top of page

La encuesta SOC de Dropzone AI muestra una adopción por delante de la confianza

hace 26 minutos
14 min de lectura
Illustrative photograph. Photo: Sora Shimazaki / Pexels.

Dropzone AI está promoviendo las investigaciones autónomas pese a las persistentes preocupaciones sobre la confianza: el 38 % de los encuestados en su estudio patrocinado afirma que la IA está plenamente en producción. La encuesta SOC de Dropzone AI sitúa a los centros de operaciones de seguridad, equipos que supervisan e investigan amenazas, en el centro de una difícil decisión de compra. Los responsables quieren una cobertura de investigación más amplia sin ceder el control sobre información sensible ni decisiones con consecuencias relevantes.

La noticia inmediata es una entrevista de ITPro del 11 de noviembre con Brett Candon, vicepresidente internacional de Dropzone AI. La investigación subyacente data de junio de 2026. Esta distinción importa: se trata de un debate actual sobre adopción y límites operativos, no de una evaluación de noviembre recién completada sobre el rendimiento de seguridad.

La cuestión central enfrenta la ampliación de la capacidad de investigación con la preservación de un criterio responsable. Los agentes de seguridad de Microsoft ofrecen una comparación útil porque también se dirigen al trabajo que consume la atención de los analistas. Para los compradores empresariales, la pregunta es si la investigación delegada genera pruebas en las que puedan confiar sin crear otra exigente cola de revisión.

Qué mide realmente la encuesta SOC de Dropzone AI

La investigación mide prácticas y expectativas declaradas, no resultados de seguridad verificados de forma independiente.

Dropzone AI encargó a Opinion Matters una encuesta entre 750 responsables de decisiones de seguridad en empresas con al menos 1.000 empleados. La muestra incluyó 250 encuestados de Reino Unido, Francia y Alemania, respectivamente, según su investigación europea sobre SOC. El trabajo de campo se realizó en junio de 2026.

Los encuestados estimaron que sus equipos investigaban por completo el 55 % de las alertas de media. Los promedios por país fueron del 52 % en Reino Unido, el 56 % en Francia y el 58 % en Alemania. Estas cifras describen las evaluaciones de los encuestados sobre sus operaciones. No establecen cuántos ataques tuvieron éxito, cuántas alertas merecían investigación ni si la IA causó diferencias entre países.

Esto deja una distinción importante entre el argumento comercial y las pruebas que lo respaldan. Un déficit de investigación crea un mercado plausible para la automatización. No demuestra que un producto concreto cierre ese déficit de forma segura ni que cada alerta no investigada represente un peligro sin resolver.

Las alertas de seguridad son señales de actividad potencialmente sospechosa, no ataques confirmados. Algunas se solapan, otras reflejan comportamientos inocuos y otras merecen atención urgente. Por tanto, contar las investigaciones completadas sin examinar qué alertas entraron en la cola puede ofrecer una visión incompleta de la protección.

Una organización podría mejorar la cobertura eliminando alertas duplicadas antes de investigarlas. Otra podría aumentar las investigaciones completadas automatizando los casos sencillos. Una tercera podría decidir deliberadamente dedicar más tiempo a incidentes difíciles. La misma medida general de cobertura tendría dificultades para distinguir estas decisiones operativas.

Por eso el alcance de la encuesta merece atención antes de que sus porcentajes se conviertan en argumentos de compra. Las grandes empresas de estos mercados europeos ofrecen una perspectiva específica. Sus respuestas no pueden describir automáticamente a pequeñas empresas, organizaciones norteamericanas o equipos de seguridad que operan con limitaciones diferentes.

El patrocinador también tiene un interés comercial directo en la solución propuesta. Encargar el estudio a una empresa de investigación independiente ayuda a distinguir el proceso de investigación de una encuesta informal a clientes. No convierte los resultados en una evaluación independiente del software del patrocinador.

