IA en el SOC: agentes, SOAR y supervisión humana
Un SOC recibe cada día más alertas de las que un equipo humano puede revisar con calma. La promesa de la IA es clara: que una máquina haga el primer filtro, reúna las evidencias y proponga qué hacer. La pregunta que me hacen los comités de riesgos es otra: ¿quién responde cuando el agente se equivoca?
En este artículo explico qué está cambiando en los centros de operaciones de seguridad con la IA, dónde están los riesgos reales y cómo gobernarlo para que encaje con NIS2, DORA y el Reglamento de IA europeo. Lo hago desde la experiencia en entornos bancarios altamente regulados, no desde la demo de un fabricante.
IA en el SOC: de procesar alertas a cerrar casos
Hasta hace poco, la automatización del SOC era sobre todo SOAR: libros de jugadas (playbooks) escritos a mano que enriquecen una alerta, abren un ticket o aíslan un equipo cuando se cumple una regla. Funciona bien con lo previsible y mal con lo nuevo.
Los agentes de IA cambian el modelo. Ya no siguen un guion fijo: razonan sobre las evidencias, consultan varias fuentes, formulan una hipótesis y proponen (o ejecutan) una acción. Gartner describe este paso como el cambio de la función principal del SOC: de procesar alertas a responsabilizarse del caso de principio a fin. Y prevé que en 2028 los equipos de operaciones de seguridad tengan un 50 % más de ingenieros que de analistas.
Mi lectura: la IA no elimina el SOC, lo convierte en un equipo de ingeniería que diseña, vigila y corrige a sus propios agentes. Si no planificas ese cambio de perfil, el agente acaba decidiendo solo por pura falta de quien lo supervise.
Qué hace hoy la IA en un SOC: aprendizaje automático y SOAR
Antes de hablar de agentes conviene separar lo que la IA ya hace de forma madura en un SOC. La mayor parte es aprendizaje automático aplicado a cuatro tareas:
- Clasificación de alertas. Modelos entrenados con alertas ya cerradas separan los falsos positivos de los casos que merecen investigación y agrupan las alertas duplicadas de un mismo incidente.
- Detección de anomalías y analítica de comportamiento (UEBA). El sistema aprende qué es normal para cada usuario, equipo o servicio y señala lo que se aparta: accesos a horas raras, volúmenes de datos inusuales o movimientos laterales.
- Priorización de incidentes. Una puntuación combina la gravedad de la alerta, la criticidad del activo, su exposición y la inteligencia de amenazas para decidir qué se mira primero.
- Respuesta automatizada. El SOAR ejecuta playbooks (aislar un equipo, bloquear un indicador, forzar un cambio de contraseña) cuando la confianza supera un umbral definido.
Bien usado, multiplica la capacidad del equipo. Pero todo depende de los datos con los que aprende: si el histórico está incompleto o mal etiquetado, el modelo repite esos errores a más velocidad. Por eso hay que medir su calidad (precisión y falsos negativos encontrados en las revisiones) y vigilar cómo se degrada con el tiempo, igual que cualquier otro control.
Los cuatro niveles de autonomía de un SOC con IA
El error más común que veo es hablar de «IA en el SOC» como si fuera una sola cosa. No lo es. Antes de aprobar nada, conviene definir con el equipo en qué nivel opera cada caso de uso:
- Asistencia. El agente resume, enriquece y prioriza. El analista decide todo.
- Recomendación. El agente propone una acción concreta con su justificación. El analista la aprueba o la rechaza.
- Autonomía acotada. El agente ejecuta acciones reversibles y de bajo impacto (por ejemplo, poner en cuarentena un correo) dentro de límites definidos, y lo deja registrado.
- Autonomía condicionada. El agente actúa sobre sistemas críticos (aislar un servidor, bloquear una cuenta privilegiada) solo con condiciones previas, umbrales de confianza y vuelta atrás garantizada.
En banca, casi todo lo que toca un sistema crítico debería quedarse en el nivel 2 al principio. Se sube de nivel con datos, no con entusiasmo: tasa de acierto medida, falsos positivos revisados y ensayos de qué pasa cuando el agente falla.
Riesgos reales de la IA en el SOC
Los riesgos que me preocupan no son los de la ciencia ficción. Son operativos y se pueden gestionar si se nombran:
- Deuda de explicabilidad. Si el agente descarta una alerta y nadie puede reconstruir por qué, has perdido la cadena de evidencias. En un incidente notificable, eso es un problema regulatorio, no solo técnico.
- Manipulación del propio agente. Un atacante que conoce cómo razona el agente puede sembrar datos para que clasifique su actividad como benigna. La entrada del agente es superficie de ataque.
- Permisos excesivos. Un agente que puede aislar equipos o bloquear cuentas es una identidad privilegiada más. Hay que gobernarla como tal (lo explico en identidades no humanas y agentes de IA).
- Pérdida de oficio. Gartner advierte de que la dependencia excesiva de la automatización puede erosionar las habilidades básicas de análisis de los equipos. Si los analistas solo validan lo que dice la máquina, dejan de saber investigar.
- Sesgo de automatización. Cuando el agente acierta muchas veces seguidas, el humano deja de revisar de verdad. La supervisión se convierte en un clic.
Priorización automática: sesgos, trato desigual y proporcionalidad
Hay un riesgo que se discute menos y que tiene una dimensión ética, no solo técnica: cuando una máquina decide qué se atiende primero y cómo se responde, está tratando de forma distinta a activos, equipos y personas.
