Saltar al contenido principal
IA7 min

LLMjacking: ataques a la IA en la nube que convierten una clave robada en tu factura

Una clave de API de IA robada abre la puerta a tu factura más que a tus datos: el atacante usa los modelos y la empresa paga. Saber cómo se pierden esas claves es el primer paso para acotar el daño.

Foto de Gorka Gonzalo
Gorka GonzaloFundador y CEO
Ilustración isométrica de una llave digital que abre una red de nodos de inteligencia artificial en la nube, sobre un contador de consumo en aumento, para representar el LLMjacking.

Nadie en la empresa ha usado más el asistente de inteligencia artificial y, aun así, el cargo del proveedor de nube se dispara de un día para otro. Detrás de esa anomalía puede estar el LLMjacking, una forma de ataques a la IA en la nube sobre la que Google advirtió y que The Hacker News y BleepingComputer recogieron [1][2].

La tesis de este análisis es sencilla. El LLMjacking no es una técnica exótica, sino un problema de gobierno de credenciales y de costes: una clave de IA sin dueño claro, sin alcance limitado y sin tope de gasto convierte la cuenta de la empresa en un recurso del atacante.

El LLMjacking secuestra tu acceso a los modelos y te deja la factura

Según The Hacker News, que recoge la advertencia de Google, el LLMjacking es una variante del secuestro de recursos adaptada a la era de los grandes modelos de lenguaje (LLM): el atacante consigue una clave de interfaz de programación de aplicaciones (API), entra en las cuentas de modelos de lenguaje de una organización y deja que el propietario legítimo pague el consumo [1].

El matiz importa. Una clave de API robada puede permitir generar gasto a nombre de su propietario. Por eso el daño principal no tiene por qué ser una fuga de información, sino una factura que nadie ha autorizado.

El mismo medio recoge una comparación de Google Threat Intelligence Group (GTIG) y Mandiant que ayuda a dimensionar el riesgo: frente al consumo lento y progresivo del cryptojacking, el LLMjacking puede provocar picos bruscos de cargos fraudulentos en cuestión de horas [1]. Esa velocidad es la que convierte un descuido de configuración en un problema financiero.

Las claves se pierden por vías corrientes: phishing, código filtrado y entornos mal configurados

Las fuentes describen vías de entrada como el phishing, las filtraciones de código y las configuraciones incorrectas. The Hacker News enumera las vías por las que el atacante obtiene la clave: phishing, filtraciones de código fuente, entornos mal configurados y código expuesto en el lado del cliente [1]. Añade que el vector de acceso inicial más habitual han sido tokens de identidad en la nube expuestos o robados, entre ellos credenciales de gestión de identidades y accesos (IAM), claves de cuentas de servicio, tokens personales de GitHub y tokens de sesión activos [1].

BleepingComputer, citando a los investigadores de GTIG y Mandiant, distingue dos perfiles de atacante: los que rastrean puntos de acceso (endpoints) de LLM expuestos públicamente y los que roban claves de API válidas de máquinas sin proteger [2]. Ninguno de los dos necesita una vulnerabilidad desconocida; les basta con encontrar lo que alguien dejó a la vista.

El phishing tampoco es sofisticado en su planteamiento. Según The Hacker News, el grupo que Google identifica como UNC6993 llegó a montar una página que se hacía pasar por un portal para unirse a un grupo de usuarios de LLM y que engañaba a las víctimas para que pegaran un token de acceso activo, con lo que el atacante esquivaba la contraseña y la autenticación multifactor (MFA) [1]. Una vez dentro, The Hacker News describe la búsqueda de más credenciales en repositorios, registros, bases de datos y gestores de secretos; BleepingComputer también menciona registros, bases de datos y gestores de secretos, y ambas fuentes recogen la explotación de CVE-2026-40217 en LiteLLM, un software de enrutado de peticiones a modelos [1][2].

Los incidentes descritos ponen el foco en el almacenamiento y el control de las claves de API de IA.

El impacto se mide en dinero y puede crecer en cuestión de horas

La cifra que ha puesto el fenómeno en titulares procede del informe de Google. Según thehackernews.com, según The Hacker News, GTIG y Mandiant observaron que los cargos acumulados en algunas organizaciones llegaron a 1 millón de dólares antes de que se revocara el acceso [1]. Conviene leerla bien: es una cifra alcanzada en algunas organizaciones de los incidentes observados, no una media del sector ni una previsión de lo que le ocurrirá a cualquier empresa.

El modelo de negocio explica por qué el gasto escala tan rápido. BleepingComputer recoge que, tras conseguir el acceso, los atacantes lo revenden a servicios conocidos como mezcladores de LLM, que ofrecen a sus suscriptores acceso no autorizado a modelos; el proveedor registra esas peticiones como consumo legítimo y se las cobra a la organización víctima [2]. En otras palabras, la clave robada acaba alimentando un mercado en el que muchos usuarios ajenos consumen a la vez a cuenta de una sola empresa.

Tampoco se trata de un problema geográficamente lejano. The Hacker News señala que hay entidades afectadas en Norteamérica, Sudamérica y Asia-Pacífico, en sectores como servicios financieros, comercio minorista, tecnología y transporte [1].

Por eso el LLMjacking debe tratarse como un riesgo de gestión financiera y de continuidad, al mismo nivel que otros fraudes de pago. La reflexión sobre la seguridad del pago y la confianza en servicios de IA parte de la misma idea: en un servicio que se cobra por uso, el control del gasto forma parte de la seguridad.