La entrevista de noviembre da una relevancia renovada a los hallazgos porque se centra en la transición de la asistencia al trabajo delegado. La adopción plantea un conjunto distinto de preguntas cuando el software comienza a investigar sin indicaciones continuas. Los compradores necesitan entonces pruebas sobre fiabilidad, acceso y esfuerzo de revisión, además de evidencia de demanda.

Por tanto, la interpretación defendible de la encuesta SOC de Dropzone AI es más limitada que un veredicto sobre la seguridad autónoma. Identifica presión de capacidad declarada e interés por la IA. Determinar si la implementación mejora la protección exige una comparación separada de los resultados operativos.

Los responsables de seguridad afrontan un problema de capacidad que la adopción por sí sola no puede resolver

Comprar IA y retirar trabajo de la cola de un analista son logros operativos distintos.

La cobertura de ITPro sobre investigaciones autónomas describe que el 39 % de los encuestados utiliza IA para investigaciones autónomas. También informa de que solo el 2 % afirmó investigar todas las alertas. Estas respuestas sugieren que la adopción y la cobertura incompleta pueden coexistir.

Candon sostiene que los asistentes siguen estando limitados cuando las personas deben dirigir continuamente su trabajo. Presenta a los agentes, software capaz de realizar una secuencia de tareas sin instrucciones continuas, como una forma de ampliar la capacidad. Su argumento es comercialmente relevante, pero la encuesta no demuestra de forma independiente que los agentes superen a los asistentes.

La presión recae más directamente sobre los responsables de seguridad, que deben explicar qué cambia realmente con la tecnología adicional. Una compra aprobada es fácil de documentar. Demostrar que los investigadores han recuperado tiempo, resuelto incertidumbres o encontrado amenazas pasadas por alto exige una medición más precisa.

Consideremos la diferencia entre redactar un resumen de investigación y reunir el caso subyacente. Un resumen puede reducir el tiempo de lectura mientras deja intacta la recopilación de pruebas. Una investigación automatizada promete realizar una mayor parte de esa recopilación, pero su resultado sigue necesitando un responsable.

Esto crea una posible transferencia de trabajo. Los analistas podrían dedicar menos tiempo a buscar registros y más a comprobar las conclusiones de la máquina. Ese intercambio puede ser valioso, especialmente cuando las conclusiones están bien respaldadas. Resulta menos atractivo cuando los revisores deben reconstruir la investigación para determinar si es sólida.

En consecuencia, la medida relevante de capacidad es el trabajo que queda después de la automatización. Un sistema puede procesar una cola extensa y, aun así, dejar a los analistas con informes largos, recomendaciones ambiguas y solicitudes repetidas de aclaración. La generación rápida por sí sola no resuelve esa carga.

Las implicaciones para la plantilla también exigen cautela. El resumen de investigación del patrocinador indica que la mayoría de los encuestados espera que aumenten tanto el uso de IA como la plantilla de operaciones de seguridad. Esa expectativa respalda una narrativa de aumento de capacidades, aunque sigue siendo una previsión. No aporta fundamento para afirmar reducciones de plantilla demostradas.

Para los analistas de primera línea, la cuestión práctica se refiere a dónde se dirige su atención. La recopilación rutinaria puede ser una candidata razonable para la delegación. Las pruebas ambiguas, las prioridades empresariales en conflicto y las decisiones con consecuencias operativas siguen generando demanda de criterio experimentado.

Para los ejecutivos, la cuestión se refiere a la rendición de cuentas. Una revisión de incidentes preguntará por qué se pasó por alto una amenaza o se retrasó una respuesta. Un panel que muestre amplia actividad de IA ofrecerá una tranquilidad limitada si esas actividades no se conectan con decisiones defendibles.

Para los equipos de desarrollo e infraestructura, la presión aparece mediante solicitudes de acceso e integraciones. Un agente de seguridad necesita registros utilizables para investigar eficazmente. Conceder ese acceso genera trabajo de ingeniería y obligaciones que deben formar parte de toda evaluación de los beneficios de la implementación.

