Las 7 preguntas que tienes que hacer antes de contratar un partner de seguridad con IA

En los últimos dos años, casi todos los proveedores de seguridad ofensiva agregaron "IA" a su propuesta de valor. Algunos integraron modelos para acelerar el descubrimiento de activos. Otros construyeron agentes que ejecutan pruebas de forma autónoma. Y otros simplemente le cambiaron el nombre a un scanner que ya existía.

Para un líder de seguridad, distinguir entre estas opciones desde afuera es difícil. Todos hablan de automatización, cobertura continua y reducción de ruido. La diferencia real no está en el discurso de venta, sino en lo que pasa cuando la plataforma encuentra algo: si ese hallazgo se valida, se prioriza y se convierte en una remediación real, o si simplemente se suma a una lista de alertas que tu equipo interno tiene que revisar de todos modos.

Estas son las 7 preguntas que conviene hacer antes de firmar un contrato con un partner de seguridad ofensiva con IA.

1. ¿Es una prueba puntual con IA arriba, o es validación continua?

Un pentest anual con un módulo de IA para acelerar el reconocimiento sigue siendo, en el fondo, un pentest anual. La superficie de ataque cambia todos los días: se despliegan funcionalidades nuevas, se crean subdominios, se suman integraciones. Entre una corrida y la siguiente pueden pasar meses de exposición sin visibilidad real.

La pregunta no es si el proveedor usa IA, sino si su modelo de trabajo es continuo por diseño: detección de cambios en la superficie de ataque, pruebas que se disparan de forma automática sobre esos cambios y un ciclo que no depende de programar una nueva corrida cada vez.

2. ¿Qué tanto cómputo hay detrás del modelo?

No toda IA aplicada a seguridad ofensiva cuesta lo mismo, y esa diferencia importa. Un modelo liviano puede identificar patrones superficiales y generar una lista larga de hallazgos con baja confiabilidad. Emular un ataque real —encadenar pasos, adaptar la lógica según la respuesta del sistema, replicar el criterio de un atacante humano frente a un entorno complejo— exige modelos con cómputo intensivo y flujos de múltiples pasos por escenario.

Vale la pena preguntar directamente qué modelos usa el proveedor, cómo los entrena o ajusta con datos propios, y qué pasa cuando el entorno no se comporta como el manual dice que debería comportarse. Si la respuesta es vaga, es probable que el "motor de IA" sea más un argumento de marketing que una arquitectura real.

3. ¿Quién valida lo que encuentra la IA?

Este es, probablemente, el punto donde más se juega la diferencia entre plataformas de seguridad con IA. Un agente autónomo puede reportar un hallazgo válido, un falso positivo o algo técnicamente correcto pero irrelevante para el negocio. Sin una capa de validación experta, ese trabajo de filtrado termina recayendo en tu equipo interno, que es exactamente el cuello de botella que se intentaba resolver.

Preguntar cuánto de la validación es manual y quién la hace es razonable: ¿un algoritmo de scoring, o personas con experiencia real en explotación que revisan el hallazgo antes de que llegue al cliente? Las vulnerabilidades de lógica de negocio, las condiciones de carrera, los escenarios de autorización mal configurados: ese tipo de hallazgos rara vez los detecta un modelo solo, sin un criterio humano que los contextualice.

4. ¿Cómo maneja el proveedor los entornos complejos?

Los ambientes de producción de una organización con años de historia rara vez son limpios. Hay sistemas legados, integraciones parciales, flujos que nadie terminó de documentar. Un modelo de IA entrenado para condiciones estándar puede rendir bien en un entorno de prueba y perder precisión en un entorno real con ese tipo de particularidades.

Vale la pena pedir ejemplos concretos de cómo el proveedor resolvió un caso así, no una descripción genérica de capacidades.

5. ¿De dónde sale cada cifra que muestran?

Precisión, tasa de falsos positivos, reducción de tiempo de remediación: son las métricas que casi todos los proveedores de este espacio muestran en sus materiales. La pregunta que pocos hacen es de dónde salen esos números. ¿Vienen de un benchmark interno, de un caso puntual, de un promedio con clientes de otra industria?

Un proveedor que puede explicar la metodología detrás de cada cifra —y que distingue entre lo que mide un modelo de IA por sí solo y lo que mejora una vez que interviene la capa humana— da una señal más confiable que uno que simplemente enumera porcentajes sin contexto.

6. ¿Qué está funcionando hoy y qué está en el roadmap?

Es común que una demo muestre integraciones o funcionalidades que todavía no están en producción, presentadas como si ya estuvieran disponibles. Preguntar de forma explícita qué está funcionando hoy, con qué clientes y desde cuándo, evita sorpresas después de firmar el contrato.

7. ¿Cómo se traduce todo esto en el modelo de pricing?

Si dos propuestas de seguridad ofensiva con IA tienen precios muy distintos, generalmente hay una razón estructural detrás: una incluye validación humana experta sobre el 100% de los hallazgos críticos y la otra no; una corre modelos con cómputo intensivo y la otra corre algo más liviano; una prioriza los hallazgos por impacto en el negocio y la otra entrega una lista sin jerarquía. El precio más bajo casi siempre refleja menos de alguna de estas tres cosas.

La pregunta de fondo

Ninguna de estas 7 preguntas busca decidir si la inteligencia artificial sirve para la seguridad ofensiva; eso ya quedó demostrado. Buscan decidir qué tipo de IA estás contratando, con qué respaldo y con qué nivel de validación real detrás. La diferencia entre un partner de validación continua y un scanner con una capa de IA encima no siempre se nota en la demo. Se nota a los tres meses, cuando el volumen de hallazgos crece y alguien tiene que decidir cuáles importan de verdad.

Si te interesa entender cómo Strike combina modelos de IA con cómputo intensivo y validación de expertos en seguridad ofensiva, puedes escribirnos en strike.sh/contact.

‍