Unit 42 AI Defense de Palo Alto Networks pasa a estar siempre activo, pero las pruebas deben estar a la altura
Palo Alto Networks ha convertido Unit 42 AI Defense en un servicio siempre activo, sustituyendo las evaluaciones periódicas por pruebas ofensivas continuas y multimodelo. El lanzamiento del 22 de septiembre apunta a una brecha cada vez mayor entre los ataques a velocidad de máquina y los programas de seguridad que aún se organizan en torno a análisis programados, revisiones manuales y remediaciones demoradas.
El servicio, denominado formalmente Unit 42 Continuous Frontier AI Defense, combina modelos de IA especializados con experiencia humana en seguridad ofensiva. Prueba aplicaciones, API, infraestructura en la nube, repositorios de código y activos de red a medida que cambian los entornos de los clientes. Palo Alto Networks afirma que el sistema también puede conectar vulnerabilidades separadas en rutas de ataque que muestran cómo un intruso podría alcanzar sistemas valiosos.
Esta promesa sitúa a Palo Alto Networks en una competencia más amplia con Microsoft, CrowdStrike, Google y otros proveedores de seguridad que desarrollan defensas basadas en agentes. Sin embargo, la competencia decisiva no es proveedor contra proveedor. Es el descubrimiento continuo frente a un proceso empresarial de remediación que a menudo sigue siendo manual, fragmentado y lento.
Unit 42 AI Defense pasa de las evaluaciones a las pruebas continuas
El cambio importante no es otro asistente de IA. Palo Alto Networks está convirtiendo las pruebas de seguridad ofensiva en un servicio empresarial continuo.
Unit 42 presentó su oferta original Frontier AI Defense en abril de 2026. Ese servicio se centraba en un análisis de exposición puntual, seguido de un plan de seguridad para mejorar las defensas del cliente.
El nuevo servicio de pruebas continuas amplía ese enfoque más allá de una evaluación programada. Establece una línea de base, supervisa cambios, ejecuta nuevas pruebas, valida hallazgos y activa pruebas adicionales a medida que evolucionan los entornos.
Palo Alto Networks describe el producto como un servicio de seguridad ofensiva agéntico. Aquí, agéntico significa que el software puede completar tareas de seguridad de varios pasos en lugar de limitarse a generar recomendaciones de texto.
El servicio utiliza Claude Mythos 5 de Anthropic, GPT-5.6-Cyber de OpenAI y modelos de pesos abiertos. Una capa de orquestación propietaria dirige distintas tareas al modelo que Palo Alto Networks considera más adecuado para cada función.
Esa división del trabajo importa porque las pruebas de seguridad incluyen varios problemas distintos. Encontrar código sospechoso, explorar una aplicación, evaluar una configuración y conectar vulnerabilidades en una ruta de ataque requieren capacidades diferentes.
Unit 42 coloca luego a especialistas humanos alrededor de esos modelos. Sus consultores revisan los hallazgos, comprueban si las vulnerabilidades son explotables y priorizan las correcciones basándose en las rutas de ataque resultantes.
El producto abarca aplicaciones web propias y de terceros, API, entornos en la nube, repositorios de código fuente y activos de red. Este alcance refleja cómo los ataques modernos cruzan fronteras en lugar de permanecer dentro de una única herramienta de seguridad.
Una aplicación web vulnerable podría exponer credenciales. Esas credenciales podrían desbloquear un servicio en la nube, que a su vez podría proporcionar acceso a datos sensibles u otro sistema de identidad.
Un escáner que informa únicamente de la primera vulnerabilidad puede pasar por alto la consecuencia mayor. Continuous Frontier AI Defense busca modelar la ruta conectada y luego mostrar a los defensores qué eslabón merece atención primero.
El servicio también puede proporcionar orientación a nivel de código y recomendaciones de parches virtuales. Un parche virtual es un control compensatorio que bloquea la explotación sin modificar el software vulnerable en sí.
Palo Alto Networks afirma que los clientes pueden combinar el servicio con su tecnología independiente de parches virtuales. Esa opción importa cuando todavía no existe una corrección oficial de software o no puede implementarse de inmediato.
Según la empresa, la disponibilidad es global mediante suscripciones anuales. La combinación de modelos incluida varía según la suscripción, mientras que cada configuración utiliza la capa de orquestación multimodelo.
Por tanto, este lanzamiento modifica la oferta de Unit 42 de tres maneras. Las pruebas se vuelven continuas, la selección de modelos se vuelve dinámica y los hallazgos alimentan un ciclo recurrente de validación y remediación.
