equipo esté detrás de una operación.
Un grupo pequeño puede reutilizar instrucciones entre agentes. También puede dirigir distintos modelos hacia el reconocimiento, la programación, la traducción y el análisis de datos.
Los grupos vinculados a Estados están adoptando el mismo enfoque. GTIG observó a un actor de espionaje chino experimentando con una canalización automatizada de explotación y postexplotación.
El actor utilizó CC Switch, una herramienta que puede dirigir trabajo entre diferentes modelos de lenguaje. Google afirma que consultó Claude, Gemini y Codex para scripts de explotación, contenido de phishing y ayuda de depuración.
El flujo de trabajo combinaba sondeo manual con Burp Suite y actividad automatizada mediante Phalanx, un marco de pruebas de penetración de código abierto. Tras obtener acceso, el operador podía desplegar herramientas adicionales para mando y control y recolección de credenciales.
Google también describió al grupo vinculado al Estado chino BASIN CASTLE utilizando IA generativa en fases sucesivas de ataque. Sus actividades incluían la elaboración de perfiles de objetivos, la creación de señuelos localizados, la ofuscación de malware y la resolución de problemas posteriores a la explotación.
CALANQUE ION, también conocido como APT42, utilizó IA para reconocimiento, descubrimiento de correos electrónicos, traducción e ingeniería social, según GTIG. El actor vinculado a Irán también investigó el desarrollo de infraestructura y la ingeniería inversa de software.
RAVINE CASTLE, otro grupo vinculado a China, utilizó Gemini para recopilación de inteligencia, investigación de exploits y operaciones de influencia. Google observó al grupo estudiando métodos para anonimizar filtraciones y distribuirlas a través de canales de medios.
SANDWORM RELIC, vinculado a Rusia, utilizó Gemini para perfeccionar scripts de password spraying y automatizar la elaboración de perfiles de hosts. También exploró el enrutamiento mediante proxies diseñado para ocultar infraestructura de mando y control.
Grupos norcoreanos utilizaron modelos para elaborar perfiles de objetivos, fabricar materiales de empleo, crear señuelos técnicos y desarrollar código malicioso. Un grupo supuestamente registró un gran número de cuentas de modelos mediante identidades secuestradas.
Estos ejemplos muestran cómo la automatización de ciberamenazas mediante IA se extiende entre actores con motivaciones muy distintas. Los grupos de espionaje buscan inteligencia, mientras que los grupos criminales persiguen la extorsión, la venta de credenciales y el robo de criptomonedas.
La tecnología no hace que estos actores sean idénticos. Les proporciona acceso a una capa compartida de automatización operativa.
Esa diferencia es importante. El alcance propio de Estados nación describe la escala y la velocidad de ejecución, no una transferencia completa de capacidades de inteligencia estatal a delincuentes comunes.
La cadena de suministro de software se está convirtiendo en una superficie de ataque para agentes
Los atacantes están apuntando a las instrucciones y señales de confianza que utilizan los sistemas de programación con IA, no solo al software que producen esos sistemas.
GTIG vinculó gran parte de esta actividad con UNC6780, también conocido como TeamPCP. Desde marzo de 2026, el grupo con motivación financiera ha atacado PyPI, npm y Docker Hub.
Estos servicios distribuyen paquetes utilizados en proyectos de software modernos. Un paquete comprometido puede llegar a múltiples organizaciones mediante instalaciones rutinarias o compilaciones automatizadas.
Según los informes, TeamPCP comprometió cuentas legítimas de desarrolladores y publicó bifurcaciones maliciosas de servidores Model Context Protocol. MCP es un estándar que permite a las aplicaciones de IA conectarse con herramientas y datos externos.
El grupo también inyectó código malicioso en repositorios organizacionales oficiales. Esto hizo que los recursos envenenados parecieran activos confiables del proyecto.
Un componente malicioso, DUSTMAKER, buscaba tokens de identidad en entornos de integración continua. Esos tokens podían autorizar la publicación de paquetes mediante flujos de trabajo confiables de desarrolladores.
