🤖 AI

Foundations for Agentic AI Investigations from the Forensic Analysis of OpenClaw

Este artículo presenta un estudio empírico sobre el sistema de agente OpenClaw que, mediante análisis de código y forense diferencial, propone una taxonomía de artefactos para investigar sistemas de IA agéntica mientras destaca los desafíos únicos que plantea la no determinación introducida por los modelos de lenguaje grande.

Autores originales: Jan Gruber, Jan-Niclas Hilgert

Publicado 2026-04-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jan Gruber, Jan-Niclas Hilgert

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes un asistente personal digital llamado "OpenClaw". No es un simple chatbot que solo responde preguntas; es un agente con "cuerpo" y "manos" que puede entrar en tu computadora, abrir archivos, enviar correos, programar citas y hasta navegar por internet por ti. Es como tener un empleado muy inteligente que trabaja 24/7, pero que a veces toma decisiones por su cuenta sin que tú te des cuenta.

Este artículo de investigación es como un manual de "forense digital" (la ciencia de investigar crímenes en la computadora) diseñado específicamente para entender qué hace este tipo de asistente cuando ocurre algo extraño.

Aquí te explico los puntos clave con analogías sencillas:

1. El Problema: ¿Quién hizo qué?

Antes, si alguien hackeaba tu computadora, los investigadores miraban los registros de quién entró y qué archivos tocó. Pero con estos nuevos agentes de IA, la pregunta cambia:

¿El usuario pidió esto?
¿O el agente decidió hacerlo por su cuenta?

Imagina que tu asistente compra algo en internet. ¿Fue porque tú se lo dijiste, o porque el agente "pensó" que era necesario y lo hizo solo? Esto es difícil de saber porque la IA no solo sigue reglas fijas; improvisa.

2. La Investigación: ¿Dónde están las huellas?

Los autores estudiaron OpenClaw para ver qué "huellas digitales" deja este agente en el disco duro. Descubrieron que, aunque la IA es compleja, deja rastro en varios lugares, como si fuera una casa con diferentes habitaciones:

La Memoria (El Cuaderno de Notas): El agente guarda todo lo que aprende de ti en archivos de texto. Si le dijiste "me gusta el café", eso queda escrito en un archivo llamado USER.md.
La Personalidad (El ADN): Hay archivos que definen quién es el agente (su nombre, sus límites, qué herramientas puede usar). Es como su tarjeta de identidad.
La Conversación (La Grabadora): Cada vez que hablas con él, se guarda una transcripción detallada. No solo dice lo que tú escribiste, sino también cómo pensó el agente antes de actuar (sus "pensamientos en voz alta").
Las Acciones (Las Manos): Si el agente ejecuta un comando en la computadora (como borrar un archivo), queda registrado en un historial de "llamadas a herramientas".

3. La Nueva Clasificación: Los 5 Planes de la IA

Para ayudar a los investigadores, los autores crearon un mapa (una taxonomía) con 5 niveles para investigar a estos agentes, similar a cómo un detective examinaría a un sospechoso:

El Cerebro (Razonamiento): ¿Cómo pensó el agente? Aquí buscamos sus "pensamientos" antes de actuar.
El ADN (Configuración): ¿Quién es y qué puede hacer? Revisamos sus reglas y permisos.
La Memoria (Lo que sabe): ¿Qué información tenía en su cabeza en ese momento? ¿Sabía que eras dueño de la casa o que tenías una cuenta bancaria?
Los Oídos y la Boca (Comunicación): ¿Con quién habló? ¿Fue por WhatsApp, Telegram o correo? ¿Qué vio el usuario?
Las Manos (Acciones): ¿Qué hizo exactamente? ¿Envió un correo, borró un archivo o cambió una configuración?

4. El Gran Desafío: La "Magia" de la IA

Aquí está la parte más difícil y fascinante. En el software normal, si haces lo mismo dos veces, obtienes el mismo resultado (como una calculadora). Pero con la IA, es impredecible.

La Analogía del Chef: Imagina que le pides a un chef (la IA) que haga una ensalada.
- En un restaurante normal (software antiguo), el chef siempre usa la misma receta.
- Con OpenClaw (IA), el chef decide qué ingredientes usar basándose en lo que hay en la nevera, su estado de ánimo y lo que cree que te gustará.
- Resultado: Si le pides "haz una ensalada" dos veces, podría hacer una con tomate hoy y una con pepino mañana. Deja huellas diferentes cada vez.