Este es el reto empresarial inmediato detrás de las cifras de adopción. Los responsables de seguridad deben demostrar que la automatización cambia la distribución del trabajo útil. De lo contrario, la organización habrá añadido otro sistema sin establecer si los investigadores han ganado una capacidad significativa.

La investigación autónoma sigue necesitando un límite de decisión responsable

El límite crucial separa la recopilación de pruebas del ejercicio de autoridad sobre el entorno.

Candon describe el enfoque de Dropzone AI como de solo lectura y exclusivamente para investigación, manteniendo las personas el control sobre las acciones. Esta es la descripción de la empresa sobre su modelo operativo, no un hallazgo de seguridad independiente. Sin embargo, identifica un límite concreto que los compradores pueden examinar.

En las investigaciones autónomas de Dropzone AI, ese límite debería orientar el debate sobre la implementación. El permiso para leer registros relevantes difiere del permiso para deshabilitar una cuenta, modificar una configuración o eliminar un archivo. La categoría de producto se vuelve más clara cuando estas capacidades se analizan por separado.

De otro modo, la autonomía es una etiqueta imprecisa. El software puede recopilar información de manera independiente y requerir aprobación para cada cambio operativo. También puede recomendar una acción que ejecute otro sistema. Un comprador debe comprender toda la cadena, incluido lo que ocurre después de que aparece el informe de investigación.

El acceso de solo lectura aborda una parte del riesgo operativo. Limita la capacidad directa del agente para modificar sistemas. No establece que el agente interprete correctamente las pruebas, preserve la confidencialidad o presente la incertidumbre de forma útil.

Una investigación incorrecta puede influir en una decisión humana incluso cuando el software no puede actuar directamente. Un revisor podría aceptar una conclusión tranquilizadora o escalar una actividad inocente. Por tanto, el límite de autoridad debe abarcar cómo los resultados entran en el proceso de decisión, además de los permisos concedidos al software.

Microsoft ofrece una comparación basada en un flujo de trabajo de seguridad real. Su documentación sobre triaje de phishing describe un agente que clasifica correos electrónicos sospechosos notificados por usuarios. El phishing se refiere a mensajes engañosos destinados a inducir acciones perjudiciales, como revelar credenciales.

Microsoft afirma que su agente proporciona una justificación y pruebas de respaldo para las clasificaciones, y permite a los analistas aportar comentarios. Se trata de una tarea operativa más limitada que la pretensión de automatizar cada investigación. Ilustra por qué las comparaciones de productos deben comenzar por el trabajo que se delega.

Un flujo de trabajo de clasificación de correos electrónicos y una investigación que abarque varios sistemas empresariales podrían implicar pruebas, permisos y consecuencias de fallo diferentes. Compararlos bajo una única etiqueta de autonomía oculta esas diferencias. Ningún flujo de trabajo establece una referencia universal para el otro.

Para las operaciones de seguridad de Dropzone AI, la implicación competitiva es clara: las explicaciones y los permisos forman parte de la propia evaluación del producto. Los compradores pueden comparar con qué facilidad los analistas inspeccionan las pruebas, cuestionan una conclusión e identifican una fuente ausente. Estos atributos afectan a la cantidad de trabajo que la automatización elimina realmente.

Esto también cambia lo que debería revelar una demostración útil. Un informe pulido muestra la calidad de la presentación. Un caso controvertido muestra si el sistema distingue los hechos observados de las suposiciones y hace manejable el desacuerdo.

La misma distinción se aplica a la memoria organizativa. Una base de conocimientos con búsqueda aborda la recuperación de documentos; no establece la validez de un veredicto de seguridad. Encontrar material relevante y determinar qué demuestra siguen siendo responsabilidades separadas.

