Encuesta de seguridad de IA de CTech: la automatización eleva el listón para los investigadores humanos
La encuesta de seguridad de IA de CTech reveló que la automatización ya se encarga de una parte sustancial del trabajo de investigación, pero este cambio está elevando las expectativas sobre las personas que la supervisan. La encuesta del 18 de septiembre incluyó a 30 investigadores de seguridad de empresas israelíes de ciberseguridad. Los participantes describieron el uso de IA para analizar registros, revisar documentación, realizar análisis iniciales de código y llevar a cabo investigaciones paralelas.
Esta eficiencia trae consigo un giro importante. Una investigación más rápida no reduce la importancia de un criterio acertado. Da a las suposiciones débiles, las instrucciones incompletas y los permisos excesivos más oportunidades de causar daños a velocidad de máquina.
Por ello, los investigadores de seguridad están pasando de la investigación manual a la orquestación, la validación y la rendición de cuentas. Su adversario emergente no es simplemente un modelo de IA o un atacante automatizado. Es la automatización sin un criterio humano fiable.
El cambio va más allá de los equipos especializados de investigación. Las empresas están llenando sus entornos de agentes, cuentas de servicio, claves de interfaz de programación de aplicaciones y otras identidades no humanas. Muchas pueden leer datos sensibles o ejecutar acciones en sistemas conectados.
Mientras tanto, los atacantes pueden utilizar automatización similar para explorar vulnerabilidades y acelerar la explotación. Los defensores deben automatizar sin confiar en cada conclusión generada. También deben proteger a los agentes que realizan ese trabajo.
El resultado es un nuevo estándar exigente para la profesión. Los investigadores necesitan la profundidad técnica para cuestionar a un modelo, la disciplina operativa para controlar agentes y las habilidades de comunicación para definir objetivos precisos.
La encuesta de seguridad de IA de CTech muestra qué cambió
La IA ha asumido tareas de seguridad repetitivas, desplazando el valor del investigador de la producción manual hacia la dirección, la verificación y el criterio técnico.
La encuesta a investigadores de seguridad recopiló respuestas de 30 profesionales de todo el sector israelí de la ciberseguridad. No fue un estudio controlado de productividad. Fue una visión estructurada de cómo los equipos de investigación activos describen la transformación de su trabajo.
Todas las empresas de la encuesta afirmaron que la IA había asumido tareas como el análisis de registros, la revisión de documentación y el análisis inicial de código. Una cuarta parte de los encuestados describió explícitamente la tecnología como un multiplicador de fuerza para la productividad individual.
Yuval Barak, ingeniero de investigación fundador de Astelia, formuló la afirmación de productividad más contundente de la encuesta. Dijo que los agentes habían elevado la productividad de cada investigador a aproximadamente diez veces su nivel anterior al encargarse del trabajo laborioso.
Esa cifra refleja la valoración de un profesional, no un indicador sectorial auditado de forma independiente. Aun así, el cambio subyacente en el flujo de trabajo apareció de manera consistente en las respuestas.
Antes, un investigador debía recopilar registros, buscar documentación, comparar rutas de código y organizar posibles hallazgos antes de poner a prueba una hipótesis. Ahora, un agente puede realizar varios de esos pasos simultáneamente.
El papel humano comienza antes y termina después. Los investigadores deben definir la pregunta, seleccionar herramientas, restringir el acceso, examinar pruebas y decidir si una vulnerabilidad reportada es real.
Roy Itzhaky, investigador de seguridad en la organización del director de tecnología de Linx Security, describió este papel como el de un director más que el de alguien que excava. El agente explora varias rutas, mientras el investigador las mantiene alineadas y evalúa los resultados.
Esta distinción importa porque la investigación no se mide por la cantidad de pistas que genera un sistema. Un hallazgo creíble debe ser reproducible, relevante y estar respaldado por pruebas.
El análisis automatizado puede aumentar el número de hipótesis sin mejorar su calidad. También puede ocultar la incertidumbre tras una prosa segura de sí misma o artefactos técnicos convincentes.
Un modelo podría identificar código sospechoso y proponer una ruta de ataque plausible. El investigador aún debe determinar si esa ruta es alcanzable, si los controles existentes la bloquean y si la explotación genera un impacto significativo.