Esto significa que los investigadores no pueden simplemente "reproducir el crimen" para ver qué pasó, porque la IA podría decidir hacer las cosas de forma distinta la próxima vez.

5. Conclusión: ¿Por qué importa esto?

Este estudio es fundamental porque nos dice que los métodos antiguos de investigación ya no sirven.

Ya no basta con mirar quién escribió el código.
Ahora debemos entender la "mente" de la máquina, su memoria y cómo sus decisiones cambian según el contexto.

Los autores nos dicen que, en el futuro, estos agentes serán tan comunes como los teléfonos inteligentes. Si ocurre un delito digital, necesitaremos saber distinguir entre lo que el humano pidió y lo que la máquina "imaginó" y ejecutó. Han creado las primeras herramientas y mapas para empezar a resolver estos misterios.

En resumen: Este papel nos enseña a investigar a nuestros nuevos "empleados digitales" inteligentes, entendiendo que no son robots tontos que siguen órdenes, sino entidades que piensan, recuerdan y a veces actúan por su cuenta, dejando un rastro de papel que debemos aprender a leer.

1. El Problema

La rápida adopción de sistemas de IA Agéntica (agentes autónomos capaces de razonar, planificar y ejecutar flujos de trabajo reales) presenta un desafío sin precedentes para la investigación forense digital. A diferencia de los chatbots tradicionales o el software basado en reglas, los agentes como OpenClaw operan con un alto grado de autonomía, interactúan profundamente con el sistema operativo y los servicios en línea, y pueden ejecutar acciones sin supervisión humana directa o incluso sin el conocimiento explícito del usuario.

Los problemas centrales identificados son:

Falta de Metodología: La comunidad forense carece de experiencia y metodologías sistemáticas para identificar y analizar las trazas generadas por estos sistemas.
Abstracción y No Determinismo: La ejecución mediada por un Modelo de Lenguaje Grande (LLM) introduce una capa adicional de abstracción. Un mismo comando del usuario puede resultar en diferentes secuencias de herramientas y estados internos dependiendo del contexto, la memoria y la aleatoriedad del LLM, lo que rompe los supuestos tradicionales de reproducibilidad forense.
Problema de Atribución: Es difícil distinguir entre lo que el usuario pidió, lo que el agente entendió y lo que el agente ejecutó realmente, especialmente cuando el agente toma decisiones autónomas (ej. realizar compras o filtrar datos sensibles).

2. Metodología

Los autores realizaron un estudio empírico utilizando OpenClaw, un asistente personal de IA de código abierto y ampliamente utilizado, como caso de estudio representativo.

Entorno Experimental: Se utilizó una máquina virtual (Debian GNU/Linux) con OpenClaw (versión 2026.2.2-33).
Diseño de Experimentos: Se aplicó una metodología de análisis diferencial. Se generaron datos de prueba ejecutando una serie de acciones específicas ( $\sigma_i$ ) que transicionaban el sistema de un estado base ( $q_0$ ) a estados sucesivos ( $q_i$ ).
Procedimiento de Análisis:
1. Análisis de Código Estático: Para comprender la arquitectura, los componentes y los posibles lugares de almacenamiento de datos antes de generar datos de usuario.
2. Análisis Diferencial: Comparación de imágenes de disco entre estados consecutivos utilizando herramientas como Sleuthkit, DFXML y scripts personalizados para aislar los cambios específicos ( $\delta_i$ ) inducidos por cada acción.
3. Inspección de Archivos: Análisis profundo de los archivos resultantes (JSONL, SQLite, Markdown, logs) para correlacionar las trazas digitales con el comportamiento observado del agente.
Herramienta Propia: Se desarrolló un prototipo de herramienta de código abierto para extraer y correlacionar automáticamente los artefactos locales de una instalación de OpenClaw.