OWASP ya clasifica el consumo sin límites como riesgo propio de las aplicaciones con LLM

OWASP describe el consumo sin límites como un riesgo de las aplicaciones con LLM. OWASP recoge en su ficha sobre consumo sin límites que una aplicación con LLM que permite inferencias excesivas y sin control se expone a denegación de servicio, pérdidas económicas, robo del modelo y degradación del servicio [3].

La ficha de OWASP describe además un escenario muy cercano al LLMjacking: un atacante que genera operaciones en exceso para aprovechar el modelo de pago por uso de los servicios de IA en la nube y provocar costes insostenibles [3]. También advierte de que la alta demanda de cómputo de estos modelos, sobre todo en la nube, los hace vulnerables a la explotación de recursos y al uso no autorizado [3].

La conexión tiene consecuencias prácticas. Si el gasto descontrolado es un riesgo catalogado, deja de ser un accidente puntual y pasa a ser un fallo de diseño y de gobierno que se puede prevenir con controles conocidos.

Tres frentes reducen la exposición: identidad de las claves, límites de consumo y vigilancia del gasto

De las vías de entrada que describen las fuentes y del riesgo que cataloga OWASP se deducen tres frentes de trabajo. Varias de estas medidas coinciden con las recomendaciones que Google publica, según BleepingComputer [2].

Identidad: inventario, propietario y alcance de cada clave

El primer paso es saber cuántas claves de IA existen, quién es responsable de cada una y qué permite hacer. BleepingComputer recoge que Google aconseja priorizar la gestión de identidades y accesos, centralizar los secretos en una plataforma que permita rotarlos, no conceder privilegios que el puesto no requiera y denegar todo permiso no imprescindible, incluido el acceso a servicios de LLM en la nube, además de exigir MFA resistente al phishing [2]. OWASP apunta en la misma dirección con el control de acceso basado en roles, el mínimo privilegio y un inventario centralizado de los modelos en producción [3].

Consumo: topes y cuotas que acoten el daño de una clave robada

Los límites de uso y gasto pueden reducir el impacto de una credencial robada. OWASP propone limitar la frecuencia de peticiones y fijar cuotas por usuario [3], y Google incluye los límites de uso y de gasto de la API entre las medidas que ayudan a detectar antes estos ataques y a reducir su impacto, según BleepingComputer [2]. Conviene probar cómo se comporta un tope estricto antes de aplicarlo en producción, para no cortar un servicio que usan los clientes.

Monitorización: alertas sobre uso anómalo antes de que llegue la factura

Como el gasto puede dispararse en horas, la factura mensual llega tarde. BleepingComputer recoge que Google recomienda activar y vigilar los registros de auditoría y de inferencia en busca de activaciones de servicios no autorizadas, comprobaciones sospechosas de credenciales, usos inusuales e intentos de desactivar el registro, así como tener visibilidad sobre servicios de IA no autorizados [2]. OWASP coincide en monitorizar de forma continua el consumo de recursos para detectar patrones anómalos [3].

La relación entre vías de entrada y controles queda así:

Vía de entrada descrita en las fuentesControl que la acota
Clave en código fuente, repositorio público o código del clienteGestor de secretos centralizado y rotación de claves
Phishing para robar tokens o credencialesMFA resistente al phishing
Entorno mal configurado o cuenta de servicio con permisos ampliosMínimo privilegio y denegación de permisos no requeridos
Endpoint de LLM expuesto públicamenteInventario de servicios de IA y no exponer endpoints
Clave válida usada por tercerosCuotas, límites de gasto y alertas sobre consumo anómalo

Ordenar estos tres frentes es, en el fondo, un ejercicio de gobernanza de la seguridad en proyectos de IA: decidir quién puede usar qué modelo, con qué clave y hasta qué importe.

Adoptar IA sin gobernar sus credenciales traslada el riesgo a la cuenta de la nube

El LLMjacking no necesita vulnerabilidades sofisticadas: basta una clave de IA mal guardada y sin límite de gasto. Las fuentes describen ataques que empiezan con phishing, código filtrado o configuraciones descuidadas y que terminan en cargos que la víctima descubre cuando ya se han producido [1][2].

Para una empresa que está ampliando su uso de modelos de lenguaje, la conclusión es práctica: antes de sumar casos de uso conviene poder responder quién tiene cada clave, qué puede hacer con ella y cuánto puede gastar. Si quieres revisar ese mapa de credenciales, límites y monitorización en tus servicios de IA, la consultoría de IA y seguridad de Hodeitek puede ayudarte a plantear el punto de partida.

Fuentes

  1. Google Warns LLMjacking Attacks Are Costing Some Enterprises Up to $1 Million in Cloud Charges — The Hacker News, 2026-11-03
  2. Google: LLMjacking attacks rack up $1 million in cloud AI charges — BleepingComputer, 2026-11-03
  3. LLM10:2025 Unbounded Consumption — OWASP Gen AI Security Project, 2024-04-10

Autoevalúa la gobernanza de tu IA

Clasifica en 2 minutos tus sistemas de IA según el riesgo del AI Act y detecta huecos de gobernanza.

Hacer la autoevaluación

¿Te ha sido útil este artículo?

Foto de Gorka Gonzalo

Gorka Gonzalo

Fundador y CEO

Fundó Hodeitek en 2023 y dirige la compañía, tras más de 8 años en pentesting, Red Team, auditoría OT/ICS y dirección de SOC. Experto en ciberseguridad e inteligencia artificial, marca la dirección técnica y de producto de HodeiShield y lidera personalmente los proyectos más críticos: de la estrategia de defensa a la aplicación de IA en la detección de amenazas. Es el interlocutor directo del cliente — quien define el alcance responde también por el resultado.