¿Qué es la IA generativa y agéntica en ciberseguridad?

En conjunto, estas tecnologías crean un arma de doble filo: los defensores las aprovechan para la clasificación automatizada, la defensa predictiva y la respuesta acelerada a incidentes, mientras que los ciberdelincuentes las utilizan como arma para ejecutar ciberataques de extremo a extremo a la velocidad de las máquinas. Según el Informe de seguridad de IA de ThreatLabz de 2026, la actividad de IA y aprendizaje automático aumentó un 83 % en 2026, generando casi un billón de transacciones empresariales en más de 3400 aplicaciones de IA.

Comprender la distinción entre la IA tradicional, la IA generativa y la IA agéntica, y garantizar su implementación segura en los flujos de trabajo empresariales, es ahora un pilar fundamental de la arquitectura Zero Trust moderna.

La inteligencia artificial en la ciberseguridad ha evolucionado a través de tres generaciones distintas:

La arquitectura de un agente de IA

Mientras que la IA convencional marca un archivo sospechoso y espera a un analista, un sistema agéntico investiga de manera autónoma el origen del archivo, analiza el comportamiento del proceso, ejecuta protocolos de contención y valida la corrección. Esta autonomía se basa en cuatro componentes arquitectónicos básicos:

• Módulo de planificación: Desglosa objetivos defensivos o analíticos complejos y de alto nivel en tareas secuenciales y ejecutables.
• Arquitectura de memoria: Conserva el estado de ejecución a corto plazo y el contexto organizativo a largo plazo a partir de la telemetría anterior, lo que permite una adaptación continua entre interacciones.
• Llamada de herramientas y ejecución: Interactúa directamente con las API, almacenes de datos, puntos finales y herramientas de seguridad externas para recopilar telemetría en tiempo real o ejecutar comandos del sistema.
• Autorreflexión y evaluación: Inspecciona continuamente los resultados intermedios, detecta errores de ejecución y refina dinámicamente las estrategias de respuesta para mejorar sistemáticamente la postura de ciberseguridad.

Si bien los agentes de IA han cobrado importancia en los últimos años, su adopción generalizada en las empresas ha introducido enormes riesgos operativos.

Solo en 2025, las transferencias de datos empresariales a aplicaciones de IA y ML totalizaron 18,033 TB, lo que supone un aumento del 92.6 % interanual (Informe de seguridad de IA de ThreatLabz de 2026). La exposición no autorizada de datos obligó a las organizaciones a bloquear el 39 % de todas las transacciones de AI/ML empresarial debido a preocupaciones sobre fugas de datos y desajustes en las políticas.

Al mismo tiempo, los malintencionados utilizan la IA para ejecutar ataques a la velocidad de las máquinas, en lugar de a la velocidad humana. En las pruebas de equipos rojos realizadas por los equipos de investigación de amenazas de Zscaler, se descubrieron vulnerabilidades críticas en el 100 % de los sistemas de IA empresariales analizados, y se produjeron violaciones en un tiempo promedio de tan solo 16 minutos.

Los centros de operaciones de seguridad modernos se enfrentan habitualmente al problema de la saturación de alertas y al gran volumen de telemetría en equipos de trabajo distribuidos. La integración de la IA generativa y la IA agéntica automatiza todo el ciclo de vida de las vulnerabilidades, optimizando su capacidad para detectar y responder a las amenazas en tiempo real.

Los defensores emplean técnicas avanzadas de IA, entre las que destacan el aprendizaje automático (ML) y el procesamiento del lenguaje natural (NLP):

• Aprendizaje supervisado: clasifica comportamientos y firmas de amenazas conocidas a partir de conjuntos de entrenamiento a escala de petabytes.
• Aprendizaje no supervisado: Se destaca por detectar anomalías en registros sin procesar y comportamientos de usuario sin necesidad de indicadores heurísticos explícitos.
• Aprendizaje por refuerzo: Optimiza las secuencias de respuesta mediante la evaluación de vías simuladas de contención y mitigación.
• Procesamiento del lenguaje natural: Analiza información no estructurada procedente de informes de inteligencia sobre amenazas, realiza un seguimiento de las tendencias de ataque emergentese identifica un intento de phishing basándose en la intención y no en la reputación del remitente, lo que hace que la IA defensiva sea altamente eficaz en operaciones de seguridad complejas.