3. Contribuciones Clave

El artículo aporta las siguientes contribuciones fundamentales al campo de la forense de IA:

Primera Análisis Forense de un Asistente Personal de IA: Proporciona una descripción técnica detallada de la arquitectura de OpenClaw y sus mecanismos de persistencia.
Taxonomía de Artefactos de Agente: Se propone una clasificación funcional de los artefactos forenses en cinco planos (o dimensiones) que cubren todo el ciclo de vida del agente:
1. Razonamiento y Cognición ("El Cerebro"): Trazas de pensamiento del LLM, identidades de modelos y parámetros.
2. Identidad y Configuración ("El ADN"): Configuración estática, perfiles de usuario, credenciales y definiciones de herramientas/habilidades.
3. Conocimiento y Recuperación ("La Memoria"): Memoria episódica (logs diarios), perfiles de usuario acumulados y índices semánticos (embeddings).
4. Comunicación y E/S ("Oídos y Boca"): Configuración de canales, metadatos de dispositivos emparejados y registros de mensajes intercambiados.
5. Acciones y Efectos ("Las Manos"): Invocaciones de herramientas, tareas programadas (cron), delegación a subagentes y registros de ejecución.
Herramienta y Datos Públicos: Liberación del código fuente y los datos experimentales para permitir la reproducibilidad y el desarrollo de futuras herramientas forenses.

4. Resultados Principales

El análisis de OpenClaw reveló una rica variedad de artefactos forenses recuperables, aunque con matices importantes:

Localización de Artefactos: La mayoría de los datos residen en el directorio oculto ~/.openclaw/. Los artefactos más valiosos incluyen:
- Transcripciones de Sesión (.jsonl): Contienen el historial completo de conversaciones, trazas de razonamiento (bloques thinking), invocaciones de herramientas y resultados. Son el artefacto más rico.
- Base de Datos SQLite: Almacena la memoria semántica y los embeddings para la recuperación aumentada.
- Archivos Markdown: Contienen la memoria episódica diaria, perfiles de usuario y definiciones de identidad.
- Logs de Ejecución: Proporcionan una línea de tiempo de eventos del sistema, aunque con una política de retención limitada (24 horas).
Correlación de Comportamiento: Se demostró que es posible reconstruir la línea de tiempo de acciones, incluyendo tareas autónomas programadas y delegación a subagentes, correlacionando los registros de sesión con los archivos de configuración y memoria.
Desafíos de Reconstrucción:
- No Determinismo: Se observó que ejecutar la misma acción bajo condiciones fijas no siempre produce las mismas trazas de archivo debido a la variabilidad del LLM (diferentes selecciones de herramientas o rutas de razonamiento).
- Contexto Efímero: El contexto exacto que tenía el LLM en un momento específico (qué archivos de memoria se cargaron) es difícil de reconstruir con precisión absoluta si no se dispone de los logs en tiempo real o de copias de seguridad de los archivos de contexto.
- Capas de Abstracción: Las acciones del agente están mediadas por el LLM, lo que significa que la relación entre la intención del usuario y la acción ejecutada no es lineal ni siempre predecible.

5. Significado e Implicaciones

Este trabajo establece una base fundamental para la investigación forense de sistemas de IA agéntica:

Cambio de Paradigma: Demuestra que los enfoques forenses tradicionales (basados en reglas deterministas) son insuficientes para los agentes autónomos. Se requiere una nueva comprensión que integre la reconstrucción de la "intención" del LLM y la gestión de la incertidumbre.
Guía para Investigadores: La taxonomía propuesta ofrece un marco estructurado para que los investigadores forenses aborden casos futuros, asegurando que no se pasen por alto clases de evidencia críticas como las trazas de razonamiento o la memoria semántica.
Impacto en la Práctica Legal y Técnica: Resalta la necesidad de desarrollar herramientas y protocolos que puedan manejar la atribución de responsabilidad en sistemas donde la autonomía es alta. La capacidad de distinguir entre una acción solicitada por el usuario y una acción autónoma del agente es crucial para determinar la culpabilidad o responsabilidad en incidentes de seguridad.
Investigación Futura: Señala la necesidad urgente de investigar la durabilidad de las pruebas a largo plazo, el análisis de tráfico de red y memoria volátil, y el desarrollo de estándares para la recolección de evidencia en entornos de IA dinámicos.

En resumen, el artículo no solo analiza un sistema específico, sino que define el terreno de juego para la futura disciplina de la forense de IA agéntica, advirtiendo sobre los desafíos de la no determinación y proponiendo una estructura metodológica para superarlos.