Rubén Pérez Díaz

Introducción Por qué 2026 marca un punto de inflexión para AI-Native SecOps La brecha de volumen sigue sin resolverse con contratación La categoría de “agentes de IA para SOC” parece haber avanzado más rápido en percepción que en despliegue real El despliegue de IA introduce un nuevo vector de riesgo Metodología: cómo se procesa la evidencia Marco de evaluación: siete dimensiones de AI-Native SecOps Patrones observados en el mercado Fundamento de datos: de la promesa al inventario de fuentes El espectro Asistente → Agente: de la conversación a la acción Gobierno de agentes: el punto ciego generalizado Medición por resultados: la métrica correcta importa más que la tecnología Sobredependencia: la trampa de las cinco personas Honestidad de madurez: una buena señal de fiabilidad Modelo comercial: ROI que no depende de una promesa futura Guía de evaluación para el CISO Conclusión Introducción Las operaciones de seguridad nativas en IA, conocidas en el mercado como AI-Native SecOps, se han convertido en un concepto recurrente en la seguridad gestionada. Según Gartner, los agentes de IA para SOC se sitúan en el “pico de expectativas infladas” de su Hype Cycle for Security Operations, con una penetración estimada de apenas el 1-5% del mercado objetivo y advertencias sobre el riesgo de “AI washing”, es decir, de presentar como IA avanzada capacidades que no lo son. Forrester, por su parte, identifica las amenazas asociadas a los agentes de IA entre los principales riesgos de ciberseguridad en la actualidad. Este artículo no pretende resolver el debate semántico sobre qué es o no AI-Native SecOps. Su objetivo es más práctico: exponer una metodología para que un CISO pueda analizar las evidencias de mercado disponibles y distinguir entre mensajes comerciales poco sustentados y señales reales de madurez. A lo largo del documento se citan, a título ilustrativo, prácticas observadas en el mercado que ejemplifican cada principio, incluyendo algunas de las prácticas que aplicamos en Telefónica dentro de nuestro modelo de AI-Native SecOps. Por qué 2026 marca un punto de inflexión para AI-Native SecOps Para introducir el concepto de AI-Native SecOps es relevante destacar tres particularidades del mercado de operaciones de seguridad en 2026: La brecha de volumen sigue sin resolverse con contratación El SOC medio puede enfrentarse a miles de incidentes diarios con equipos de analistas sometidos a una fuerte presión operativa. Además, el tiempo de ruptura del adversario (breakout time) se ha reducido a minutos, con casos mínimos observados de segundos. En este contexto, incrementar la plantilla por sí solo difícilmente cierra esa brecha al ritmo necesario. La categoría de “agentes de IA para SOC” parece haber avanzado más rápido en percepción que en despliegue real Gartner movió esta categoría una fase completa (de Innovation Trigger a Peak of Inflated Expectations) en solo doce meses, la subida más rápida de todo su Hype Cycle 2026. El informe advierte explícitamente del riesgo de AI washing, lo que refuerza la necesidad de elevar la exigencia en los procesos de compra de soluciones agénticas para SOC. El despliegue de IA introduce un nuevo vector de riesgo Forrester documenta que los agentes de IA (muchos de ellos autorizados por la propia empresa) pueden actuar como “operadores en la sombra” cuando no existe un gobierno adecuado de identidad, inventario y control de acceso a herramientas. Casi la mitad de los responsables de seguridad encuestados por Forrester en 2026 (49%) señalan la propia IA agéntica como motivo de preocupación. Cualquier evaluación seria de una propuesta de AI-Native SecOps debe tener en cuenta estos tres escenarios como contexto imprescindible. Metodología: cómo se procesa la evidencia La disciplina analista distingue entre lo que un proveedor dice y lo que un proveedor demuestra que ha construido. El proceso aplicado en este artículo (y replicable por cualquier equipo de seguridad que evalúe proveedores) sigue cuatro pasos: Triangulación con fuentes de mercado independientes. Toda afirmación de madurez se contrasta con el Hype Cycle de Gartner más reciente y con los informes de amenazas del mismo periodo, no contra el material comercial del propio proveedor. Extracción documental estructurada. Cuando el proveedor aporta documentación de arquitectura, metodología o indicadores clave (KPI), se procesa como evidencia primaria: se extrae cada componente citado (capas de datos, matrices de decisión, catálogos de indicadores) y se coteja frente a lo que el estándar de mercado exige en esa misma dimensión. Mapeo a un marco de dimensiones comparables, para que la evaluación no dependa de la