En el panorama actual de la ciberseguridad, nos ahogamos en datos, pero nos falta información útil. La IA tradicional destaca en el reconocimiento de patrones (correlación), pero en entornos de seguridad de alto riesgo, la correlación supone un riesgo.
La IA causal aporta el «razonamiento» (el porqué), mientras que la IA agente aporta la «ejecución» (el cómo). Para construir sistemas verdaderamente resilientes, debemos ir más allá de la predicción de amenazas y llegar a comprender los mecanismos causales que permiten que estas prosperen.
1. Planteamiento del problema: la crisis de confianza
Los centros de operaciones de seguridad (SOC) modernos se enfrentan a una brecha de confianza fundamental. Los modelos predictivos heredados suelen señalar «anomalías» que no son más que ruido, lo que provoca fatiga por alertas.
- The problem: Data is noisy, un-correlated, and lacks labels.
- La consecuencia: a los analistas les cuesta distinguir entre un «evento correlacionado» (un usuario que inicia sesión desde una nueva dirección IP) y un «evento causal» (ese inicio de sesión que provoca directamente una salida de datos no autorizada).
- La solución: integrar la IA causal para proporcionar una cadena lógica auditable y comprensible para las personas en cada acción automatizada.
2. La IA causal en acción: casos de uso en ciberseguridad
Mediante la aplicación de modelos causales estructurales, las organizaciones pueden pasar de aplicar parches de forma reactiva a desarrollar una resiliencia proactiva.
- Cadena causal de la aparición de una brecha de seguridad: en lugar de considerar una brecha como un hecho aislado, la IA causal analiza el «efecto mariposa» que provocan pequeños cambios en la configuración y cómo estos se encadenan para generar una vulnerabilidad crítica.
- Selección del control óptimo: Si el presupuesto solo permite una mejora, la IA causal puede simular el «cálculo del “qué pasaría si…”»: si implementamos la microsegmentación en lugar de la detección y respuesta en los puntos finales, ¿cómo cambia la probabilidad causal de movimiento lateral?
- Priorización de vulnerabilidades mediante el riesgo causal: ve más allá del estático Sistema Común de Puntuación de Vulnerabilidades (CVSS). Utiliza la IA causal para priorizar las vulnerabilidades en función de su «alcance causal» real dentro de tu topología de red específica.
- Gemelos digitales para la simulación de escenarios: Crea un «gemelo digital de seguridad» para llevar a cabo simulaciones de «qué pasaría si…». Esto permite a los CISO someter a pruebas de estrés las estrategias de resiliencia en un entorno virtual antes de implementarlas en producción.
:
Crea un «gemelo digital de seguridad» para ejecutar intervenciones hipotéticas. Esto permite a los CISO someter a pruebas de estrés las estrategias de resiliencia en un entorno virtual antes de implementarlas en producción.
| Componente | Función | Analógico |
| IA causal | Analógico | IA causal |
| IA agencial | El cerebro | IA agentiva |
Ejecución y Recovery
If an agent fails, causal AI analyzes the telemetry to determine if it was a systemic failure or an external cause (e.g., “The agent didn’t fail; the inventory API returned a null value”).
El bucle de retroalimentación:
La resiliencia requiere saber cuándo detenerse. Implementamos «soluciones alternativas causales» para que, si el razonamiento de la IA se vuelve incierto, el sistema se degrade de forma segura en lugar de sufrir un fallo catastrófico.
Nivel 1: Autonomía total: la IA causal confirma un alto grado de confianza en la causa raíz; la IA agencial aplica las medidas correctivas.
Nivel 2: Intervención humana aumentada: la IA causal proporciona la «ruta de razonamiento» a un analista humano para su rápida aprobación.
Nivel 3: Modo basado en reglas: el sistema recurre a la lógica «Six Sigma causal», un protocolo de seguridad estricto y predefinido que prioriza el tiempo de actividad frente a la optimización.
Nivel 4: «Fail-closed»: si se pierde la integridad causal, el sistema aísla los segmentos críticos para evitar el efecto mariposa de una brecha que se propague.
Nivel 4: Modo de cierre ante fallos:
- Sanidad e Internet de las cosas médicas: la IA causal puede distinguir entre un monitor cardíaco que funciona mal (ruido sistémico) y un ataque dirigido a la telemetría médica.
- Telecomunicaciones y 5G: Gestionar las complejas relaciones causales de la segmentación de redes para verificar que una brecha de seguridad en una segmentación de bajo nivel de seguridad no pueda afectar causalmente a los servicios de emergencia.
Telecomunicaciones y 5G:
Gestionar las complejas dependencias causales del «network slicing» para verificar que una brecha en un segmento de baja seguridad no pueda afectar causalmente a los servicios de emergencia.
- Tiempo medio hasta el descubrimiento de la causa: la rapidez con la que se identifica la verdadera causa raíz frente al síntoma inicial.
- Eficacia de la intervención: el porcentaje de cambios en la seguridad que dieron lugar a la reducción prevista del riesgo.
- Precisión contrafactual: el grado de coincidencia entre las simulaciones del gemelo digital y los resultados reales de los incidentes.
Precisión contrafactual:
el grado de coincidencia entre las simulaciones del gemelo digital y los resultados reales de los incidentes.Vidya Shankaran es director técnico de campo en Commvault.
© 2025 Commvault. Veres directora técnica de operaciones de Commvault.2025 Commvault. Consulte www.commvault.com/IP para obtener información sobre marcas registradas y patentes.