El mismo principio se aplica al trabajo con documentación. La IA puede resumir investigaciones anteriores y sacar a la luz hallazgos relacionados. No puede garantizar que el contexto esté actualizado, sea completo o resulte aplicable a un entorno nuevo.
Esto cambia la forma en que los equipos gestionan la memoria institucional. Barak sostuvo que el conocimiento puede convertirse en una propiedad del equipo en lugar de permanecer en manos de investigadores individuales.
Ese resultado exige más que añadir un chatbot a una colección de documentos. Los equipos necesitan pruebas organizadas, decisiones trazables y controles de acceso que distingan los hallazgos fiables de las especulaciones inacabadas.
Una base de conocimiento con capacidad de búsqueda puede respaldar esa transición cuando preserva el contexto de las fuentes. Sin procedencia, una recuperación más rápida puede propagar suposiciones antiguas con la misma rapidez que conocimiento válido.
Por tanto, el fenómeno es mayor que una simple historia de productividad. La IA está cambiando dónde invierten su esfuerzo los investigadores y dónde pueden introducirse fallos de seguridad en el proceso.
El trabajo repetitivo se está reduciendo. La carga de especificar, supervisar y validar el trabajo automatizado está creciendo.
Una investigación más rápida presiona a los equipos de seguridad
La ganancia de productividad crea una nueva referencia, obligando a los investigadores a entregar resultados validados con mayor rapidez mientras los atacantes acceden a una automatización similar.
Los equipos de seguridad afrontan presión desde ambos lados del flujo de trabajo. Sus propias organizaciones esperan más resultados, mientras los adversarios pueden usar IA para acortar el reconocimiento y la experimentación.
La encuesta de seguridad de IA de CTech muestra la rapidez con que se han ajustado las expectativas internas. Si un agente puede revisar documentación o analizar código en minutos, resulta más difícil justificar una larga cola de trabajo manual.
Ofri Ziv, cofundador y vicepresidente de investigación de Tenzai, afirmó que el trabajo que antes permanecía meses en investigación ahora debe evaluarse, reforzarse y entregarse en cuestión de semanas. Ese cambio vincula directamente el rendimiento de la investigación con la entrega de productos.
Una entrega más rápida puede mejorar la defensa cuando los equipos preservan la validación. También puede fomentar hallazgos prematuros, alertas ruidosas o controles insuficientemente probados.
La presión es especialmente visible en la gestión de vulnerabilidades. Las organizaciones deben encontrar debilidades explotables, priorizarlas, desarrollar correcciones y verificar esas correcciones en entornos cambiantes.
El equipo Mandiant de Google ha descrito un modelo operativo similar. Su marco de revisión agéntica combina múltiples agentes con validación estructurada y experiencia humana.
El marco está diseñado para ayudar a los expertos a examinar código fuente, encontrar rutas de explotación y probar vulnerabilidades potenciales. Su estructura es importante porque la exploración de modelos sin restricciones puede desperdiciar tiempo o producir conclusiones sin respaldo.
La velocidad por sí sola no resuelve la desventaja tradicional del defensor. Un atacante necesita una sola ruta viable, mientras que un defensor debe reducir la exposición en numerosos activos, identidades y aplicaciones.
La IA puede ayudar a los defensores a paralelizar ese trabajo. También ayuda a los atacantes a automatizar búsquedas, adaptar técnicas públicas y examinar sistemas expuestos con mayor frecuencia.
Google Cloud informó que el intervalo entre la divulgación de una vulnerabilidad y su explotación activa cayó de semanas a días durante la segunda mitad de 2025. Esa observación respalda la necesidad de un descubrimiento continuo y una validación defensiva más rápida.
No demuestra que la IA haya causado cada ventana de explotación más corta. Sí muestra por qué el trabajo de seguridad periódico es cada vez menos compatible con las condiciones operativas actuales.
Una prueba de penetración realizada dos veces al año captura una visión temporal de un entorno. El código nuevo, los permisos, los servicios y las integraciones pueden volver obsoleta esa visión poco después de su entrega.
Cuatro empresas de la encuesta de CTech afirmaron haber desarrollado hackers de IA propietarios o entornos internos de entrenamiento. Estos sistemas simulan continuamente ataques y prueban cómo podrían aparecer debilidades en producción.