Google afirma que los paquetes comprometidos podían incluir certificaciones SLSA Build Level 3 válidas. SLSA es un marco para documentar y proteger la integridad de las compilaciones de software.
Una certificación válida puede convencer a sistemas automatizados de que un paquete siguió un proceso de compilación aprobado. Sin embargo, no puede hacer confiable una identidad de publicación robada.
Aquí es donde los sistemas de programación con IA crean un riesgo particular. Los agentes suelen evaluar nombres de paquetes, metadatos, contexto de repositorios y señales de confianza legibles por máquinas antes de recomendar o instalar una dependencia.
Los atacantes pueden moldear esas señales. Pueden envenenar metadatos, ocultar instrucciones dentro de archivos de proyecto o explotar la disposición del agente a completar una tarea de desarrollo.
DUSTMAKER colocaba contenido malicioso dentro de directorios ocultos utilizados por herramientas de programación y entornos de desarrollo. Entre los ejemplos estaban los directorios .claude, .vscode y .cursor.
Los archivos en esas ubicaciones pueden confundirse con actividad ordinaria del espacio de trabajo. También pueden influir en herramientas que analizan automáticamente la configuración del proyecto.
Google encontró configuraciones maliciosas diseñadas para activar comandos durante interacciones normales de los desarrolladores. Por tanto, un desarrollador podía activar el malware al abrir o trabajar dentro de un proyecto comprometido.
El malware también creaba tareas de pipeline con nombres plausibles relacionados con IA. Un ejemplo utilizaba la etiqueta “Copilot Setup” mientras buscaba credenciales adicionales y claves de acceso.
Tras ejecutarse, el malware podía eliminar los registros del flujo de trabajo. Esto reducía la probabilidad de que los desarrolladores detectaran actividad sospechosa mediante una interfaz de repositorio.
Otra táctica apuntaba a escáneres de seguridad basados en IA. Los atacantes incrustaban solicitudes extremas prohibidas en comentarios situados encima de JavaScript malicioso.
El objetivo aparente era hacer que los controles de seguridad se negaran a realizar el análisis antes de llegar al malware real. Se trata de una inyección indirecta de prompts, donde contenido oculto manipula a un sistema de IA que examina material no confiable.
La estrategia expone un conflicto dentro del desarrollo automatizado. Los equipos quieren que los agentes de programación lean un contexto amplio del proyecto, pero cada archivo adicional se convierte en un posible canal de instrucciones.
Los escáneres tradicionales suelen tratar los comentarios como texto no ejecutable. Un escáner de IA podría tratar los mismos comentarios como instrucciones operativas o contenido sensible para sus políticas.
Los hallazgos sobre la cadena de suministro por tanto van más allá de la detección de paquetes maliciosos. Las organizaciones deben examinar cómo los agentes eligen dependencias, interpretan archivos del espacio de trabajo y aprueban comandos.
Los desarrolladores también necesitan visibilidad sobre las acciones realizadas en su nombre. Un agente que instala paquetes o ejecuta scripts de configuración silenciosamente puede convertir un error de recomendación en un compromiso inmediato.
La procedencia del conocimiento importa aquí. Los equipos deben distinguir las instrucciones operativas confiables del texto recopilado mediante repositorios, tickets, documentación y páginas externas.
Una base de conocimiento técnico consultable puede respaldar esa distinción cuando las reglas de acceso y el contexto de las fuentes siguen siendo visibles. No sustituye la verificación de paquetes ni el aislamiento en tiempo de ejecución.
La lección más amplia es que los agentes de IA heredan las debilidades de sus entradas. También convierten algunas entradas engañosas en acciones, elevando el coste de la confianza mal depositada.
Las pruebas de Google son serias, pero la brecha de capacidades no ha desaparecido
El informe respalda una afirmación real de aceleración, pero no demuestra que todo atacante pequeño posea ahora capacidades completas de nivel estatal.
GTIG cuenta con una visibilidad inusualmente amplia gracias a su trabajo de respuesta a incidentes, seguimiento de amenazas, infraestructura en la nube y monitorización del abuso de Gemini. Esto hace que sus casos de estudio sean valiosos.