El resultado se parece más a un equipo rojo permanente que a un análisis tradicional de vulnerabilidades. La cuestión central sigue siendo si puede rendir como tal a escala empresarial.
El diseño multimodelo es la verdadera apuesta del producto
Palo Alto Networks apuesta a que la diversidad de modelos puede encontrar vulnerabilidades de seguridad que cualquier modelo fronterizo individual pasaría por alto.
El razonamiento de la empresa parte de una limitación detectada durante sus propias pruebas. Palo Alto Networks dijo a Axios que ningún modelo individual encontró más del 40% de las vulnerabilidades en un entorno complejo de cliente.
Las vulnerabilidades encontradas por Claude Mythos 5 y GPT-5.6-Cyber coincidieron menos del 10% de las veces. Estas cifras provienen de las pruebas del proveedor y no han recibido una validación independiente equivalente.
Aun así, la brecha reportada explica la arquitectura. Un servicio de un solo modelo heredaría los puntos ciegos, los patrones de rechazo, los límites de entrenamiento y los métodos preferidos de ese modelo.
Un marco multimodelo puede asignar tareas según fortalezas observadas. Un modelo podría inspeccionar código fuente, mientras otro explora una aplicación en funcionamiento o evalúa una configuración en la nube.
Los modelos de pesos abiertos añaden otra opción. Pueden adaptarse a tareas más acotadas o desplegarse bajo restricciones operativas distintas de las de los modelos cerrados.
El relato independiente del lanzamiento describe un sistema que busca de forma continua y recomienda correcciones. También intenta combinar vulnerabilidades individuales en rutas de ataque viables.
Ese segundo paso es esencial. Los equipos de seguridad ya reciben más hallazgos de los que pueden abordar, y otro escáner automatizado puede añadir ruido sin reducir el riesgo.
La validación de rutas de ataque plantea una pregunta más útil. Comprueba si varias vulnerabilidades pueden combinarse para llegar a un activo, una identidad o una función administrativa importantes.
Los expertos humanos de Unit 42 siguen formando parte de ese proceso. Su trabajo consiste en verificar los hallazgos de los modelos, simular comportamientos creíbles de adversarios y distinguir rutas de ataque plausibles de combinaciones teóricas.
Esta capa humana también aborda un problema básico de la IA generativa. Los modelos pueden producir explicaciones convincentes pero incorrectas, evidencia incompleta o pasos que no pueden reproducirse.
Por tanto, un servicio útil debe conservar artefactos. Los equipos de seguridad necesitan el activo afectado, la ruta probada, el comportamiento observado, la evidencia y la remediación propuesta.
Estos registros también deben perdurar más allá de la evaluación. Los equipos necesitan una base de conocimiento consultable que conecte los hallazgos con responsables, decisiones previas, cambios de código, excepciones y resultados de nuevas pruebas.
Sin esa continuidad, las pruebas siempre activas pueden convertirse en una acumulación de trabajo pendiente que no deja de crecer. Más descubrimiento no produce automáticamente mejor seguridad.
Palo Alto Networks afirma haber dedicado seis meses a probar internamente el enfoque y en más de 100 compromisos con clientes de Unit 42. También informa de una inversión de 17 millones de dólares en desarrollo y trabajo metodológico.
Durante su despliegue interno, la empresa afirma que el servicio encontró lo que caracterizó como un año de exposiciones en tres semanas. La comparación es llamativa, pero el anuncio no publica la línea de base subyacente ni la distribución de gravedad.
En las evaluaciones de clientes, la empresa afirma que su anterior Frontier AI Exposure Analysis encontró exposiciones en todas las organizaciones analizadas. Clasificó el 37% de esos hallazgos como de gravedad alta o crítica.
Palo Alto Networks también afirma que la mayoría de las exposiciones se originaron en aplicaciones propias. Según los informes, más de dos tercios de los hallazgos en aplicaciones de terceros no tenían un identificador conocido de Common Vulnerabilities and Exposures.
Un CVE es un identificador público para una vulnerabilidad de software documentada. La ausencia de un CVE puede indicar una falla desconocida, un problema de configuración o una vulnerabilidad fuera de las bases de datos estándar de vulnerabilidades.
Estos resultados respaldan la necesidad de realizar pruebas más allá de los escáneres convencionales. No establecen cuántos hallazgos fueron únicos, reproducibles o finalmente remediados.