Los participantes de la encuesta describieron un estándar de cero falsos positivos para esos programas. Ese estándar es una aspiración que exige pruebas, no una propiedad general de las herramientas de seguridad basadas en IA.
Los falsos positivos siguen teniendo costes reales. Consumen tiempo de investigación, interrumpen a los equipos de ingeniería y pueden enseñar a los usuarios a ignorar futuras advertencias.
Los falsos negativos son más peligrosos. Un agente podría pasar por alto una técnica novedosa porque sus datos de entrenamiento o las herramientas disponibles no representan el ataque.
Por tanto, los líderes de seguridad deben evaluar la automatización mediante resultados validados. Las métricas útiles incluyen hallazgos reproducibles, cobertura de detección, tiempo de corrección y tasa de conclusiones de agentes rechazadas.
La respuesta obligada del investigador es clara. Los equipos deben automatizar el descubrimiento repetitivo e invertir más en revisión, pruebas y gestión de evidencias.
Es probable que esta presión persista. Una vez que una organización integra la automatización en su canal de investigación, volver a un ritmo manual más lento se vuelve difícil.
La cuestión más difícil es si los equipos pueden escalar el criterio al mismo ritmo que la producción generada. Esa pregunta define el conflicto central al que se enfrenta ahora la investigación de seguridad.
Los investigadores de seguridad de IA se están convirtiendo en directores, no en excavadores
La principal competencia de la profesión es el criterio humano frente a la automatización sin supervisión, no la velocidad humana frente a la velocidad de las máquinas.
Los investigadores de seguridad de IA ya no crean valor completando personalmente cada paso de una investigación. Su valor depende cada vez más de decidir qué pasos deben ejecutarse, bajo qué restricciones y con qué requisitos de evidencia.
Ese papel se parece a la dirección técnica. Un investigador puede asignar agentes separados para revisar código fuente, buscar documentación, inspeccionar registros o probar hipótesis en competencia.
El trabajo en paralelo amplía el espacio de búsqueda. También crea problemas de coordinación que una sola investigación manual podría evitar.
Los agentes pueden repetir la misma suposición errónea en varias ramas. Pueden perder contexto relevante, perseguir teorías atractivas pero improductivas o producir conclusiones contradictorias.
Itzhaky resumió el peligro con un contraste contundente. Un razonamiento descuidado antes consumía una tarde, pero ahora puede enviar una flota de agentes en la dirección equivocada.
La afirmación recoge la inversión central. La automatización reduce el coste de actuar, pero puede multiplicar el coste de un objetivo mal definido.
Un director humano debe traducir una meta de investigación en tareas delimitadas. Cada tarea necesita un objetivo, herramientas permitidas, condiciones de detención y un estándar de evidencia suficiente.
El investigador también debe decidir cuán independientes deben mantenerse los agentes. Varios agentes que repiten el mismo patrón de razonamiento no aportan una confirmación significativa.
Un diseño mejor separa los roles. Un agente puede generar hipótesis, otro puede cuestionar las suposiciones y una herramienta controlada puede reproducir el comportamiento sospechoso.
Incluso ese proceso necesita revisión humana. Los modelos comparten patrones de entrenamiento, y un aparente desacuerdo no garantiza un razonamiento independiente.
Ofek Haviv, investigador de ciberseguridad en Terra Security, sostuvo que los investigadores no compiten con los agentes en velocidad. Su valor reside en establecer el estándar que deben cumplir los resultados de los agentes.
Ese estándar incluye la verdad técnica, pero también la relevancia organizativa. Una debilidad teórica puede tener poco impacto cuando los controles hacen inalcanzable la ruta vulnerable.
Por el contrario, un pequeño error de configuración puede generar una gran exposición cuando un agente cuenta con privilegios amplios. El contexto determina si un hallazgo requiere una actuación urgente.
Los investigadores también deben comprender las herramientas que hay detrás de las respuestas generadas. Quien revise código obtenido mediante ingeniería inversa debe reconocer cuándo un modelo inventa comportamientos o interpreta mal un flujo de control.
Idan Revivo, responsable de investigación de seguridad en Island, advirtió sobre los recién llegados que saben dar instrucciones a los modelos, pero nunca aprendieron a realizar ingeniería inversa de software. Su preocupación no es una resistencia a la automatización.