Aplicaciones defensivas clave en el mundo real

Al ir más allá de la generación pasiva de alertas, los agentes de IA cierran la brecha entre la telemetría básica y la defensa autónoma y decisiva. En las operaciones modernas, los equipos de seguridad ponen en práctica estos flujos de trabajo generativos y agénticos en cuatro etapas críticas del ciclo de vida de la amenaza:

1. Detección avanzada de amenazas persistentes (APT, por sus siglas en inglés).

Los adversarios sofisticados mantienen perfiles bajos deliberadamente para evitar ser detectados en un momento dado. Gracias a la memoria a largo plazo y la correlación de múltiples saltos en entornos de nube, los sistemas agénticos mejoran drásticamente la detección y prevención de amenazas. En la detección avanzada de amenazas persistentes (APT), un agente puede correlacionar un inicio de sesión con una identidad fuera de la región con microconsultas posteriores a repositorios de archivos confidenciales y túneles de cifrado salientes anómalos, identificando una secuencia de espionaje coordinada que las alarmas tradicionales no detectan.

2. Respuesta y contención automatizadas de incidentes

Durante un ataque de ransomware activo, la rapidez de la contención es fundamental. Mientras que una solución de detección y respuesta en el punto final (EDR) alerta sobre la actividad de procesos maliciosos, una capa de orquestación agéntica ejecuta un flujo de trabajo de respuesta a incidentes de ciclo cerrado de varios pasos:

1. Contención: Revoca las sesiones de identidad y aisla las cargas de trabajo afectadas de la estructura de Zero Trust Exchange para bloquear el movimiento lateral.
2. Análisis: Detona automáticamente las cargas útiles sospechosas en un entorno aislado (sandbox) en la nube para extraer indicadores de compromiso (IoC, por sus siglas en inglés).
3. Caza de amenazas: Utiliza la telemetría extraída para analizar los puntos finales de los pares, las aplicaciones privadas y las cargas de trabajo de SaaS en busca de indicadores de persistencia.
4. Remediación: Restaura las configuraciones afectadas, conserva las copias de seguridadcríticas e implementa microsegmentos de política Zero Trust.
5. Informes: Genera un informe de incidentes auditable que incluye cronogramas forenses y análisis de la causa raíz para su revisión por parte del SOC.

3. Gestión proactiva de vulnerabilidades y fortalecimiento de la postura

En la gestión continua de vulnerabilidades, los modelos de IA supervisan la exposición externa, señalan las configuraciones erróneas riesgosas y simulan rutas de ataque. Los agentes recomiendan medidas de mitigación específicas, como ajustar las reglas del firewall o aplicar políticas de autenticación condicionales y más estrictas, reduciendo de manera proactiva la superficie de explotación antes de que los adversarios ataquen.

4. Pruebas contínuas de equipos rojos

Los equipos de seguridad utilizan agentes de IA automatizados para emular las TTP del adversario, identificando deficiencias en la postura de seguridad en las cargas de trabajo empresariales y ejecutando ejercicios especializados de equipos rojos (simulación de ataques) específicos para IA contra implementaciones internas de LLM.

Los adversarios utilizan herramientas generativas y agentes autónomos para llevar a cabo ataques a gran velocidad, eludiendo las defensas perimetrales tradicionales.