Por lo tanto, el argumento más sólido a favor de la investigación delegada se basa en una división clara del trabajo. El software recopila y organiza evidencia dentro de límites de acceso definidos. Las personas identificadas mantienen la responsabilidad de interpretar la incertidumbre y autorizar respuestas con consecuencias.

La evidencia de mejoras de productividad debe corresponderse con la afirmación

Una mejora medida en una tarea delimitada respalda esa tarea, no todas las promesas asociadas a la seguridad autónoma.

Hay investigaciones más allá de las encuestas de adopción. Un preprint de noviembre de 2025 informa de un ensayo controlado aleatorizado, un experimento que asigna a los participantes a distintas condiciones, sobre el Phishing Triage Agent de Microsoft. El ensayo de clasificación de phishing examina la productividad de los analistas y la precisión de la clasificación.

El artículo informa de que los analistas asistidos por agentes identificaron correctamente hasta 6,5 veces más correos maliciosos por minuto de analista. También informa de una mejora del 77 % en la precisión de los veredictos frente a su grupo de control. Son hallazgos comunicados por el estudio, vinculados a sus condiciones experimentales.

Esa evidencia responde a una pregunta distinta de la encuesta europea. La encuesta describe lo que los encuestados dicen implementar y experimentar. El ensayo evalúa el rendimiento en un flujo de trabajo definido. Ninguno establece una comparación directa del rendimiento entre Microsoft y Dropzone AI.

La distinción importa porque los argumentos de compra de seguridad suelen desplazarse entre distintos niveles de evidencia. El interés se convierte en adopción, la adopción en productividad y la productividad en mejor protección. Cada paso requiere información que la medida anterior no proporciona necesariamente.

Un proceso de clasificación más rápido puede ser valioso sin demostrar una reducción de las intrusiones exitosas. Una clasificación correcta puede llegar demasiado tarde para afectar a un incidente. Una investigación útil puede no generar una acción si la titularidad o los procedimientos de escalado siguen sin estar claros.

A la inversa, la ausencia de un estudio amplio sobre la reducción de brechas no hace que un resultado más limitado de productividad carezca de sentido. Establece el alcance del resultado. Los compradores pueden reconocer un beneficio medido sin extrapolarlo más allá de la tarea y las condiciones examinadas.

Esto es especialmente relevante para las investigaciones autónomas de Dropzone AI porque los flujos de trabajo más amplios introducen más oportunidades de que falte contexto. Un agente podría necesitar evidencia de varios sistemas, cada uno con distintos períodos de retención y reglas de acceso. El rendimiento en un caso completo no revela el rendimiento cuando una fuente importante no está disponible.

Una evaluación creíble debería hacer visibles esos casos incompletos. Si los registros ausentes conducen a una incertidumbre explícita, el revisor obtiene información útil. Si las mismas lagunas desaparecen dentro de una narrativa segura de sí misma, la aparente eficiencia puede ocultar trabajo sin resolver.

La precisión agregada también necesita interpretación. Un sistema evaluado principalmente en casos rutinarios podría parecer eficaz mientras tiene dificultades con incidentes poco frecuentes pero importantes. Los compradores necesitan saber qué errores se producen y cómo afectan a las personas que revisan los resultados.

La cuestión económica es igualmente específica. El tiempo ahorrado durante la recopilación debe considerarse junto con la revisión, el mantenimiento de integraciones, la gestión de excepciones y las correcciones. Estas actividades determinan si la organización obtiene capacidad de investigación utilizable.

La comparación adecuada es el flujo de trabajo existente en condiciones comparables. De otro modo, los cambios en la composición de las alertas, la plantilla o los datos disponibles pueden dificultar la atribución de una mejora. Una evaluación útil explica esas condiciones en lugar de presentar una cifra aislada de éxito.

Para los lectores que evalúan afirmaciones contrapuestas, la escala de evidencia ofrece una disciplina práctica. La adopción comunicada establece interés y uso. La evaluación controlada de tareas respalda una afirmación de rendimiento delimitada. Los resultados de producción requieren su propia evidencia, con las limitaciones de cada nivel expuestas claramente.

