Evasión de Sistemas EDR mediante Cargas Útiles Polimórficas Generadas por Inteligencia Artificial: Un Enfoque de Auditoría Ofensiva

Resumo

La evolución de la Inteligencia Artificial (IA) generativa ha incrementado significativamente la capacidad de las amenazas avanzadas para evadir las plataformas de Endpoint Detection and Response (EDR), cuestionando la eficacia de los modelos tradicionales de auditoría y validación defensiva. Este estudio tuvo como objetivo desarrollar un marco conceptual de auditoría ofensiva orientado a evaluar las limitaciones arquitectónicas de los EDR frente a cargas útiles polimórficas capaces de eludir la telemetría basada en API Hooking y ejecutar llamadas directas al núcleo del sistema operativo. Se adoptó un enfoque cualitativo, descriptivo y analítico mediante una revisión sistemática de la literatura, siguiendo una adaptación de los lineamientos PRISMA 2020. Se analizaron 17 documentos científicos y técnicos publicados entre 2021 y 2026, provenientes de Scopus, Web of Science, IEEE Xplore, MITRE ATT&CK y organismos especializados en inteligencia de amenazas. Los hallazgos evidencian que la automatización de técnicas como Direct Syscalls, Control Flow Flattening, ofuscación semántica y modificación dinámica de la entropía reduce considerablemente la visibilidad de los EDR cuya telemetría depende del modo usuario. Asimismo, se identifica la necesidad de evolucionar desde modelos de detección basados en Indicadores de Compromiso (IoCs) hacia auditorías sustentadas en Indicadores de Comportamiento (IoBs), Threat Hunting proactivo y análisis forense de memoria. Finalmente, se propone integrar estos mecanismos dentro de un modelo de adquisición tecnológica basado en los principios de Zero Trust, fortaleciendo la resiliencia de la infraestructura crítica y la gestión del riesgo en la cadena de suministro frente a amenazas impulsadas por IA.