Parte 18 — IA aplicada a la ciberseguridad

⬅️ Volver al programa · 📚 Índice completo

10 clases · rango 331–340 · LLMs y agentes de IA para hacer seguridad: MCP, kali-mcp, pentesting asistido, defensa, informes, guardrails y ética

Fuentes de referencia de esta parte:

• kali-mcp (pabpereza, licencia MIT) — servidor MCP que conecta un agente de IA con herramientas de Kali: https://github.com/pabpereza/kali-mcp
• Model Context Protocol — especificación oficial: https://modelcontextprotocol.io/
• OWASP Top 10 for LLM Applications y MITRE ATLAS (amenazas a sistemas de IA).
• Documentación de agentes de IA (Claude Code, etc.) y de las herramientas de Kali orquestadas.

🎯 ¿De qué trata esta parte?

Esta parte cubre el ángulo que está transformando la profesión: usar IA — LLMs y agentes — para hacer trabajo de seguridad. Es lo opuesto y complementario a la Parte 15 (que trata de proteger la IA): aquí la IA es la herramienta, no el objetivo.

El hilo conductor es el Model Context Protocol (MCP) y, como caso práctico, el proyecto kali-mcp (MIT), que permite a un agente de IA orquestar las herramientas de Kali Linux (nmap, gobuster, sqlmap, etc.) dentro de un contenedor Docker. Verás cómo un agente puede coordinar reconocimiento, escaneo, auditoría web, OSINT y la generación de informes — siempre con el humano en el bucle y solo en entornos autorizados.

⚠️ Ético y legal. Automatizar con IA no cambia la ley: todo pentest, escaneo o explotación se hace únicamente contra sistemas propios o con autorización explícita por escrito. La IA propone y acelera; la responsabilidad y la autorización son humanas.

🧩 Problemas que resuelve

• Entender qué aportan (y qué no) los LLMs en seguridad, evitando la falsa confianza.
• Conectar un agente de IA con herramientas reales mediante MCP de forma segura.
• Acelerar recon, escaneo, OSINT y auditoría web con supervisión humana.
• Usar IA en el lado defensivo: resumir alertas, correlacionar y asistir el triaje.
• Generar informes consistentes sin que la IA "invente" hallazgos.
• Proteger tu propio flujo de IA (prompt injection, fuga de datos) y auditar sus acciones.

🎓 Resultados de aprendizaje

Al terminar la parte, el alumno podrá:

1. Explicar capacidades y límites de los LLMs en ciberseguridad.
2. Describir la arquitectura MCP (cliente–servidor–herramientas) y sus riesgos.
3. Montar kali-mcp en un laboratorio propio y ejecutar un flujo supervisado.
4. Coordinar recon/escaneo/OSINT/auditoría web con un agente, validando los resultados.
5. Aplicar supervisión humana a la explotación y post-explotación autorizadas.
6. Usar IA para tareas defensivas (SOC, triaje, forense) con criterio.
7. Generar informes verificables con apoyo de IA.
8. Defender su propio agente y auditar sus acciones; aplicar el marco legal.

🧱 Prerrequisitos

Haber cursado la base ofensiva (Partes 3–7) y defensiva (Partes 8–9), la Parte 0 (Docker, clase 022) y, muy recomendable, la Parte 15 (seguridad de la IA: prompt injection, OWASP LLM). El lab red-team-ad y el appsec-web sirven como objetivos autorizados.

🗺️ Estructura temática

🔗 Referencias de la parte

• kali-mcp (MIT) — https://github.com/pabpereza/kali-mcp
• Model Context Protocol — https://modelcontextprotocol.io/
• OWASP Top 10 for LLM Applications · MITRE ATLAS

▶️ Empezar

Clase 331 — IA generativa y LLMs en ciberseguridad: panorama y límites