⚡ electrical engineering

An Agentic Multi-Agent Architecture for Cybersecurity Risk Management

Este artículo presenta un sistema de seis agentes de IA que realiza evaluaciones de ciberseguridad alineadas con NIST CSF en menos de 15 minutos con una precisión del 85%, aunque revela que la capacidad del contexto de la memoria, y no la calidad del modelo, es el principal obstáculo para su ejecución en hardware limitado.

Autores originales: Ravish Gupta (BigCommerce), Saket Kumar (University at Buffalo, The State University of New York, Buffalo, NY, USA), Shreeya Sharma (Microsoft), Maulik Dang (Amazon), Abhishek Aggarwal (Amazon)

Publicado 2026-03-23

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ravish Gupta (BigCommerce), Saket Kumar (University at Buffalo, The State University of New York, Buffalo, NY, USA), Shreeya Sharma (Microsoft), Maulik Dang (Amazon), Abhishek Aggarwal (Amazon)

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes una pequeña tienda de barrio y de repente te das cuenta de que necesitas ponerle un seguro a tu negocio. Pero, para contratar un seguro real, necesitas un experto que revise tu tienda, encuentre las cerraduras rotas, las ventanas sin seguro y te diga exactamente qué hacer. El problema es que esos expertos (los consultores de ciberseguridad) son muy caros (cuestan miles de dólares) y tardan semanas en venir. Por eso, la mayoría de las pequeñas empresas simplemente no lo hacen, dejando sus puertas abiertas a ladrones digitales.

Este paper presenta una solución: un "Equipo de Detectives de Inteligencia Artificial" que hace el trabajo de esos expertos caros, pero en 15 minutos y sin salir de tu computadora.

Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: Un solo cerebro no puede con todo

Los autores primero probaron usar una sola Inteligencia Artificial (un solo "cerebro") para hacer todo el trabajo: desde preguntar sobre tu empresa hasta dar las recomendaciones finales.

La analogía: Imagina pedirle a un solo estudiante que escriba un libro entero de historia, desde la Edad Media hasta hoy, en una sola sentada. Al principio, el estudiante escribe bien. Pero a mitad del libro, olvida lo que dijo en la primera página. En la página 50, dice que el rey era bueno, pero en la página 100 dice que era malo. Se contradice a sí mismo.
El resultado: La IA solía olvidar detalles importantes (como que la empresa es pequeña y no tiene dinero) cuando llegaba a la parte de dar consejos.

2. La Solución: El Equipo de 6 Detectives (Arquitectura Multi-Agente)

Para arreglarlo, crearon un sistema con 6 agentes de IA diferentes, como si fuera un equipo de detectives trabajando juntos en un caso. Lo más importante es que todos comparten una misma "pizarra" (contexto persistente).

Cada detective tiene un trabajo específico:

El Entrevistador: Hace las preguntas iniciales sobre la empresa (¿Qué hacen? ¿Qué datos tienen?).
El Analista de Amenazas: Piensa: "¿Quién querría robarles? ¿Un hacker de Rusia o un vecino envidioso?".
El Inspector de Seguridad: Revisa qué protecciones ya tienen (¿Tienen cerraduras? ¿Funcionan?).
El Calculador de Riesgos: Pone una nota a cada peligro (¿Qué tan probable es que pase? ¿Qué tan grave sería?).
El Consejero: Dice qué comprar o arreglar, pero ¡ojo! Lee la pizarra para saber que la empresa es pequeña y no puede gastar millones.
El Redactor: Escriba el informe final para que sea fácil de leer.

La magia: Gracias a la "pizarra compartida", el Consejero (el paso 5) sabe exactamente lo que dijo el Entrevistador (el paso 1). No le recomienda comprar un tanque de guerra a una tienda pequeña; le recomienda una alarma simple y barata. Esto evita que el sistema se contradiga.

3. ¿Funciona de verdad? (Las Pruebas)

Los autores probaron este sistema en dos escenarios:

El Caso Real: Lo usaron en una pequeña clínica de salud de 15 personas.
- Resultado: El equipo de IA estuvo de acuerdo con 3 expertos humanos reales (con títulos profesionales) el 85% de las veces. Encontró el 92% de los riesgos que encontraron los humanos.
- Velocidad: Los humanos tardaron 16 horas de trabajo; la IA lo hizo en 15 minutos.
- Privacidad: Todo se ejecutó en una computadora local. Nadie envió los datos a internet, lo cual es vital para empresas que manejan datos médicos sensibles.
La Prueba de Especialización: Probaron si la IA entendía la diferencia entre un hospital y una fábrica.
- La IA "General" (sin entrenamiento especial): Le dijo a todos lo mismo: "Cuidado con los virus y los robos de datos". Era como un médico general que le receta lo mismo a un niño y a un anciano.
- La IA "Especializada" (entrenada en ciberseguridad): Le dijo al hospital: "Cuidado con los datos de pacientes (PHI)". Le dijo a la fábrica: "Cuidado con los sensores de las máquinas industriales". ¡Entendió el contexto!