La privacidad y los errores expresados con seguridad siguen siendo barreras de confianza separadas

La confianza exige tanto un manejo aceptable de los datos como conclusiones que resistan el examen.

La entrevista informa de que el 25 % de los encuestados citó preocupaciones sobre la seguridad y la privacidad de los datos. Otro 25 % se preocupaba por investigaciones o acciones de IA incorrectas que afectaran a los resultados de seguridad. Estas preocupaciones se superponen desde el punto de vista operativo, pero resolver una no resuelve automáticamente la otra.

La residencia de datos, es decir, dónde se procesa o almacena la información, puede determinar si una implementación es aceptable para una organización. La precisión se refiere a si la investigación resultante es fiable. Un error procesado localmente sigue siendo un error, mientras que un resultado preciso puede seguir implicando un manejo de datos inaceptable.

El resumen de la encuesta también identifica diferencias en las preferencias de implementación entre países. Ese hallazgo respalda tratar los requisitos de ubicación y control como restricciones de compra. No establece que todas las organizaciones de un país compartan los mismos requisitos.

Para los compradores, una promesa amplia sobre el alojamiento regional deja abiertas varias preguntas prácticas. Los datos de investigación pueden incluir los registros originales, informes generados, conversaciones conservadas e información de soporte operativo. Una evaluación debe establecer qué compromisos se aplican a cada categoría.

Son preguntas sobre la implementación propuesta, no acusaciones sobre un proveedor concreto. Importan porque una investigación de seguridad puede reunir información de varios sistemas en un único informe. Combinar evidencia cambia lo que un lector o servicio puede inferir de ella.

El problema de la precisión tiene un mecanismo diferente. La IA generativa, software que produce contenido nuevo a partir de patrones aprendidos, puede presentar afirmaciones plausibles que son incorrectas. NIST identifica este riesgo como confabulación en su perfil de IA generativa.

NIST también aborda el sesgo de automatización, la tendencia a depender en exceso de resultados automatizados. Aplicados a las investigaciones de seguridad, estos riesgos sugieren que las explicaciones fluidas y la aprobación humana nominal no son salvaguardas suficientes por sí solas. Se trata de una implicación analítica, no de una evaluación de NIST sobre Dropzone AI.

Un revisor necesita una forma práctica de inspeccionar la evidencia detrás de una conclusión. Si el informe se refiere a un inicio de sesión sospechoso, el registro subyacente debería ser accesible para un investigador autorizado. Si falta contexto, el informe debería conservar esa limitación.

El diseño del proceso de aprobación importa tanto como la presencia de un botón de aprobación. Una persona con tiempo o contexto insuficientes podría aceptar un resultado sin un examen significativo. Mantener la responsabilidad humana solo funciona cuando el flujo de trabajo permite una revisión responsable.

Esto crea un posible conflicto con el argumento de capacidad. Ampliar las investigaciones automatizadas puede incrementar el volumen de material que espera atención humana. A menos que el resultado ayude a los revisores a priorizar y verificar de forma eficiente, el cuello de botella puede desplazarse en vez de reducirse.

Por tanto, para las operaciones de seguridad de Dropzone AI, la confianza debe evaluarse mediante comportamientos observables. ¿La investigación expone evidencia contradictoria? ¿Puede el analista corregir una suposición errónea? ¿Distingue el sistema entre una comprobación completada y otra que no pudo realizar?

Estas preguntas sitúan el debate en un terreno más firme que una discusión general sobre si los líderes confían en la IA. Una organización puede aceptar una implementación limitada mientras retiene una autoridad más amplia. La confianza puede desarrollarse tarea por tarea, respaldada por evidencia de revisiones reales.

Tres señales mostrarán si la adopción se convierte en capacidad fiable

La próxima evidencia útil se refiere a resultados de producción, control exigible y el trabajo que queda para las personas.