terminología propia de cada proveedor (cada uno llama a lo mismo de forma diferente) sino de capacidades funcionalmente equivalentes. Distinción explícita entre lo demostrado y lo prometido. Una capacidad solo se puntúa como madura si el proveedor aporta evidencia operativa (por ejemplo, una fórmula de KPI, un umbral definido, un ejemplo de flujo con aprobación humana), no si se limita a nombrarla. ■ Este proceso es el que, en la práctica, ayuda a diferenciar a los proveedores con más capacidad de superar una auditoría de compra exigente de aquellos que no aportan evidencia suficiente: Gartner prevé que, para 2028, el 70 % de los grandes SOC probará agentes de IA para apoyar las operaciones de nivel 1 y 2, pero solo un 15 % logrará mejoras medibles sin una evaluación estructurada. La diferencia rara vez está en la tecnología subyacente (a menudo similar entre proveedores) sino en si la empresa ha procesado su propio despliegue con esta misma disciplina de evidencia. Marco de evaluación: siete dimensiones de AI-Native SecOps Aplicando la metodología anterior a la oferta agregada del mercado actual, surgen siete dimensiones sobre las que cualquier propuesta de AI-Native SecOps debería ser capaz de aportar evidencia y no solo discurso: Cumplir con estas siete dimensiones es un reto para cualquier proveedor de servicios SOC o para el propio SOC de una empresa. Por ello, el ejercicio de evaluación debe ser honesto para determinar qué brechas de cobertura existen antes de considerar una propuesta como madura. Patrones observados en el mercado Fundamento de datos: de la promesa al inventario de fuentes Una de las prácticas que permite distinguir un uso maduro de la IA en el SOC de una incorporación superficial de capacidades conversacionales es la posibilidad de mostrar, con detalle, la cadena completa de procesado del dato: recolección y normalización, enriquecimiento y correlación entre fuentes, y almacenamiento estructurado para consumo en tiempo real. ■ En Telefónica, por ejemplo, los agentes actúan sobre una capa transversal de datos que ingiere, procesa, normaliza y enriquece los datos provenientes de las múltiples fuentes de seguridad del cliente. El espectro Asistente → Agente: de la conversación a la acción El discurso comercial actual tiende a difuminar la frontera entre las capacidades conversacionales de un asistente de SOC y las capacidades de uno o varios agentes de IA que actúan de forma autónoma bajo supervisión de analistas humanos. ■ En el modelo de AI-Native SecOps de Telefónica hacemos uso de ambas capacidades. Por ejemplo, nuestros desarrolladores de ciberseguridad utilizan un asistente conversacional para la creación de una nueva regla de detección SIEM, mientras que un agente se encarga de operar el flujo CI/CD de provisión en el SIEM. Otro agente del SOC de Telefónica es entrenado y supervisado continuamente por nuestros analistas expertos en detección de amenazas para ayudar a descartar falsos positivos y priorizar la investigación de verdaderos positivos. Gobierno de agentes: el punto ciego generalizado Los agentes deben estar gobernados desde su diseño. Por tanto, antes de subirlos a producción, el primer paso consiste en implementar un proceso continuo de identificación para tener control sobre el inventario. Una vez inventariados, debe existir una gestión continua de las políticas de protección que se les deben aplicar. En este sentido, herramientas de Identity and Access Management (IAM), Privileged Access Management (PAM) o similares deben tenerse en consideración para agentes de la misma forma que para identidades humanas. ■ Los agentes de IA del SOC en Telefónica representan identidades de servicio a las que aplicamos por diseño políticas de acceso y autorización de mínimo privilegio. Por tanto, se ciñen a los mecanismos de auditoría comparables a los aplicados a las identidades humanas, adaptados a su naturaleza y función. El siguiente nivel de madurez que el mercado podría exigir a partir de 2027 será extender el gobierno al ciclo de vida completo del agente. Además de la concesión de permisos o auditoría de las tareas ejecutadas, será necesario reforzar el control sobre la creación, evolución o la discontinuación de agentes y sobre el impacto que tienen en la empresa. Medición por resultados: la métrica correcta importa más que la tecnología Procesar 10.000 alertas al mes no significa nada si la calidad de la investigación se degrada. Una práctica de mercado recomendable consiste en reportar MTTD, MTTR y reducción de falsos positivos con fórmula y umbral definidos por indicador, y en separar los tipos de impacto (eficiencia operativa, cumplimiento de SLA y mejora de resiliencia) en