Por tanto, la arquitectura multimodelo es tanto el diferenciador como el primer problema de medición. Los compradores necesitan pruebas de que la cobertura adicional de modelos reduce los riesgos omitidos sin multiplicar los falsos positivos.
La seguridad a velocidad de máquina aumenta la presión sobre todos los grandes proveedores
Unit 42 AI Defense presiona a los competidores para demostrar que sus agentes pueden prevenir la exposición, no limitarse a resumir alertas después de la detección.
El lanzamiento se produce mientras las empresas de seguridad pasan de interfaces de chat a agentes que pueden investigar, decidir y actuar en varios sistemas. Palo Alto Networks incorpora ese cambio a la gestión ofensiva de la exposición.
Microsoft sigue una ruta relacionada mediante Project Perception. La compañía presentó modelos y agentes específicos para ciberseguridad destinados a identificar, priorizar y corregir vulnerabilidades de software.
Microsoft afirma que su arquitectura combina modelos especializados más pequeños con sistemas fronterizos más grandes. El modelo más pequeño gestiona análisis comunes, mientras que los modelos más grandes abordan tareas más difíciles.
Ese enfoque se parece a la estrategia de enrutamiento de Palo Alto Networks, aunque Microsoft puede integrar sus agentes en productos de desarrollo, identidad, endpoints y nube. Su plataforma de modelos de seguridad también hace hincapié en la gobernanza y el aprendizaje continuo.
CrowdStrike se concentra en el centro de operaciones de seguridad. Su sistema Charlotte AI coordina agentes para investigaciones, búsqueda de amenazas y respuesta gobernada en toda la plataforma Falcon.
La propuesta de SOC agéntico de la empresa parte de la telemetría de endpoints y del contexto operativo. Palo Alto Networks comienza más cerca del descubrimiento de exposición y la simulación de adversarios.
Google Cloud también está incorporando agentes a los flujos de trabajo de detección de amenazas, investigación, seguridad en la nube y remediación. Su ventaja proviene del contexto de nube, la inteligencia de amenazas y el acceso a la cartera de modelos de Google.
Estos productos se superponen, pero no son intercambiables. Un agente de operaciones de seguridad investiga actividad, mientras que un agente de pruebas ofensivas busca activamente vulnerabilidades explotables.
Probablemente las categorías converjan. El descubrimiento conduce a la remediación, la remediación requiere verificación y los incidentes activos a menudo revelan exposiciones que las pruebas preventivas no detectaron.
Esa convergencia aumentará la presión competitiva en torno al acceso a datos. Los agentes rinden mejor cuando pueden ver código, identidades, configuraciones, relaciones de red, tickets y comportamiento en tiempo de ejecución.
También favorece a los proveedores con plataformas empresariales consolidadas. Pueden conectar un hallazgo de IA con un control, flujo de trabajo o punto de aplicación existente sin tener que construir cada integración desde cero.
Palo Alto Networks tiene productos que abarcan redes, seguridad en la nube, operaciones de seguridad, identidad y respuesta a incidentes. Unit 42 añade experiencia humana e inteligencia de amenazas a esa cartera.
Por tanto, el servicio puede actuar como puente entre la consultoría y el software. Los consultores validan rutas de ataque, mientras que los productos de plataforma pueden respaldar la detección, la remediación o los controles compensatorios.
Ese diseño crea una ventaja comercial, pero también una fuente de escepticismo. Un proveedor que descubre una debilidad puede recomendar productos de su propia cartera como parte de la solución.
Los clientes necesitarán una separación clara entre la evidencia, la prioridad de remediación y las recomendaciones de productos. Los hallazgos deben seguir siendo útiles incluso cuando el sistema afectado pertenezca a otro proveedor.
Palo Alto Networks afirma que sus pruebas incluyen activos de terceros, no solo sus propios productos. Los compradores deben verificar que las integraciones, la calidad de la evidencia y las pautas de remediación se mantengan coherentes en entornos mixtos.
La presión más amplia va más allá de los proveedores de seguridad. Los equipos rojos internos, las firmas de pruebas de penetración y los proveedores de gestión de vulnerabilidades deben explicar dónde la experiencia humana aporta valor más allá del descubrimiento automatizado.
Los evaluadores humanos todavía aportan creatividad, contexto empresarial y criterio ante comportamientos ambiguos. También pueden evaluar procesos sociales y supuestos organizativos que un agente conectado a la red no puede observar.