- Sesgo heredado de los datos. El modelo aprende de lo que el equipo investigó en el pasado. Las áreas que antes se vigilaban poco seguirán pareciendo de bajo riesgo, aunque no lo sean.
- Trato desigual. Priorizar por el valor del activo o del usuario puede dejar sin atender incidentes en sedes, filiales o colectivos menos visibles o, al contrario, someter a algunos empleados a más vigilancia que a otros sin una razón de riesgo que lo justifique.
- Proporcionalidad de la respuesta. Bloquear la cuenta de una persona o aislar su equipo por una anomalía tiene consecuencias reales en su trabajo. La respuesta debe ser proporcional a la evidencia y graduada: primero se contiene lo reversible y una persona decide lo que afecta a alguien.
Esto tiene también encaje legal. Si el SOC analiza el comportamiento de los empleados, entra en juego el RGPD: base jurídica, información previa, evaluación de impacto y límites a las decisiones automatizadas que afecten a personas, además de los derechos digitales en el ámbito laboral. Y si el sistema se usa para vigilar o evaluar el comportamiento de trabajadores, puede considerarse de alto riesgo según el anexo III del Reglamento de IA, que exige supervisión humana efectiva.
Los controles son sencillos de enunciar: documentar los criterios de priorización, revisar por muestreo lo que el sistema dejó atrás, comparar resultados entre áreas o colectivos para detectar diferencias que el riesgo no explique y exigir aprobación humana para cualquier acción que recaiga sobre una persona.
IA en el SOC y regulación: NIS2, DORA y el Reglamento de IA
La regulación no prohíbe usar IA en el SOC, pero sí exige que puedas demostrar lo que pasó y quién decidió.
NIS2 y DORA. Las dos piden gestión de incidentes con plazos de notificación cortos. Un agente que acelera la detección ayuda; uno que descarta en silencio un incidente grave te hace incumplir el plazo sin saberlo. Los plazos y cómo encajarlos los detallo en notificación de incidentes en 72 horas con RGPD, NIS2 y DORA. En España, además, la ley de transposición de NIS2 sigue pendiente; lo que ya te afecta lo resumo en NIS2 en España.
Reglamento de IA (EU AI Act). Un agente de SOC no es automáticamente un sistema de alto riesgo. Pero puede serlo si actúa como componente de seguridad en la gestión de infraestructura digital crítica (anexo III). En cambio, las tareas preparatorias y acotadas pueden quedar fuera por la excepción del artículo 6.3. La clasificación se hace caso por caso y debe quedar documentada. Tras el Reglamento (UE) 2026/1744, las obligaciones de alto riesgo del anexo III se aplican desde el 2 de diciembre de 2027 (te lo cuento en el aplazamiento de la ley de IA). Aplazar no es eliminar: lo que pide el reglamento —supervisión humana efectiva, registros que permitan reconstruir lo ocurrido, gestión de riesgos— es lo mismo que exige una buena práctica de SOC.
Cómo gobernar un SOC con IA: siete controles
Estos son los controles que recomiendo tener antes de dejar que un agente toque la operación:
- Inventario de agentes y casos de uso, con su nivel de autonomía y su responsable humano con nombre y apellidos.
- Registro completo de cada decisión: qué datos vio el agente, qué concluyó, qué hizo y quién lo aprobó. Sin eso no hay auditoría posible.
- Permisos mínimos y separados para cada agente, revisados como cualquier cuenta privilegiada.
- Barreras de entrada y salida frente a manipulación y fugas de datos (en la línea de las barreras de seguridad para IA generativa).
- Muestreo humano de lo descartado: un porcentaje de las alertas que el agente cierra se revisa siempre. Es la única forma de medir lo que no ves.
- Métricas de calidad, no solo de velocidad: falsos negativos detectados en el muestreo, reaperturas de casos y tiempo hasta la decisión humana, además del tiempo medio de respuesta.
- Ensayos de fallo: probar qué pasa cuando el agente se equivoca, se cae o recibe datos manipulados, y tener un modo manual listo.
La decisión que más aporta: qué no automatizar
En entornos regulados, el mayor avance no suele venir de automatizar más, sino de decidir con criterio qué no se automatiza. Que la máquina enriquezca, correlacione y priorice; que las acciones sobre sistemas críticos sigan pasando por una persona hasta que los datos demuestren que el agente es fiable. Así se reduce el ruido para el equipo sin perder una cadena de evidencias que un supervisor pueda revisar.
Si quieres ver el contexto más amplio de qué puede y qué no puede hacer la IA en la ciberseguridad de un banco, lo trato en IA en ciberseguridad bancaria.
Preguntas frecuentes sobre IA en el SOC
¿Sustituirá la IA a los analistas del SOC?
No. Cambia su trabajo: menos revisión manual de alertas y más ingeniería de detección, supervisión de agentes e investigación de lo complejo.
¿Un agente de IA en el SOC es un sistema de alto riesgo según el EU AI Act?
Depende del uso. Puede serlo si actúa como componente de seguridad de infraestructura digital crítica; las tareas preparatorias acotadas pueden quedar fuera. Hay que clasificarlo y documentarlo caso por caso.
¿Por dónde empiezo?
Por un caso de uso de asistencia con métricas claras, un responsable humano y registro completo de decisiones. Se sube de nivel de autonomía solo con datos.
¿Estás valorando incorporar agentes de IA a tu SOC y necesitas que encaje con NIS2, DORA y el Reglamento de IA desde el principio? Hablemos.
¿Tienes que aplicar esto bajo DORA, NIS2 o ENS? Cuéntame el caso.
Agendar 20 minutos