Es una advertencia sobre la capacidad de verificación. Cuando un modelo se equivoca con seguridad, alguien necesita suficiente profundidad técnica para cuestionarlo.
Ese requisito eleva el listón para los investigadores junior. Tradicionalmente, el trabajo de nivel inicial ofrecía una exposición repetida a registros, código, sistemas y modos de fallo habituales.
Si los agentes absorben esas tareas, los nuevos investigadores podrían tener menos oportunidades de desarrollar intuición. Los equipos deben sustituir deliberadamente esa práctica perdida con laboratorios supervisados, ejercicios de reproducción y revisión adversarial.
La encuesta reveló que una quinta parte de los encuestados mencionó el efecto de la IA en la próxima generación de investigadores. Roey Vilnai, director de investigación cibernética en Axonius, afirmó que el acceso al conocimiento ha elevado las expectativas en todos los niveles de experiencia.
Tamir Ishay Sharbat, director de investigación de seguridad en Zenity, ofreció una visión complementaria. Entró en la ciberseguridad sin experiencia previa y ahora considera que el uso de IA es un requisito para los investigadores.
En conjunto, estas perspectivas ponen de manifiesto un desafío de formación. La IA puede ampliar el acceso al conocimiento al tiempo que facilita confundir una competencia superficial con experiencia real.
Los procesos de contratación deberán evaluar tanto el uso de herramientas como el razonamiento independiente. Un candidato debería poder dirigir a un agente, revisar sus evidencias y continuar cuando el modelo falle.
Los equipos también deben preservar los ejercicios manuales para las habilidades esenciales. La ingeniería inversa, el desarrollo de exploits, el análisis de identidades y el razonamiento sobre redes no pueden subsistir como conocimientos puramente teóricos.
Los mejores investigadores combinarán la exploración a escala de máquina con un escepticismo técnico fundamentado. Sabrán cuándo automatizar, cuándo acotar el alcance y cuándo detener el sistema.
Esa combinación, y no solo la fluidez al redactar prompts, se está convirtiendo en la nueva base de la profesión.
Las identidades no humanas amplían la superficie de ataque
Los agentes que realizan tareas de seguridad también se convierten en identidades privilegiadas que las organizaciones deben descubrir, restringir, supervisar y revocar.
Once empresas de la encuesta de CTech identificaron a los agentes de IA como un cambio importante en el perímetro de seguridad. Los encuestados agruparon a esos agentes con claves API, cuentas de servicio y otras identidades no humanas.
Tomer Bar, vicepresidente asociado de investigación de seguridad en Semperis, afirmó que las identidades no humanas ya superan en número a las personas en algunas organizaciones clientes. Proyectó que la proporción podría alcanzar diez a uno en los próximos años.
Esa proyección es el pronóstico de un ejecutivo de empresa, no una medición de mercado verificada de forma independiente. Sin embargo, el problema subyacente de identidad es concreto.
Un agente necesita acceso a datos, aplicaciones y herramientas para realizar un trabajo útil. Esas conexiones le proporcionan una identidad, un conjunto de permisos o acceso prestado a través de otra cuenta.
Omer Nissim, investigador de seguridad en Sweet Security, destacó el peligro de combinar permisos amplios con un proceso de decisión impredecible. Señaló específicamente a los agentes conectados mediante servidores Model Context Protocol.
Model Context Protocol, o MCP, es un estándar que permite a los sistemas de IA conectarse a herramientas externas y fuentes de datos. Su utilidad depende de cómo se autoricen y restrinjan esas conexiones.
Un agente con acceso de lectura al código fuente presenta un nivel de riesgo. Un agente que puede cambiar configuraciones de nube, enviar mensajes o desplegar código presenta otro.
OWASP describe la agencia excesiva como una condición que implica funcionalidad, permisos o autonomía excesivos. Las salidas inesperadas o manipuladas del modelo pueden entonces desencadenar acciones dañinas.
El problema de raíz no es necesariamente una intención maliciosa. Una instrucción ambigua, una conclusión alucinada, una herramienta comprometida o un prompt inyectado pueden redirigir a un agente por lo demás legítimo.