Los agentes de IA aportan repetición, escala y persistencia. Pueden volver a realizar pruebas tras cada cambio significativo sin esperar a la siguiente evaluación trimestral.
El modelo ganador combinará ambas fortalezas. La automatización continua debe encargarse del trabajo técnico recurrente, mientras los expertos humanos se concentran en rutas inciertas, impacto empresarial y decisiones de mayor riesgo.
El descubrimiento continuo choca con una remediación lenta
El servicio solo tendrá éxito si los clientes pueden corregir las exposiciones verificadas casi tan rápido como los agentes las encuentran.
Palo Alto Networks presenta el producto en torno a una ventana defensiva cada vez menor. Su investigación de Unit 42 indica que la ruta observada más rápida desde el acceso inicial hasta la exfiltración de datos se redujo a 72 minutos.
Los datos de respuesta a incidentes de la empresa abarcan más de 750 investigaciones de alto impacto. Indican que la velocidad de los ataques se cuadruplicó con respecto al año anterior.
Unit 42 también afirma que el 87% de los ataques investigados atravesó al menos dos superficies de ataque. Algunos incidentes implicaron actividad en hasta 10 frentes.
Según el mismo informe, las debilidades de identidad aparecieron en el 89% de las investigaciones. Las técnicas basadas en identidad representaron el 65% del acceso inicial, mientras que las vulnerabilidades explotadas representaron el 22%.
Estas son estadísticas generadas por el proveedor a partir de intervenciones de Unit 42. Describen un conjunto sustancial de incidentes, pero no todas las organizaciones ni el panorama completo de amenazas.
Incluso con esa salvedad, aclaran por qué las pruebas periódicas están bajo presión. Una evaluación trimestral ofrece una protección limitada cuando la infraestructura, el código, las cuentas y las dependencias cambian cada día.
Las pruebas continuas pueden acortar el intervalo entre la creación de una exposición y su descubrimiento. No pueden acortar por sí solas todos los procesos de aprobación, desarrollo, despliegue o compras que siguen.
Un fallo confirmado en una aplicación puede seguir requiriendo que un equipo de ingeniería modifique el código. Una configuración incorrecta en la nube puede involucrar a varios responsables con requisitos operativos contradictorios.
Una identidad expuesta podría exigir rotación de credenciales, rediseño de accesos e investigación de actividades anteriores. Una debilidad de terceros podría no tener una solución bajo control del cliente.
El parcheo virtual puede ofrecer protección temporal en algunas situaciones. Sin embargo, los controles compensatorios necesitan pruebas, supervisión, responsables y un plan de remediación permanente.
Esto crea la disyuntiva central del lanzamiento. El mismo sistema que mejora el descubrimiento puede desbordar a equipos cuya capacidad de remediación sigue siendo fija.
Por ello, los responsables de seguridad deben evaluar el rendimiento operativo en lugar del volumen bruto de hallazgos. Las métricas relevantes incluyen el tiempo de validación, asignación, mitigación y verificación del cierre.
Las tasas de reapertura también importan. Una corrección que desaparece durante el siguiente despliegue no es una mejora de seguridad duradera.
Otra métrica útil es la antigüedad de la exposición. El descubrimiento continuo tiene un valor limitado si los hallazgos críticos siguen sin resolverse mientras se acumulan otros nuevos.
Las integraciones de tickets del producto pueden ayudar a incorporar evidencia en los flujos de trabajo establecidos. La integración no garantiza que el equipo correcto asuma la responsabilidad ni reciba suficiente contexto para actuar.
Cada ticket debe explicar el activo afectado, la ruta de ataque creíble, la consecuencia empresarial, la evidencia de validación y el control recomendado. También debe distinguir entre explotabilidad confirmada e inferencia del modelo.
La priorización debe mantenerse lo bastante estable para que los equipos puedan planificar. Si las puntuaciones de riesgo cambian sin evidencia comprensible, los desarrolladores y responsables de infraestructura desconfiarán de la cola.
Ese problema de confianza es conocido en la gestión de vulnerabilidades. Los equipos de seguridad suelen medir la cobertura de los escáneres, mientras que los equipos de ingeniería perciben el sistema a través de falsos positivos y plazos que compiten entre sí.
Las pruebas permanentes elevan las exigencias porque pueden generar hallazgos de forma continua. Los compradores deben exigir controles de alcance, duplicación, supresión, escalamiento y repetición de pruebas.