Durante los próximos meses, la primera señal que debe vigilarse es una evaluación detallada de producción. Los compradores deberían buscar resultados publicados de clientes que describan el flujo de trabajo inicial, los casos investigados, el esfuerzo de revisión y los errores. Un titular sobre adopción o número de implementaciones no respondería a las mismas preguntas.

Esa evidencia reforzaría el argumento a favor de la investigación autónoma si mostrara más casos útiles completados sin trabajo de verificación desproporcionado. Resultados dominados por casos rutinarios, o que carezcan de información sobre errores, dejarían sin resolver la evaluación central.

Las divulgaciones más sólidas también identificarían dónde el rendimiento no alcanza el nivel esperado. Una explicación de fuentes de datos no compatibles o fallos recurrentes de investigación ayuda a los compradores a comprender la aplicabilidad. Un estudio de caso que excluye esos detalles ofrece menos ayuda para evaluar un entorno exigente.

La segunda señal es un progreso concreto en los requisitos de control e implementación. Los cambios relevantes del producto incluirían permisos más claros, registros de investigación accesibles y acuerdos verificables para datos sensibles. Estos avances abordarían obstáculos específicos para la adopción en lugar de limitarse a ampliar la etiqueta de autonomía.

Una versión útil explicaría qué autoridad recibe el agente y cómo una organización puede restringirla o revocarla. Para un cliente sujeto a requisitos de ubicación, la documentación debería establecer qué permanece dentro del entorno aprobado. Son capacidades que los compradores pueden examinar.

Si los proveedores amplían las acciones automatizadas sin límites de control igual de claros, la tensión de confianza se intensificaría. Si los clientes pueden conceder una autoridad más limitada mientras conservan una cobertura de investigación útil, el argumento a favor de una adopción gradual se fortalecería.

La tercera señal es la distribución del trabajo humano tras la implementación. La evidencia de clientes debería mostrar si los analistas dedican menos tiempo a recopilar registros y más a resolver amenazas sustantivas. También debería revelar si comprobar las conclusiones automatizadas crea una cola creciente propia.

Esa señal pondría a prueba la premisa económica de forma más directa que los totales de actividad. Un sistema que genera más informes ha aumentado la producción. Un flujo de trabajo que ayuda a los investigadores a llegar a decisiones defendibles con menos esfuerzo repetitivo ha producido un cambio operativo más significativo.

Por ahora, la encuesta SOC de Dropzone AI establece una brecha de investigación comunicada y un interés en la automatización. No resuelve cuánta autoridad deberían delegar los equipos de seguridad. Las próximas decisiones de compra dependerán de evidencia que conecte esas ambiciones con trabajo fiable.

Lea las cifras de adopción junto con la metodología y pregunte qué evidencia cambiaría la decisión de su organización. Para un equipo que ya utiliza asistentes, examine si la investigación delegada elimina trabajo de recopilación o simplemente añade informes para revisar. Para un equipo que considera agentes, identifique la autoridad que se concede y la evidencia necesaria antes de ampliarla. Mantenga disponible el flujo de trabajo existente como comparación y conserve ejemplos en los que la investigación automatizada fue incompleta o errónea. Esos casos revelan si los revisores pueden reconocer las limitaciones antes de que afecten a una decisión. Cuando llegue el próximo estudio de clientes o anuncio de producto, formule una pregunta concreta: ¿muestra que las personas llegaron a decisiones mejor respaldadas con menos trabajo repetitivo?

 
 

Empieza gratis

Un asistente de IA local-first con gestión del conocimiento personal

Para ofrecer una mejor experiencia con la IA,

actualmente remio solo es compatible con Windows 10+ (x64) y M-Chip Macs.

Tu aliado de IA para el trabajo
Haz más con remio

Planifica. Crea. Entrega.
Todo en un solo lugar.

bottom of page