1. Ingeniería social orquestada por IA: Si bien el phishing masivo por correo electrónico disminuyó un 20 % en 2024, los atacantes concentraron sus esfuerzos en objetivos de alto valor en finanzas y recursos humanos utilizando spear-phishing personalizado basado en LLM y deepfake generativo de voz/video (Informe de phishing de ThreatLabz de 2025).
2. Generación automatizada de exploits y auditoría de código: Los atacantes utilizan modelos generativos para escanear rápidamente repositorios de código abierto en busca de vulnerabilidades de día cero y generar cargas útiles de explotación personalizadas sin necesidad de contar con conocimientos especializados de desarrolladores.
3. Reconocimiento automatizado: Los agentes adversarios autónomos sondean continuamente las redes objetivo para identificar rutas accesibles. Dado que estos agentes recopilan sistemáticamente la huella digital pública, la implementación de tecnología de engaño proactiva los atrae a entornos señuelo, que dejan al descubierto sus métodos.
4. Inyección de indicaciones y manipulación del modelo: Los atacantes explotan el hecho de que los modelos LLM a menudo tratan las indicaciones del usuario y las instrucciones del sistema como si fueran iguales. Las indicaciones directas manipulan las medidas de seguridad del modelo, mientras que los ataques indirectos de inyección de indicaciones incrustan instrucciones en artefactos no confiables (por ejemplo, archivos PDF o repositorios de código), secuestrando las acciones internas del agente cuando se procesan.
5. Malware polimórfico: Los malintencionados utilizan modelos generativos para reescribir las firmas del malware y ofuscar el código en cada ejecución, eludiendo las herramientas de seguridad para puntos finales basadas en firmas y requiriendo un análisis de comportamiento Zero Trust.

Garantizar la seguridad de la infraestructura de IA difiere sustancialmente de la seguridad tradicional basada en perímetros o de la seguridad en la nube. El riesgo de la IA empresarial abarca todo el ciclo de vida del modelo y de los datos:

• Envenenamiento de modelos y desviación del entrenamiento: Los adversarios manipulan los conjuntos de datos de preentrenamiento o los procesos de ajuste fino para introducir puertas traseras encubiertas. Si los modelos no se someten a una gestión continua a medida que cambia el panorama de amenazas externas, la eficacia defensiva se degrada rápidamente.
• Sesgo algorítmico: Si los corpus de entrenamiento están muy centrados en Windows, los sistemas pueden omitir o no detectar amenazas en un sistema basado en Linux, lo que introduce puntos ciegos.
• Falta de explicabilidad y transparencia: La toma de decisiones basada en una caja negra plantea desafíos para la auditoría. El desarrollo de mecanismos de IA explicable (XAI) es crucial para que los analistas comprendan la lógica sobre la que se basan las acciones de seguridad automatizadas.
• Errores autónomos y radio de impacto: Las acciones no controladas de los agentes pueden aislar bases de datos de producción críticas durante falsas alarmas. Para mitigar las interrupciones operativas se requieren pruebas rigurosas, una definición estricta del alcance con privilegios mínimos y controles con intervención humana para las acciones de alto impacto.
• Ataques dirigidos de IA adversaria: Los atacantes diseñan datos de perturbación para engañar a los modelos de detección o para forzar a las herramientas de los agentes a ejecutar una lógica maliciosa.
• Fuga de datos y violaciones de DLP: Los usuarios empresariales que expusieron código fuente propietario o PII en modelos públicos fueron responsables de más de 410 millones de violaciones de DLP solo en ChatGPT en 2025 (Informe de ThreatLabz).
• IA oculta: El uso no autorizado de la IA y los agentes de IA no verificados operan sin supervisión de seguridad, lo que impide que los equipos de seguridad conozcan los flujos de datos corporativos.
• Riesgos de la cadena de suministro de IA: Las dependencias de código abierto comprometidas, los pesos de los modelos no confiables y los complementos de modelos de terceros inseguros crean vías de ataque laterales.
• Cumplimiento normativo y marcos de referencia: Las implementaciones deben cumplir con estrictas protecciones establecidas en el RGPD, la Ley de Privacidad del Consumidor de California (CCPA), la Ley de IA de la UE, DORAy el Marco de Gestión de Riesgos de IA del NIST (AI RMF).