También deben decidir dónde termina la acción autónoma. Recomendar un parche, abrir un ticket, modificar código y bloquear tráfico de producción conllevan riesgos operativos muy distintos.
Una implementación madura establecerá permisos según las consecuencias. Las pruebas repetidas de bajo riesgo pueden ejecutarse automáticamente, mientras que los cambios en producción requieren aprobación explícita y planes de reversión.
El resultado debe ser un ciclo cerrado. Descubrir, validar, asignar, remediar, volver a probar y conservar la evidencia.
Sin ese ciclo, Unit 42 AI Defense corre el riesgo de optimizar la parte más visible del trabajo de seguridad. Identificaría los problemas más rápido mientras deja intacto el cuello de botella organizativo más difícil.
La afirmación de autonomía necesita evidencia independiente
La mayor incertidumbre no es si los modelos de frontera pueden encontrar vulnerabilidades. Es si pueden operar de forma continua sin introducir riesgos o ruido inaceptables.
Palo Alto Networks ha publicado varios resultados internos significativos. Sin embargo, la empresa no ha divulgado suficiente metodología para que terceros reproduzcan las afirmaciones principales sobre rendimiento.
Los compradores aún no conocen la combinación de vulnerabilidades detrás del límite del 40% para un solo modelo. También carecen de tasas detalladas de precisión, recuperación, falsos positivos y falsos negativos.
El solapamiento reportado de menos del 10% entre dos modelos es especialmente importante. Sugiere diversidad, pero un solapamiento bajo también puede reflejar pruebas inconsistentes o definiciones distintas de un hallazgo válido.
La evaluación independiente debe verificar qué explicación predomina. También debe probar si el sistema multimodelo encuentra más rutas de ataque relevantes que un equipo humano cualificado o herramientas consolidadas.
Comparar sistemas de seguridad basados en agentes es difícil porque las pruebas estáticas envejecen rápidamente. Los modelos pueden incorporar datos de pruebas públicas, mientras que los entornos empresariales reales incluyen permisos cambiantes, aplicaciones personalizadas y dependencias no documentadas.
El propio sistema de pruebas también puede convertirse en un riesgo. Un agente ofensivo recibe herramientas y accesos destinados a sondear sistemas, ejecutar acciones y recopilar evidencia.
Ese acceso exige límites estrictos. El agente debe operar con el principio de mínimo privilegio, lo que significa recibir solo los permisos necesarios para la tarea asignada.
Toda acción debe registrarse. Las operaciones de alto riesgo deben requerir autorización humana, y el entorno debe permitir una contención rápida si el comportamiento se sale del alcance aprobado.
El National Institute of Standards and Technology detectó un amplio consenso en que los agentes de IA introducen nuevas preocupaciones de seguridad. Sus hallazgos sobre seguridad de agentes también indican que las prácticas de ciberseguridad establecidas requieren adaptaciones para los sistemas de agentes.
Estas preocupaciones se aplican directamente a las pruebas ofensivas autónomas. Una inyección de instrucciones, una herramienta comprometida, un repositorio contaminado o un objetivo equivocado podrían redirigir a un agente autorizado.
Un modelo también podría exponer código fuente o datos de configuración sensibles a un servicio externo. Los compradores necesitan respuestas claras sobre retención de datos, acceso a los modelos, procesamiento regional y políticas de entrenamiento.
El diseño multimodelo hace estas preguntas más complejas. Los distintos modelos pueden conllevar diferentes requisitos de tratamiento de datos, límites de despliegue y restricciones operativas.
Palo Alto Networks afirma que expertos humanos validan los hallazgos y las rutas de ataque. El anuncio público ofrece menos detalles sobre puertas de aprobación, aislamiento de modelos, acceso de auditoría para clientes y procedimientos de incidentes del propio sistema de pruebas.
Eso no significa que los controles estén ausentes. Significa que los posibles clientes deben tratar los detalles de gobernanza como parte de la evaluación del producto, no como una nota al pie de la implementación.
La afirmación de que aparecieron exposiciones en todos los clientes evaluados también merece contexto. Cualquier evaluación suficientemente amplia puede encontrar debilidades de configuración, componentes sin soporte o problemas de baja probabilidad.
Las etiquetas de gravedad por sí solas no pueden mostrar la importancia empresarial. Una debilidad técnicamente crítica puede estar protegida por controles sólidos, mientras que un fallo moderado de identidad puede habilitar una cadena de ataque dañina.