Sin embargo, el informe presenta operaciones observadas seleccionadas, en lugar de una medición completa del comportamiento global de los atacantes. No proporciona una referencia que indique qué porcentaje de los ataques utiliza agentes autónomos.
La campaña de seis horas también comenzó después de que el atacante comprometiera infraestructura en la nube. El acceso inicial sigue siendo un obstáculo significativo, incluso cuando los agentes aceleran las fases posteriores.
Del mismo modo, “miles de credenciales” describe la escala de recopilación de la campaña, no el número de cuentas explotadas con éxito. Algunos secretos podrían haber caducado, estar restringidos, duplicados o ser inutilizables por otros motivos.
Por tanto, las organizaciones deberían evitar tratar cada script generado por IA como una amenaza persistente avanzada. La atribución y la evaluación de capacidades todavía requieren infraestructura, victimología, malware, patrones operativos e inteligencia humana.
Google mismo informó de limitaciones. En operaciones de información observadas durante el segundo trimestre, la IA mejoró la productividad, pero no creó capacidades cualitativamente nuevas.
Los actores utilizaron modelos para generación de contenido, identidades sintéticas, traducción y refinamiento narrativo. GTIG no había observado agentes interactivos experimentales desplegados en operaciones de influencia activas en el momento de la publicación.
Ese hallazgo complica las interpretaciones alarmistas. La IA parece más potente al automatizar trabajo estructurado y repetible con retroalimentación medible.
Las operaciones cibernéticas ofrecen exactamente esas condiciones. Un escáner puede determinar si un host responde, si las credenciales funcionan y si un comando falló.
El espionaje a largo plazo exige más. Los operadores deben comprender las relaciones organizacionales, seleccionar inteligencia estratégicamente útil, evitar ser detectados e interpretar resultados ambiguos.
La IA también introduce riesgos operativos para los atacantes. Los modelos pueden alucinar código, exponer infraestructura, activar la monitorización de plataformas o producir patrones reconocibles.
Los proveedores comerciales pueden desactivar cuentas y mejorar las salvaguardas de los modelos. Google afirma que interrumpió activos asociados y actualizó los clasificadores y el comportamiento de rechazo de Gemini tras observar el uso indebido.
Sin embargo, la aplicación de medidas por parte de los proveedores tiene límites. Los atacantes pueden rotar cuentas fraudulentas, robar credenciales legítimas o cambiar a modelos alojados localmente.
Anthropic ha observado un patrón de migración similar en operaciones de vigilancia. Sus investigadores de amenazas afirmaron que algunos actores pasaron a modelos abiertos cuando las salvaguardas comerciales generaban demasiada fricción.
Los hallazgos sobre vigilancia también refuerzan la observación más amplia de Google. Los gobiernos utilizaron IA para reducir las necesidades de personal e incrementar el volumen de análisis, incluso sin los sistemas de frontera más recientes.
Eso no hace irrelevantes los controles de seguridad. La monitorización de plataformas crea oportunidades de inteligencia e interrumpe a operadores menos disciplinados.
Sí significa que la cancelación de cuentas no puede servir como la capa defensiva final. Los flujos de trabajo subyacentes pueden sobrevivir cuando los atacantes conservan datos, instrucciones y capacidad de cómputo alternativa.
Google también desempeña un papel dual en este debate. Desarrolla modelos ampliamente accesibles mientras vende productos de seguridad en la nube, inteligencia de amenazas y defensa con IA.
Esa posición proporciona a Google telemetría útil, pero los lectores deberían separar los incidentes observados de las afirmaciones de producto. Las pruebas muestran aceleración sin establecer que la defensa automatizada neutralizará de forma consistente la ofensiva automatizada.
La misma cautela se aplica a la extracción de modelos. Google informó de campañas coordinadas que superaron los 100 millones de prompts contra capacidades propietarias.
La empresa afirma que desplegó controles en tiempo real que reducen la utilidad de modelos estudiantiles no autorizados. La evidencia independiente sobre la eficacia duradera de esas defensas sigue siendo limitada.