El principio de mínimo privilegio sigue siendo la defensa principal. Un agente debería recibir únicamente las herramientas y permisos necesarios para su tarea actual.
El acceso de solo lectura es preferible cuando el trabajo no requiere cambios. Las acciones de alto impacto deben utilizar rutas de aprobación separadas y credenciales de alcance limitado.
Las organizaciones también necesitan identidades individuales para los agentes. Compartir una credencial humana con un agente dificulta la atribución y puede permitir que el sistema suplante a su operador.
Las recientes directrices de NIST sobre identidad de agentes recomiendan tratar a los agentes como entidades distintas. Cada uno debería tener identificadores, credenciales y autorizaciones conectados a su usuario o sistema responsable.
Las directrices también destacan los riesgos de las claves API estáticas y los tokens bearer de larga duración. Quien obtenga esas credenciales puede a menudo utilizarlas sin demostrar la posesión de una identidad específica.
Esto convierte el almacenamiento y la rotación de credenciales en parte de la seguridad de la IA. Los secretos de los agentes pueden filtrarse a través de archivos de configuración, registros, almacenes de memoria, salidas de herramientas o registros de depuración.
La aprobación humana no resuelve todos los problemas. Las solicitudes constantes de permisos pueden generar fatiga de consentimiento e incentivar a los usuarios a aprobar acciones sin una revisión cuidadosa.
Un diseño más sólido otorga a los agentes límites operativos aprobados. Esos límites deberían definir los recursos accesibles, las acciones permitidas, los límites temporales y las condiciones de escalada.
La supervisión debe capturar más que la respuesta final. Los equipos de seguridad necesitan registros de llamadas a herramientas, uso de identidades, datos recuperados, recursos modificados y decisiones de aprobación.
Esa evidencia respalda la investigación de incidentes y el control de calidad cotidiano. Permite a los investigadores reconstruir por qué un agente llegó a una conclusión o realizó una acción.
La propiedad también debe seguir siendo visible. Itzhaky señaló que los agentes pueden ser creados por empleados, canalizaciones automatizadas u otros agentes.
Sin un propietario responsable, un agente olvidado puede conservar permisos después de que termine su tarea original. Este patrón se parece a las cuentas de servicio abandonadas, pero el comportamiento autónomo hace que la exposición sea más difícil de predecir.
Por tanto, el descubrimiento debería incluir inventarios de agentes, credenciales, herramientas, acceso a datos y relaciones entre padres e hijos. La revocación debe terminar tanto el agente como cualquier acceso delegado que haya creado.
Aquí es donde la historia de la productividad se encuentra con la historia de la seguridad. Una organización puede desplegar agentes más rápido de lo que su programa de identidad puede gobernarlos.
La brecha resultante se convierte en un nuevo objetivo de investigación. Los equipos de seguridad deben investigar el comportamiento de los agentes mientras usan agentes para investigar todo lo demás.
La automatización no puede sustituir la validación escéptica
La encuesta refleja un cambio real en los flujos de trabajo, pero sus afirmaciones más contundentes sobre productividad y precisión aún requieren medición independiente.
La encuesta de seguridad de IA de CTech ofrece valiosas observaciones de primera mano de investigadores en activo. Su cohorte de 30 personas sigue estando concentrada en la industria de ciberseguridad de Israel.
El artículo publicado no proporciona una muestra aleatoria, un cuestionario estandarizado ni datos de rendimiento auditados de forma independiente. Los lectores no deberían considerar sus proporciones como mediciones universales de la fuerza laboral.
La estimación de productividad de diez veces realizada por un encuestado puede indicar un cambio significativo sin demostrar un aumento de diez veces en descubrimientos validados. La producción puede referirse a informes, hipótesis, revisiones de código, experimentos o vulnerabilidades confirmadas.
Estas categorías tienen valores distintos. Diez veces más hallazgos iniciales pueden generar más trabajo si la mayoría no supera la reproducción.
La misma cautela se aplica a las afirmaciones de cero falsos positivos. Un sistema puede reducir las falsas alarmas al limitar lo que informa, pero esa decisión podría aumentar las vulnerabilidades no detectadas.