Las rutas validadas ofrecen una señal mejor que la gravedad aislada. Aun así, los clientes deben exigir evidencia reproducible y supuestos explícitos sobre acceso, capacidad del atacante y estado del entorno.
También deben preguntar cómo gestiona el sistema las pruebas destructivas. La simulación segura debe establecer la explotabilidad sin dañar datos, interrumpir el servicio ni infringir las condiciones de terceros.
Las aplicaciones de terceros plantean otro límite. Un cliente puede controlar una cuenta o integración sin tener permiso para realizar pruebas agresivas contra la infraestructura del proveedor.
La gestión del alcance debe operar, por tanto, en los niveles de activo, acción y tiempo. Una autorización amplia para probar “la empresa” no es lo bastante precisa para un sistema autónomo.
La interpretación más segura del lanzamiento es mesurada. Palo Alto Networks ha presentado una arquitectura creíble y evidencia interna destacable, pero no un estándar de rendimiento establecido de forma independiente.
Esa brecha es normal en un servicio recién lanzado. Solo se vuelve problemática si los compradores confunden los resultados del proveedor con resultados demostrados de manera universal.
Tres señales mostrarán si la defensa permanente funciona
La siguiente fase debe juzgarse por los resultados de remediación, la validación independiente y las respuestas competitivas, no por el número de modelos implicados.
La primera señal es el rendimiento de remediación de los clientes. Palo Alto Networks debe divulgar si los clientes cierran rutas de ataque validadas más rápido tras adoptar el servicio continuo.
Las métricas útiles incluyen el tiempo mediano de validación, mitigación, cierre y recurrencia tras repetir las pruebas. Los recuentos de gravedad por sí solos no mostrarán si la seguridad mejoró.
Una reducción de la antigüedad de las exposiciones reforzaría el argumento de la empresa. Una cola creciente de hallazgos sin resolver sugeriría que el descubrimiento está superando la capacidad de los clientes.
La segunda señal es la evaluación técnica independiente. Investigadores o clientes deben reproducir la ventaja multimodelo en aplicaciones representativas, entornos de nube, bases de código y sistemas de identidad.
Ese trabajo debe informar de falsos positivos, hallazgos omitidos, contribuciones únicas de cada modelo y calidad de la evidencia. También debe comparar los resultados de los agentes con evaluadores humanos y productos de seguridad consolidados.
Mejoras consistentes respaldarían la tesis de orquestación de Palo Alto Networks. Grandes diferencias entre entornos demostrarían que los compradores necesitan expectativas de despliegue más acotadas.
La tercera señal es cómo los competidores conectan el descubrimiento autónomo con la acción. Microsoft, CrowdStrike, Google y empresas especializadas en seguridad están integrando agentes cada vez más profundamente en los flujos de trabajo operativos.
Una respuesta competitiva creíble combinaría pruebas persistentes, remediación gobernada y verificación en entornos tecnológicos mixtos. Otro asistente conversacional no resolvería el mismo problema.
La presión competitiva también debería mejorar la transparencia. Los compradores necesitan evidencia comparable sobre el comportamiento de los modelos, los permisos, el manejo de datos, la supervisión humana y los resultados de remediación.
Palo Alto Networks ha identificado una discrepancia real. Los atacantes pueden automatizar el reconocimiento y la explotación, mientras que muchos defensores aún esperan evaluaciones programadas y tickets asignados manualmente.
Unit 42 Continuous Frontier AI Defense aborda esa discrepancia mediante pruebas persistentes con múltiples modelos. Su arquitectura reconoce que ningún modelo individual ofrece una visión suficiente y que la validación humana sigue siendo importante.
La prueba más difícil comienza después del descubrimiento. Una empresa debe convertir los hallazgos en cambios con responsables definidos, autorizados, probados y duraderos, sin permitir que un agente ofensivo genere nuevos riesgos.
Los responsables de seguridad que evalúen Palo Alto Networks Unit 42 AI Defense deberían comenzar con un entorno representativo y medir el ciclo completo de remediación. Deberían realizar un seguimiento de las rutas verificadas, los falsos positivos, el tiempo de cierre, la recurrencia y el esfuerzo de revisión humana. También deberían documentar cada permiso concedido a los agentes de pruebas.
La decisión no debería depender de que la demostración encuentre una vulnerabilidad alarmante. La mayoría de las evaluaciones amplias terminan por hacerlo. La pregunta decisiva es si el servicio convierte de forma repetida los hallazgos válidos en sistemas más seguros con mayor rapidez que el proceso actual de la organización.
