La función de colaboración entre inquilinos de Microsoft Teams, que permite que cuentas externas envíen mensajes directos a los empleados, está habilitada por defecto en la mayoría de las implementaciones empresariales. Muchas organizaciones nunca la han auditado ni restringido, convirtiéndola en uno de los puntos de entrada más fiables para ataques de ingeniería social. El ataque básico es sencillo: un atacante crea una cuenta externa en Teams, identifica a un objetivo mediante LinkedIn o un directorio corporativo, y envía un mensaje haciéndose pasar por personal de soporte técnico, solicitando al empleado que abra Quick Assist y apruebe una sesión remota. Lo que ha cambiado recientemente es la adición de una capa de voz generada por IA que suena como alguien conocido por el objetivo.

Cómo se desarrolla la cadena de ataque base

  • Reconocimiento mediante Símbolo del sistema y PowerShell para mapear el entorno y evaluar el nivel de acceso.
  • Distribución de malware mediante DLL side-loading, ocultando código malicioso dentro de procesos de aplicaciones de confianza para evitar detección.
  • Persistencia mediante modificaciones en el registro que sobreviven a reinicios.
  • Comando y control sobre HTTPS, mezclándose con el tráfico web normal.
  • Movimiento lateral mediante Windows Remote Management (WinRM) hacia controladores de dominio.
  • Recolección y exfiltración de datos usando herramientas como Rclone, priorizando automáticamente archivos de alto valor.

Cada componente aquí utiliza herramientas estándar de Microsoft. No se requiere ningún exploit novedoso ni malware personalizado. La efectividad del ataque descansa enteramente en una decisión humana tomada en los primeros minutos del contacto.

La capa de voz con IA

Las herramientas de síntesis de voz con IA pueden generar réplicas de voz a partir de muestras de audio grabadas. La calidad y la duración requerida varían; los resultados de calidad profesional suelen necesitar entre 30 segundos y varios minutos de audio limpio. Ese audio es más fácil de encontrar de lo que la mayoría espera: seminarios web grabados, charlas en conferencias, videos de LinkedIn, llamadas de resultados y apariciones en podcasts públicos son fuentes viables. En la versión aumentada de este ataque, el mensaje de Teams es el contacto inicial, seguido de una llamada telefónica con una voz que suena como una figura interna conocida, típicamente un director de TI, gerente o ejecutivo. Para los objetivos que han conocido a esa persona, es una señal genuinamente difícil de evaluar rápidamente, especialmente cuando el interlocutor añade urgencia y cita detalles específicos extraídos del perfil profesional del objetivo.

Un incidente en 2024 en la firma de ingeniería Arup ilustra el límite superior de esta capacidad: un empleado autorizó una transferencia de 25 millones de dólares después de una videoconferencia que incluía representaciones deepfake de audio y video de varios colegas. Ese caso utilizó síntesis de video y audio combinados. Los ataques solo de audio requieren una preparación significativamente menor y son operativamente más simples de implementar contra empleados individuales. La combinación es efectiva por una razón específica: los empleados han desarrollado un escepticismo razonable hacia correos electrónicos inesperados. La voz tiene un tipo diferente de autoridad social. Una voz familiar que llama para confirmar una solicitud urgente comprime el tiempo disponible para tomar una decisión de seguridad.

Dónde se complica la detección

La mayoría de las herramientas de detección de comportamiento buscan acciones anómalas. Una sesión de Quick Assist abierta por un empleado, seguida de comandos administrativos estándar de Windows, no genera alertas por sí sola. Las herramientas UEBA y PAM pueden marcar el movimiento lateral hacia controladores de dominio, y los entornos con configuraciones sólidas detectarán tráfico WinRM proveniente de fuentes inesperadas. La brecha suele estar entre los 10 y 15 minutos desde el acceso inicial hasta el inicio del movimiento lateral, durante los cuales toda la actividad observada parece trabajo legítimo de TI. Esa ventana es donde la decisión del empleado importa más, y donde ni el entorno técnico ni la capacitación existente suelen haberlos preparado.

Controles que ayudan consistentemente

  • Auditar el acceso entre inquilinos en Teams: el centro de administración de Microsoft permite revisar y restringir qué empleados pueden recibir mensajes de cuentas externas. Comenzar con roles de alto riesgo en finanzas, legal y TI elimina el canal principal de distribución de este ataque.
  • Restringir Quick Assist a nivel de endpoint: las directivas de grupo pueden limitar Quick Assist para que solo cuentas de TI designadas puedan iniciar sesiones, eliminando el método de acceso principal con impacto mínimo en los flujos de soporte legítimos.
  • Limitar el alcance de Windows Remote Management (WinRM): restringir WinRM a servidores jump específicos y estaciones de trabajo de administración monitoreadas limita significativamente las opciones de movimiento lateral tras el acceso inicial.
  • Establecer un hábito de verificación secundaria para solicitudes de acceso remoto: confirmar cualquier solicitud de sesión remota a través de un canal interno conocido y preestablecido (como un número de la guía corporativa o un sistema de tickets) añade un paso sencillo de implementar. Con herramientas de síntesis de voz cada vez más accesibles, ese paso de verificación debe diseñarse considerando la posibilidad de audio fabricado.
  • Capacitar específicamente sobre amenazas en plataformas de colaboración: instruir claramente sobre cómo se ve una solicitud legítima de TI en su organización, incluyendo el hecho de que TI no iniciará una sesión de Quick Assist a través de un mensaje no solicitado en Teams, proporciona a los empleados un punto de referencia concreto para evaluar estas interacciones en el momento. La mayoría de los programas de capacitación actuales no cubren este patrón.
  • Realizar una simulación antes de que ocurra un ataque: un ejercicio controlado de suplantación del servicio de asistencia técnica a través de Teams, opcionalmente con una llamada de voz de seguimiento, identifica dónde se concentra el riesgo entre los empleados. Los equipos de seguridad que realizan estos ejercicios descubren brechas que no habrían anticipado solo con la revisión de políticas.

Qué esperar en el futuro

La calidad de la síntesis de voz está mejorando y el costo operativo de generar audio convincente está disminuyendo. El mecanismo de entrega a través de Teams ya está en uso activo. Los equipos de seguridad que aborden la configuración de acceso entre inquilinos, las políticas de Quick Assist, el alcance de WinRM y los hábitos de verificación de los empleados estarán bien posicionados para manejar esta técnica a medida que siga evolucionando. El desafío subyacente es una brecha entre dónde se enfoca actualmente la capacitación en seguridad y dónde están operando los atacantes. Cerrarla requiere cambios de configuración que ya están disponibles en la mayoría de los entornos Microsoft, combinados con capacitación explícita sobre los nuevos canales de entrega. Ambos son alcanzables con las herramientas y equipos existentes.