Correlación de grafos y fuga de metadatos con IA

Las organizaciones publican rutinariamente archivos PDF, hojas de cálculo y presentaciones que contienen metadatos técnicos invisibles a simple vista: nombres de usuario internos, rutas de servidores compartidos, impresoras de red y versiones de software de ofimática. Un modelo de lenguaje puede procesar cientos de extracciones de metadatos en segundos, agrupando los patrones de nombres de usuario (ej. 'jramirez', 'mlopez') y deduciendo el formato estándar de cuentas de la empresa.

Las ofertas de trabajo de los departamentos de tecnología suelen ser una de las fuentes de información más reveladoras: especifican versiones exactas de bases de datos, marcas de cortafuegos perimetrales, sistemas EDR desplegados y herramientas de integración continua. Un modelo permite estructurar estas ofertas históricas en una matriz tecnológica consolidada, revelando qué tecnologías utiliza la empresa y cuáles están en proceso de migración.

En plataformas públicas como GitHub o GitLab, los desarrolladores de la organización a menudo mantienen repositorios personales donde accidentalmente suben fragmentos de proyectos corporativos o mensajes de commit detallados ('fix: compatibilidad con LDAP en dc01.corp'). Un modelo puede escanear los mensajes de cambio y correlacionar nombres de hosts y arquitecturas internas con alta precisión.

El riesgo permanente al usar modelos para correlación de OSINT es la inferencia inventada: el modelo puede suponer que si la empresa usa Azure, su base de datos debe ser Azure SQL, y presentarlo como un hecho comprobado. El analista profesional utiliza el modelo para formular hipótesis de reconocimiento, pero cada elemento de la matriz tecnológica debe confirmarse contra una evidencia documental primaria antes de incluirse en el plan de auditoría.