lugar de mezclarlos en una única cifra de “productividad”. El reto para un CISO es tener como punto de partida una visión holística de todos sus KPI, estratégicos, tácticos y operativos, teniendo en cuenta la disparidad de fuentes de datos de las que se nutren dichos KPI. Solo con esta visibilidad sobre el estado del SOC, es posible evaluar el impacto financiero, operativo y sobre el talento que supone la incorporación de agentes de IA a su gestión diaria. ■ En Telefónica, nuestro servicio CISO Control Tower está orientado a dar respuesta a este reto. Sobredependencia: la trampa de las cinco personas La proyección de Gartner (75% de los SOC con erosión de habilidades analíticas fundamentales para 2030 por sobredependencia de la IA) convierte en una señal de alerta cualquier propuesta de venta centrada en “menos analistas”. En Telefónica nos alejamos del eslogan comercial “opera tu SOC 24x7 con solo 5 analistas” y promovemos la reinversión de las eficiencias generadas por la automatización y la IA en actividades de mayor valor analítico como la búsqueda proactiva de amenazas (threat hunting) o la inteligencia de amenazas (threat intelligence). Honestidad de madurez: una buena señal de fiabilidad Es fundamental incorporar al discurso comercial indicadores realistas que permitan evaluar con fiabilidad el grado de madurez de las capacidades agénticas dentro de una propuesta de AI-Native SecOps. Comunicar tasas de error, limitaciones operativas y métricas de retorno con criterios transparentes sirve de contrapeso al exceso de expectativas y aporta mayor confianza sobre la implantación o contratación de operaciones de seguridad apoyadas en agentes de IA. Modelo comercial: ROI que no depende de una promesa futura Un patrón de mercado más defendible es el de un caso de negocio construido sobre automatización ya disponible: SOAR, reducción progresiva de tareas de Nivel 1, reinversión de eficiencias o visibilidad integral, de extremo a extremo, de la postura de seguridad. Sobre este contexto de un SOC con un alto grado de automatización previa, la IA generativa y los agentes actúan como aceleradores incrementales, no como condición de éxito. La evaluación por parte de un cliente de las capacidades agénticas de un SOC debería comenzar por preguntar sobre las automatizaciones ya desplegadas. De esta manera se reduce el riesgo de compra de una propuesta de AI-Native SecOps que dependa más de una promesa futura de autonomía que de capacidades operativas ya demostrables. Guía de evaluación para el CISO Un comprador puede aplicar el mismo proceso de cuatro pasos descrito en la sección Metodología frente a cualquier proveedor, exigiendo evidencia y no discurso en cada uno de estos puntos: Pedir el diagrama de arquitectura de datos completo, no solo el nombre del data lake. Pedir, para cada caso de uso anunciado como “IA”, que el proveedor indique si se trata de aprendizaje automático (machine learning), asistente conversacional o agente, y desde cuándo está en producción. Pedir el criterio explícito, no genérico, que determina cuándo una acción automatizada requiere aprobación humana. Pedir la fórmula y el umbral de cada KPI reportado, no solo el nombre del indicador. Preguntar directamente cómo se reinvierten las eficiencias de la automatización, y desconfiar de cualquier respuesta centrada únicamente en reducción de coste de plantilla. Preguntar qué porcentaje de los casos de uso de IA del proveedor están, en su propia valoración, por debajo de la madurez plena. Pedir que el caso de negocio se sostenga con la tecnología disponible hoy, no con una proyección de autonomía futura. Conclusión El mercado de AI-Native SecOps está en su fase de mayor distancia entre expectativa y realidad, según los propios analistas del sector. Una forma más rigurosa de abordar esta situación no es aceptar ni rechazar la etiqueta AI-Native SecOps, sino descomponerla en las siete dimensiones de evidencia descritas en este artículo y exigir a cada proveedor que las sustente con datos verificables. Los proveedores de SOC que combinan una arquitectura de datos auditable, un marco explícito de decisión de riesgo por tarea, un catálogo de KPI con fórmula y umbral, y una comunicación honesta sobre los límites reales de la IA no habrán alcanzado necesariamente una madurez plena en AI-Native SecOps, una categoría todavía en proceso de consolidación. Pero sí pueden estar mejor posicionados para sostener esa transición sin exponer al cliente al ajuste de expectativas que el propio sector anticipa para los próximos meses. ______ Telefónica Tech Ciberseguridad Seguridad en aplicaciones de IA: resiliencia más allá de la infraestructura 25 de noviembre de 2025