Una lectura equilibrada evita dos extremos. La IA no se limita a ayudar a los atacantes a redactar mejores correos electrónicos, ni convierte a cada delincuente en un servicio de inteligencia.
Está eliminando restricciones de trabajo y coordinación en partes seleccionadas del ciclo de vida de los ataques. Ese cambio por sí solo puede desbordar defensas diseñadas para adversarios más lentos.
Tres señales mostrarán si los defensores pueden mantener el ritmo
La próxima fase se decidirá por la velocidad de contención, la gobernanza de los agentes y la migración hacia modelos controlados por los atacantes.
La primera señal es el tiempo transcurrido entre la exposición de una credencial y la contención automatizada. Las organizaciones deberían medir con qué rapidez pueden revocar secretos, aislar cargas de trabajo y bloquear sesiones sospechosas.
Esta métrica importa más que el volumen de alertas. Un ataque de seis horas se vuelve menos eficaz cuando las detecciones de alta confianza activan la contención en cuestión de minutos.
Se vuelve más peligroso cuando la respuesta depende de varios equipos intercambiando tickets. Incidentes repetidos que involucren credenciales utilizables reforzarían la advertencia de Google sobre ventanas defensivas comprimidas.
La segunda señal es cómo las plataformas de software protegen las acciones de los agentes. Los registros de paquetes, los alojamientos de código, los proveedores de nube y los proveedores de modelos necesitan controles que distingan las sugerencias generadas de la ejecución autorizada.
Las medidas útiles incluyen permisos restringidos para agentes, compilaciones aisladas, fijación de dependencias, versiones firmadas y requisitos de aprobación para comandos sensibles. Los registros también deben preservar qué leyó un agente y por qué actuó.
Un gran compromiso de un registro provocado por instrucciones de IA envenenadas reforzaría la tesis del informe sobre la cadena de suministro. Una adopción más amplia de aislamiento eficaz de agentes reduciría el impacto previsto.
La tercera señal es el movimiento de los atacantes desde servicios comerciales monitorizados hacia modelos locales y capacidad de cómputo robada. Esta migración reduce la visibilidad disponible para proveedores como Google y Anthropic.
GTIG ya observó a UNC6508 ejecutando un modelo de pesos abiertos dentro de infraestructura comprometida. Un crecimiento continuado de esta táctica haría que la aplicación de medidas a nivel de modelo fuera menos decisiva.
Los defensores deberían vigilar el aprovisionamiento inesperado de procesadores gráficos, descargas inusuales de modelos, tráfico de inferencia anómalo y credenciales de servicios de IA recién creadas. Estos eventos pueden indicar robo de recursos antes de que aparezca una alerta convencional de intrusión.
El caso anterior de día cero ofrece un referente relacionado. Google afirmó que los delincuentes parecían utilizar IA mientras descubrían y convertían en arma una vulnerabilidad de autenticación previamente desconocida.
Si los casos confirmados de forma independiente se vuelven habituales, el riesgo irá más allá de una explotación más rápida de debilidades conocidas. Los atacantes obtendrían una mayor oferta de nuevas oportunidades.
Por ahora, las pruebas más sólidas se refieren a la automatización y la escala. La automatización de amenazas cibernéticas mediante IA ayuda a los actores a repetir trabajo conocido, coordinar herramientas y recuperarse más rápido de errores operativos.
Esto sigue exigiendo una postura de seguridad diferente. Las organizaciones deberían inventariar cada agente con acceso a código, credenciales, contenido externo o sistemas de producción.
También deberían separar el acceso al modelo de la autoridad de ejecución. Un asistente que puede recomendar un comando no necesita automáticamente permiso para ejecutarlo.
Los equipos pueden empezar poniendo a prueba una cuestión práctica: ¿puede una cuenta controlada por un agente modificar producción, publicar un paquete o exponer secretos sin que intervenga un segundo control?
La respuesta revela si la automatización respalda a los defensores o amplía silenciosamente la vía de ataque. El informe de Google sobre ciberamenazas de IA deja claro el momento oportuno: esta evaluación debe formar parte de los planes de seguridad actuales, no de una hoja de ruta futura.
