Cuando la conversación se convierte en código
- Redacción IT NOW
- 2 jul
- 2 min de lectura
La irrupción de los asistentes conversacionales impulsados por inteligencia artificial ha abierto un nuevo frente para la ciberseguridad. En esta columna, el consultor en ciberseguridad Gilberto Perez analiza cómo la voz ha dejado de ser únicamente un medio de comunicación para convertirse en un potencial canal de ataque, planteando desafíos inéditos para la protección de los sistemas basados en IA.
Por Gilberto Perez, consultor en ciberseguridad.
En los años 70, el célebre silbato de Cap’n Crunch demostró que emular una frecuencia de 2600 Hz bastaba para vulnerar centrales telefónicas automatizadas. El fallo residía en la señalización en banda: las instrucciones de control y la voz viajaban por el mismo canal. Décadas después, la inteligencia artificial conversacional repite la misma debilidad. En los modelos nativos de audio, las directrices del sistema y las interacciones del usuario coexisten en un único canal, convirtiendo la voz en una superficie de ataque donde hablar significa ejecutar lógica.
La evolución de los IVR tradicionales hacia asistentes impulsados por modelos de lenguaje ha creado una ilusión peligrosa: rara vez cuestionamos quién les habla. Un sistema de IA no siempre distingue entre un diálogo legítimo y una instrucción adversarial disfrazada.
Esta mutación del Prompt Injection hacia el canal acústico define un nuevo riesgo operativo:
Voice-based Prompt Injection: manipulación de sistemas conversacionales mediante instrucciones habladas diseñadas para alterar su comportamiento, eludir controles o forzar la exposición de información no autorizada.
Este vector opera en dos frentes. En arquitecturas STT + LLM, la prosodia y las pausas modifican la transcripción enviada al modelo. En sistemas nativos de audio, el riesgo escala: modulaciones sutiles, tonos emocionales simulados o frecuencias inaudibles influyen directamente en la interpretación sin pasar por texto. La voz deja de ser comunicación y se convierte en un canal de control vulnerable.
El peligro crece al combinar esta técnica con automatización y síntesis de voz en tiempo real. Surgen nuevos comportamientos adversariales:
Autonomous IVR Scanning: agentes automatizados realizan llamadas masivas para perfilar la lógica de los IVR y detectar servicios antes de una explotación activa.
Voice Swarm Attack: múltiples bots conversacionales inundan un IVR simultáneamente. No buscan agotar recursos, sino provocar un colapso lógico mediante saturación cognitiva del modelo.
Targeted Voice Exploitation: voces clonadas de autoridad inducen respuestas fuera de política para extraer activos bajo esquemas de deepfake vishing.
Mientras el concepto SVAP automatiza el engaño al usuario, la inyección por voz manipula directamente a la IA que atiende la llamada. Para mitigar este escenario, la ciberacústica debe actuar como primera línea defensiva: análisis multimodal de prosodia, silencios y marcadores de síntesis antes de la interpretación semántica. A nivel arquitectónico, se requieren guardrails de voz, mínimo privilegio y aislamiento de funciones críticas.
La ciberseguridad ya no solo protege archivos o paquetes de red; debe proteger la conversación misma. El desafío no es verificar únicamente quién habla, sino determinar si lo que se dice merece ser procesado. La superficie de ataque ya no requiere código: comienza, simplemente, cuando alguien dice “hola”.
Comentarios