Los equipos deben medir ambos aspectos. La precisión describe cuántos hallazgos reportados son válidos, mientras que la cobertura describe cuántas debilidades relevantes encuentra realmente el sistema.
Una herramienta puede parecer precisa cuando informa solo de problemas evidentes. Aun así, puede pasar por alto cadenas de ataque sutiles, software desconocido o vulnerabilidades que requieren un razonamiento contextual prolongado.
Las directrices sobre vulnerabilidades de Google Cloud advierten que los agentes pueden pasar por alto silenciosamente técnicas novedosas o vulnerabilidades de día cero mal representadas en los datos de entrenamiento.
Esa limitación otorga a la experiencia humana una función específica. Los investigadores deben reconocer cuándo la cobertura de un análisis es demasiado limitada y diseñar pruebas fuera de los patrones familiares para el modelo.
La alucinación es otra preocupación. Un informe generado puede citar funciones inexistentes, malinterpretar una dependencia o inferir explotabilidad a partir de código incompleto.
Por tanto, la reproducción debería realizarse en entornos controlados. Una canalización creíble debe conservar las entradas, las versiones de herramientas, los prompts, el estado del sistema y los resultados observables.
Las salidas de los agentes también requieren modelado de amenazas. Un atacante puede insertar texto que manipule un modelo, especialmente cuando el sistema lee sitios web, repositorios, tickets o documentos no confiables.
Ese ataque se denomina inyección indirecta de prompts. Las instrucciones maliciosas se ocultan dentro del contenido recuperado e intentan redirigir el comportamiento del agente.
La defensa no puede depender por completo de decirle al modelo que ignore las instrucciones maliciosas. Los sistemas necesitan herramientas aisladas, permisos acotados, límites de contenido y aprobación explícita para acciones con consecuencias.
Los investigadores también deben distinguir la confianza del modelo de la calidad de la evidencia. Las explicaciones fluidas pueden hacer que un hallazgo débil parezca completo.
Un proceso de revisión sólido plantea varias preguntas concretas. ¿Puede reproducirse el comportamiento? ¿Es accesible la ruta vulnerable? ¿Qué privilegio requiere la explotación? ¿Qué control la bloquea o detecta?
El proceso también debería registrar las hipótesis descartadas. Esos fallos ayudan a los equipos a mejorar los benchmarks y evitan que agentes posteriores repitan el mismo camino improductivo.
Un benchmark de seguridad es una colección definida de tareas utilizada para probar el comportamiento de un sistema. Los benchmarks internos deberían incluir evidencia engañosa, acceso parcial, fallos de herramientas y clases de vulnerabilidades desconocidas.
El rendimiento en producción importa más que las puntuaciones de los benchmarks. Los equipos deberían comparar los hallazgos de los agentes con incidentes posteriores, revisiones manuales y pruebas independientes.
Los revisores humanos necesitan protección frente al sesgo de automatización, que es la tendencia a favorecer una recomendación de máquina simplemente porque la produjo un sistema.
Rotar a los revisores, ocultar la puntuación de confianza de un agente o solicitar una reproducción independiente puede reducir ese sesgo. Los hallazgos de alto impacto merecen una separación más sólida entre descubrimiento y aprobación.
La postura escéptica no implica que los equipos deban abandonar la IA. La investigación manual también pasa por alto vulnerabilidades, sigue hipótesis erróneas y adolece de documentación inconsistente.
La conclusión más defendible es más acotada. La IA amplía la capacidad de investigación, pero esa capacidad solo resulta útil cuando los equipos mantienen una validación disciplinada.
El nuevo listón más alto no es la perfección. Es la capacidad de explicar lo que hizo el agente, verificar el resultado y contener las consecuencias de los errores.
La seguridad continua se convierte en la próxima prueba
La próxima fase se juzgará por la validación continua, la calidad de investigación medible y un control exigible sobre las identidades de los agentes.
La primera señal que se debe observar es si la evaluación continua de seguridad sustituye a las pruebas periódicas en los flujos de trabajo de producción. Varios encuestados sostuvieron que las pruebas de penetración realizadas dos veces al año ya no se ajustan a la velocidad del software y de la actividad de los atacantes.
La evaluación continua implica probar activos a medida que cambian el código, las configuraciones, las identidades y las exposiciones externas. Debe complementar revisiones humanas más profundas, en lugar de convertir la seguridad en un flujo interminable de alertas de escáneres.
