Las entrevistas técnicas de trabajo se han convertido en un entorno vulnerable para ataques de ingeniería social, particularmente cuando implican interacción directa con código malicioso. En este contexto, el presente manuscrito investiga un estudio de caso exploratorio, con el objetivo de proporcionar un análisis en profundidad de un solo incidente en lugar de buscar generalizar evidencia estadística. El estudio examina un ataque encubierto del mundo real llevado a cabo a través de una entrevista simulada, identificando los elementos técnicos y psicológicos que contribuyen a su efectividad, evaluando el rendimiento de los asistentes de inteligencia artificial (IA) en la detección temprana y proponiendo estrategias de mitigación. Para ello, se implementó una metodología que combina la reconstrucción discursiva del ataque, la explotación de código y el análisis forense. La fase experimental, centrada principalmente en evaluar 10 modelos de lenguaje grande (LLMs) contra un fragmento de código ofuscado, revela que el malware inicialmente evadió la detección por 62 motores antivirus, mientras que asistentes como GPT 5.1, Grok 4.1 y Claude Sonnet 4.5 identificaron con éxito patrones maliciosos y sugirieron contramedidas operativas. La discusión destaca cómo la aparente legitimidad de plataformas como LinkedIn, Calendly y Bitbucket, junto con la presión temporal y la familiaridad técnica, actúan como catalizadores para el engaño. Basado en estos hallazgos, el estudio sugiere que los LLMs pueden desempeñar un papel en la detección temprana de amenazas, ofreciendo una vía potencialmente valiosa para mejorar la seguridad en los procesos de reclutamiento técnico al permitir la identificación oportuna de comportamientos maliciosos. Hasta donde se tiene conocimiento, este representa el primer caso documentado académicamente de su tipo analizado desde una perspectiva interdisciplinaria.