4. El Obstáculo: La "Memoria" de la computadora

Hubo un problema técnico interesante. Cuando intentaron ejecutar todo el equipo de 6 detectives en una computadora más pequeña y económica (una tarjeta gráfica Tesla T4), falló el 100% de las veces.

La analogía: Imagina que tienes 6 personas escribiendo en una pizarra. En una pizarra gigante (la computadora potente), cabe todo. Pero en una pizarra pequeña (la computadora económica), la tercera persona empieza a borrar lo que escribió la primera porque no hay espacio.
La lección: Para que este sistema funcione, necesitas una computadora con mucha "memoria de trabajo" (contexto), no necesariamente la IA más inteligente del mundo.

Conclusión

Este paper nos dice que ya no es necesario gastar miles de dólares para tener una primera evaluación de seguridad decente si eres una pequeña empresa.

No es un reemplazo perfecto para un experto humano (a veces no ve cosas que solo se ven tocando los cables o revisando la oficina en persona), pero es infinitamente mejor que no hacer nada. Es como tener un "primer auxilio" digital que te dice: "Oye, tienes la puerta abierta, ciérrala antes de que entre alguien".

En resumen: Crearon un equipo de 6 robots que comparten notas para hacer un trabajo que antes era muy caro y lento, dándole a las pequeñas empresas una oportunidad real de protegerse.

Resumen Técnico: Arquitectura Multi-Agente para la Gestión de Riesgos de Ciberseguridad

1. El Problema

Las organizaciones pequeñas y medianas (PYMES) enfrentan una barrera crítica para realizar evaluaciones de riesgo de ciberseguridad alineadas con estándares como el NIST CSF:

Costo y Tiempo: Una consultoría profesional cuesta entre $15,000 y$ 50,000 USD y toma semanas.
Escasez de Talento: Hay una falta de profesionales calificados.
Consecuencias: La mayoría de las PYMES omiten estas evaluaciones, a pesar de ser objetivo de ataques casi cuatro veces más que las grandes empresas.
Limitaciones de los Modelos Únicos: Los intentos iniciales de usar un solo modelo de lenguaje grande (LLM) para realizar la evaluación completa fallaron debido a la falta de coherencia. El modelo no podía mantener el contexto a lo largo de múltiples secciones, resultando en contradicciones (ej. calificar una amenaza como "alta" mientras se ignora una medida de control previamente identificada) y recomendaciones que no consideraban las restricciones presupuestarias o de personal de la organización.

2. Metodología

Los autores desarrollaron una arquitectura de seis agentes de IA que colaboran mediante un contexto persistente compartido, en lugar de un pipeline secuencial tradicional donde cada agente solo ve la salida del anterior.

Los Seis Agentes:
1. Agente de Entrada de Riesgo (Risk Intake): Recopila datos iniciales (industria, tamaño, alcance regulatorio) y señala ambigüedades en lugar de adivinar.
2. Agente de Modelado de Amenazas (Threat Modeling): Genera un modelo de amenazas específico, filtrando amenazas irrelevantes para centrarse en las 3-4 más plausibles para esa organización.
3. Agente de Evaluación de Controles (Control Assessment): Analiza si los controles existentes son efectivos contra las amenazas identificadas (no solo si existen en papel).
4. Agente de Puntuación de Riesgo (Risk Scoring): Convierte las amenazas y los vacíos de control en una matriz de riesgos con probabilidades e impactos, reconciliando las evidencias de los agentes anteriores.
5. Agente de Recomendación de Mitigación (Mitigation Recommendation): Crea una hoja de ruta de remediación. Crucialmente, relee el perfil de la organización desde el primer agente para asegurar que las recomendaciones sean realistas (ej. no sugerir contratar un equipo de seguridad si la empresa no tiene personal de TI).
6. Agente de Síntesis de Informes (Report Synthesis): Unifica el tono, escribe el resumen ejecutivo y detecta contradicciones entre secciones.
Mecanismo de Coordinación: Todos los agentes leen y escriben en un contexto persistente compartido. Esto permite que el agente final (síntesis) tenga acceso al perfil original de la organización, no solo a los resultados intermedios, resolviendo el problema de coherencia.
Implementación Técnica:
- Despliegue Local: Se ejecuta localmente (usando Ollama) para garantizar que los datos sensibles de infraestructura no salgan de la organización.
- Modelos: Se utilizó un modelo fine-tuned específico de ciberseguridad (saki007ster/CybersecurityRiskAnalyst) y se comparó con un modelo de propósito general (Mistral-7B).
- Validación: Se implementó un mecanismo de verificación de citas para evitar alucinaciones en los identificadores de marcos normativos (NIST CSF, CIS).

