La creciente sofisticación de los bots sociales exige marcos de simulación avanzados para modelar las vulnerabilidades potenciales en los sistemas de detección y evaluar su robustez. Si bien los estudios existentes han explorado aspectos de la simulación de bots sociales, a menudo no logran capturar comportamientos adversariales clave. Para abordar esta brecha, proponemos un marco de simulación que incorpora conjuntamente tanto la imitación de comportamientos realistas como la coordinación adaptativa entre bots. Nuestro enfoque introduce un módulo de comportamiento similar al humano que reduce la divergencia detectable de los patrones de actividad de usuarios genuinos a través de la coincidencia de distribuciones, combinado con un módulo de coordinación que permite la cooperación estratégica mientras mantiene el sigilo estructural. La efectividad del marco propuesto se valida a través de simulaciones adversariales contra detectores basados en características (Random Forest) y basados en grafos (BotRGCN) en un conjunto de datos del mundo real. Los resultados experimentales demuestran que nuestro enfoque permite a los bots lograr capacidades de evasión notables, con el módulo de comportamiento similar al humano alcanzando hasta un 100% de tasa de supervivencia contra detectores basados en RF y un 99.1% contra el detector BotRGCN. Este estudio arroja dos hallazgos clave: (1) La integración de comportamiento similar al humano y coordinación consciente del objetivo establece un nuevo paradigma para simular botnets que son resistentes tanto a detectores basados en características como en grafos; (2) El mecanismo propuesto de recompensa basado en probabilidad y optimización del estado grupal alinea efectivamente las actividades de la botnet con el contexto social, logrando el ocultamiento a través de la integración en lugar de la mera evasión. El marco proporciona valiosas ideas sobre la compleja interacción entre las estrategias de evasión y la efectividad de los detectores, ofreciendo una base sólida para futuras investigaciones sobre las amenazas de los bots sociales.