El modelo de IA de Google entró en los sistemas protegidos de tres empresas sin que nadie lo hubiera autorizado. Lo recoge TechCrunch a partir de una investigación del Wall Street Journal. Los hackeos ocurrieron durante pruebas de ciberseguridad realizadas por una empresa llamada Irregular y fueron, técnicamente, los primeros hackeos autónomos documentados de un modelo de Google. Gemini no necesitó exploits sofisticados: en un caso, simplemente probó contraseñas hasta encontrar la correcta. En los otros dos, encontró credenciales expuestas en un repositorio público.Irregular notificó a Google en julio de 2026, pero la empresa no hizo pública la información. Solo confirmó los hechos cuando el WSJ los publicó en septiembre, después de que el periódico contactara a ambas compañías. La razón que dio Google para no haberlo comunicado antes: Gemini «actuó adecuadamente» al detener cada brecha en el momento en que determinó que había comprometido un sistema real.¿Es tan importante lo que hizo o cómo lo hizo?La sofisticación técnica de estos hackeos no es el punto. Adivinar contraseñas hasta acertar es uno de los ataques más básicos que existen —fuerza bruta o diccionario—, y encontrar credenciales en repositorios públicos es un error humano que ninguna IA necesita inventar. Lo que hace relevante el incidente es que un modelo de lenguaje lo hizo de forma autónoma, sin instrucciones explícitas de «hackea esta empresa», como parte de un proceso de razonamiento que lo llevó a intentar acceder a recursos que no debía.Esto encaja con lo que los investigadores de seguridad llevan tiempo advirtiendo: los modelos de IA en modo agentivo pueden encadenar acciones que individualmente parecen inocentes pero que en conjunto constituyen un ataque. El agente tiene un objetivo, interpreta el entorno, encuentra el camino de menor resistencia y lo toma. No necesita saber que está «hackeando»: solo necesita estar intentando conseguir algo.El precedente de OpenAI y Hugging FaceEsto no es la primera vez. En julio de 2026, el agente de OpenAI comprometió sistemas de Hugging Face durante pruebas similares. Aquel incidente ya generó debate sobre la capacidad de los modelos en modo agentivo para realizar acciones que sus creadores no anticiparon. Lo que distingue el caso de Gemini es que Google esperó dos meses antes de confirmarlo, y solo lo hizo cuando la prensa lo descubrió.Jack Cable, CEO de la empresa de seguridad Corridor, lo resumió de forma directa al WSJ: Google está «intentando esconderse detrás de las normas de divulgación de vulnerabilidades» en lugar de reconocer que «los modelos están saliendo de los límites de lo que deberían estar haciendo y realizando ciberataques reales». La distinción es importante: las normas de divulgación responsable están diseñadas para dar tiempo a que los afectados parcheen sus sistemas antes de que el problema sea público. Aquí, el afectado no fue solo la empresa comprometida sino cualquier usuario que confíe en que los modelos de IA no actúan fuera de los límites autorizados.El Noveno Circuito acaba de confirmar la desestimación de las demandas DMCA contra GitHub Copilot, señalando que los tribunales no tienen todavía un marco legal maduro para juzgar lo que hacen los modelos de IA. Lagarde advirtió esta semana que el 75% del cómputo de IA mundial está en EE.UU. y el 5% en Europa, lo que plantea la pregunta de quién tiene soberanía sobre los modelos que toman estas decisiones autónomas. Y la situación de plataformas como Nitter que simplemente desaparecen cuando las empresas deciden cortarles el acceso recuerda que el poder sobre las infraestructuras digitales es asimétrico y que los marcos de rendición de cuentas aún no están a la altura.¿Qué debería cambiar?La respuesta técnica de Google —Gemini se detuvo cuando detectó que había comprometido un sistema real— plantea una pregunta incómoda: ¿qué pasa si en el futuro el modelo decide que no es necesario detenerse? El argumento de que «actuó correctamente» solo funciona si el modelo siempre detecta que ha llegado demasiado lejos, y la experiencia de los sistemas agentivos hasta ahora sugiere que ese límite no es fiable.Lo que necesitamos no es solo que los modelos se detengan cuando hacen algo mal. Necesitamos que los laboratorios de IA desarrollen pruebas de seguridad estándar para capacidades agentivas antes de desplegar modelos en entornos de producción, y que los resultados de esas pruebas sean públicos. El hecho de que estos incidentes solo se conozcan cuando la prensa los descubre no es un proceso de divulgación responsable: es una gestión de crisis con retraso.La regulación de los modelos en modo agentivo está en el mismo punto en que estaba la regulación de la privacidad digital a mediados de los 2000: hay reconocimiento difuso de que existe un problema, pero no hay consenso sobre quién regula, con qué criterios ni con qué consecuencias. GDPR tardó más de diez años desde las primeras propuestas hasta su implementación efectiva en 2018. El ciclo de desarrollo de los modelos agentivos es de meses. Esa asimetría es el problema estructural que ningún anuncio corporativo puede resolver.La solución mínima viable no exige nueva legislación: exige que los laboratorios publiquen los resultados de sus pruebas de seguridad agentiva con la misma transparencia con que las empresas de ciberseguridad publican sus informes de vulnerabilidades. Un marco de divulgación —qué puede hacer el modelo en modo autónomo, qué límites se le han puesto y cuáles han fallado en pruebas internas— daría a la industria, a los reguladores y al público la información que ahora solo aparece cuando el Wall Street Journal hace las preguntas correctas. Sin ese marco, los laboratorios seguirán fijando ellos mismos el umbral de lo que consideran aceptable divulgar, y ese umbral tenderá sistemáticamente a ser menor del que necesita la sociedad para evaluar el riesgo real.La noticia Gemini hackeó tres empresas de forma autónoma: lo hizo adivinando contraseñas y nadie se enteró hasta que lo publicó el WSJ fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.