3. Contribuciones Clave

Descomposición de Agentes: Una arquitectura de seis agentes coordinados por un contexto compartido que supera las fallas de coherencia de los modelos únicos y los pipelines secuenciales.
Privacidad y Seguridad: Una implementación totalmente local que permite a las empresas compartir detalles de infraestructura sensible sin riesgo de fuga de datos a APIs externas.
Validación Empírica: Un estudio de caso principal validado contra tres expertos humanos (certificados CISSP) y un estudio transversal en cinco sectores.
Análisis de Fine-Tuning: Demostración de que el ajuste fino (fine-tuning) en dominios de ciberseguridad es esencial para identificar amenazas específicas del sector, algo que los modelos genéricos no logran.

4. Resultados

Estudio de Caso Principal (Empresa de Salud de 15 empleados):
- Concordancia: El sistema coincidió con los expertos humanos en el 85% de las clasificaciones de severidad.
- Cobertura: Identificó el 92% de los riesgos detectados por los expertos (12 de 13 riesgos).
- Tiempo: Completó la evaluación en 14 minutos y 38 segundos, frente a las ~16 horas-hombre requeridas por los consultores.
- Calidad: Los expertos calificaron el informe con un promedio de 4.2/5 en claridad y 4.0/5 en accionabilidad.
Estudio Transversal (5 Sectores: Salud, Fintech, Manufactura, Retail, SaaS):
- Especificidad del Dominio: El modelo genérico (Mistral-7B) produjo amenazas genéricas idénticas para todos los sectores (ej. "Acceso No Autorizado", "Fuga de Datos"). El modelo fine-tuned identificó riesgos específicos del contexto (ej. "Exposición de PHI" en salud, "Vulnerabilidades en sensores OT/IIoT" en manufactura).
- Variabilidad: El modelo fine-tuned mostró mayor variabilidad en sus salidas (6-9 títulos únicos por ejecución vs. 3-4 del modelo genérico), lo que se interpreta como una respuesta más rica al contexto, aunque requiere múltiples ejecuciones para consolidar resultados.
- Limitación de Hardware (Escalabilidad): En pruebas con una GPU Tesla T4 (ventana de contexto de 4,096 tokens), el pipeline multi-agente falló en el 100% de los intentos (0/30) debido al desbordamiento de la ventana de contexto. En contraste, las ejecuciones de agente único funcionaron correctamente. Esto destaca que la arquitectura multi-agente requiere ventanas de contexto mucho más grandes (ej. 128K en RTX 4090) para ser viable.

5. Significado y Conclusión

El trabajo demuestra que es posible automatizar la evaluación de riesgos de ciberseguridad para organizaciones pequeñas con un nivel de calidad aceptable y a una fracción del costo y tiempo actual.

Valor Principal: Proporciona a las PYMES un punto de partida creíble, específico del sector y accionable en minutos, algo que antes era económicamente inalcanzable.
Hallazgo Crítico: La coherencia en tareas complejas de razonamiento se logra mejor mediante una arquitectura de agentes con contexto compartido persistente que mediante modelos únicos o pipelines secuenciales simples.
Desafío Futuro: La principal limitación actual es la infraestructura; la arquitectura requiere ventanas de contexto grandes y mucha memoria VRAM, lo que dificulta su despliegue en hardware limitado o en la nube con recursos restringidos. Además, el sistema es tan bueno como los datos de entrada (si la organización oculta información, la evaluación será optimista) y no puede detectar problemas físicos o de configuración que no se mencionen en el cuestionario.

En resumen, esta arquitectura representa un avance significativo hacia la democratización de la gestión de riesgos de ciberseguridad, aunque su adopción masiva depende de la resolución de los requisitos de recursos computacionales y de la mitigación de riesgos de entrada de datos sesgados.