Google describió una canalización de seguridad basada en agentes que analiza código, produce pruebas y desarrolla correcciones. La empresa afirmó que aplica este enfoque a cientos de millones de líneas de código interno.
Ese sistema ofrece un indicador útil porque conecta el descubrimiento con la reproducción y la remediación. La medida crítica es si otras organizaciones pueden alcanzar una disciplina similar con conjuntos de datos, equipos e infraestructura más pequeños.
Una adopción amplia reforzaría la afirmación central de la encuesta. Un ruido persistente de alertas o tasas de remediación débiles la debilitarían.
La segunda señal es cómo las empresas gestionan las identidades no humanas. Los inventarios de agentes deberían formar parte de la gestión de identidades y accesos, y no ser un documento aislado de política de IA.
El progreso útil incluiría credenciales únicas para cada agente, acceso de corta duración, autorización delegada, propiedad claramente definida y registros completos de acciones. Las organizaciones también deberían poder suspender a un agente sin deshabilitar a su operador humano.
Esté atento a estándares y productos que vinculen las acciones de un agente con un usuario, una tarea y un límite operativo aprobado específicos. Esa cadena respalda la rendición de cuentas sin compartir credenciales personales.
Si las implementaciones siguen dependiendo de claves API amplias y cuentas de servicio genéricas, la productividad superará a la gobernanza. Ese resultado reforzaría las preocupaciones sobre administradores en la sombra y rutas de acceso impredecibles.
La tercera señal es cómo cambian la contratación y la formación. Los investigadores junior aún necesitan práctica directa con código, sistemas, explotación y evidencia.
Los equipos deberían publicar expectativas de competencia más claras para los puestos asistidos por IA. Las entrevistas y los programas de formación pueden evaluar si los candidatos detectan hallazgos inventados, cuestionan las suposiciones de los modelos y reproducen los resultados manualmente.
Una transición saludable creará programas de aprendizaje estructurados en torno a la supervisión de agentes. Los investigadores con experiencia pueden exponer a los aprendices tanto a ejecuciones exitosas como a fallos.
Una transición poco saludable eliminará el trabajo fundamental sin sustituir su valor educativo. Eso produciría investigadores capaces de operar interfaces, pero incapaces de verificar los sistemas que hay detrás.
Estas señales importan tanto a los compradores empresariales como a los profesionales de la seguridad. El uso de IA por parte de un proveedor dice poco sin detalles sobre permisos, evidencia, revisión y gestión de fallos.
Los compradores deberían preguntar quién aprueba los hallazgos, cómo se autentican los agentes, qué datos conservan y si los resultados pueden reproducirse. También deberían preguntar cómo se comporta el sistema cuando falla una herramienta o una entrada contiene instrucciones maliciosas.
Los desarrolladores deberían esperar que las revisiones de seguridad se acerquen más a cada cambio de código. Pueden recibir comentarios más rápidos, pero los hallazgos automatizados seguirán necesitando suficiente contexto para respaldar una corrección.
Los trabajadores del conocimiento deberían prestar atención porque los problemas de identidad de los agentes se extienden más allá de las herramientas de ciberseguridad. Cualquier asistente conectado al correo electrónico, documentos, código o sistemas empresariales puede convertirse en una identidad no humana con privilegios excesivos.
La encuesta de CTech sobre seguridad de IA describe, en última instancia, una redistribución del trabajo, no la desaparición de los investigadores. Las máquinas realizan más recopilación y exploración. Los humanos asumen una mayor responsabilidad por los objetivos, las restricciones y la verdad.
Esta disposición puede mejorar la seguridad cuando la evidencia sigue siendo central. Puede aumentar el riesgo cuando las organizaciones confunden actividad generada con progreso verificado.
La pregunta práctica ya no es si la IA tiene cabida en la investigación de seguridad. Es si los equipos pueden hacer que la automatización rinda cuentas antes de que su escala supere su capacidad de supervisarla.
Pida a sus proveedores de seguridad y equipos internos un hallazgo completo asistido por agentes, incluidos sus permisos, rastro de evidencia, revisión humana y resolución final. Ese registro revelará más que una promesa general de productividad.