Las organizaciones que mitigan los riesgos de la IA con éxito, introducen capacidades en fases controladas y reguladas:

Para lograr una adopción segura, implemente este enfoque Zero Trust de 5 etapas:

1. Aplique el acceso Zero Trust a las aplicaciones de IA: Bloquee las herramientas de la IA oculta no autorizadas y de alto riesgo, y dirija el tráfico de IA autorizado a través de un proxy de inspección en línea.
2. Aisle los entornos de modelos empresariales: Aloje los modelos empresariales aprobados en VPC de nube privada aisladas para evitar que las indicaciones corporativas y los datos de propiedad exclusiva se incorporen a los conjuntos de entrenamiento públicos.
3. Implemente un control detallado del contexto y de la identidad no humana: Trate a los agentes de IA y a los bots de automatización como identidades no humanas. Aplique un estricto principio de acceso con privilegios mínimos, que garantice que los agentes solo puedan acceder a herramientas y almacenes de datos empresariales autorizados explícitamente.
4. Inspeccione las indicaciones de acuerdo con la prevención avanzada de pérdida de datos (DLP): Intercepte las indicaciones entrantes y salientes en tiempo real para filtrar credenciales confidenciales, código fuente e información de identificación personal, al tiempo que neutraliza los vectores de inyección de indicaciones.
5. Haga obligatorio el uso de listas de materiales para software de IA (AI-SBOM): Verifique el origen de todos los modelos básicos, los pesos de entrenamiento y las integraciones externas para eliminar las vulnerabilidades de la cadena de suministro.

A medida que evolucionan los modelos agénticos, varios cambios empresariales definirán el ecosistema de seguridad:

• Espionaje a la velocidad de las máquinas: Los ciberdelincuentes utilizan cada vez más la IA agéntica de automatizar campañas completas. En la primera campaña documentada de ciberespionaje orquestada por IA, los adversarios automatizaron entre el 80 % y el 90 % de las acciones operativas utilizando agentes autónomos (Informe de ThreatLabz).
• Expansión hacia OT, IoT y la infraestructura crítica: La detección autónoma de amenazas está trascendiendo el ámbito de las TI corporativas para supervisar la tecnología operativa (OT), los sistemas de control industrial (ICS)y la infraestructura física interconectada de IoT.
• El centro de operaciones de seguridad nativo de IA: Los analistas humanos asumirán funciones de supervisión, coordinando enjambres colaborativos de agentes especializados que se encargan de la síntesis de alertas, la clasificación y la remediación en tiempo real.

Como plataforma de seguridad de IA empresarial, Zscaler Zero Trust Exchange protege más de 500 mil millones de transacciones diarias para el 40 % de las empresas del Global 2000.

Al inspeccionar todo el tráfico en línea y desglosar la identidad de la exposición directa a la red, Zscaler capacita a las empresas para innovar de manera segura con IA al tiempo que se defienden contra los riesgos emergentes de la IA:

• Gestión de la postura de seguridad mediante IA (AI-SPM): Descubre y clasifica todos los activos de la IA empresarial, incluidas las herramientas de IA oculta, los modelos privados y los servidores MCP, lo que garantiza una alineación continua de la configuración con las políticas Zero Trust y los estándares regulatorios.
• Seguridad de acceso a la IA: Aplica controles de acceso conscientes del contexto, aislamiento del navegador y DLP integrada para evitar fugas de datos y hacer cumplir políticas de uso estrictas basadas en roles.
• Pruebas de equipos rojos automatizadas y continuas: Simula continuamente ataques adversarios dirigidos y específicos del dominio contra aplicaciones de la IA empresarial y los LLM para identificar vulnerabilidades antes de que lo hagan los atacantes.
• AI Guard para usuarios: Proporciona una inspección de indicaciones en tiempo real y en línea para bloquear inyecciones de indicaciones, jailbreaks y fugas de datos confidenciales antes de que las solicitudes lleguen a los puntos finales del modelo.

Lea la descripción general del producto Zscaler AI Security para aprender cómo proteger sus iniciativas de IA generativa y agéntica.