Cómo las cadenas de agentes de IA están transformando la detección y defensa frente a vulnerabilidades
AVDH, de Mandiant, y NOVA, de Palo Alto Networks, combinan agentes especializados para cartografiar el código, generar hipótesis, cuestionar resultados y validar exploits con supervisión humana. La respuesta defensiva ya no depende únicamente del parche tradicional: los parches virtuales a nivel de red pueden bloque...
Publicado porEditado con GPT-5.6 LunaImágenes generadas con GPT Image 1.5
AVDH, de Mandiant, y NOVA, de Palo Alto Networks, combinan agentes especializados para cartografiar el código, generar hipótesis, cuestionar resultados y validar exploits con supervisión humana.
La respuesta defensiva ya no depende únicamente del parche tradicional: los parches virtuales a nivel de red pueden bloquear rutas de explotación mientras se desarrolla y despliega una corrección permanente.
La ventaja no está en añadir otro escáner de IA, sino en conectar descubrimiento, validación, divulgación, contención y remediación a una velocidad superior a la de los atacantes.
How are Mandiant’s Agentic Vulnerability Discovery Harness (AVDH) and Palo Alto Networks’ Frontier AI Critical Defense Program using chainsAI agent chains are moving vulnerability research from isolated scanning toward coordinated discovery, validation, and containment.
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: How are Mandiant’s Agentic Vulnerability Discovery Harness (AVDH) and Palo Alto Networks’ Frontier AI Critical Defense Program using chains. Article summary: Mandiant and Palo Alto Networks are applying frontier AI to reverse the attackers’ speed advantage: use coordinated agents to discover and validate flaws at machine scale, then pair disclosure and remediation with compen. Topic tags: general, general web, user generated, government, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
openai.com
La carrera armamentística de la ciberseguridad se disputa cada vez más en el terreno de la velocidad. Los modelos de IA más avanzados pueden ayudar a los equipos de seguridad a revisar enormes bases de código, detectar rutas de ataque inusuales y comprobar si los fallos sospechosos son realmente explotables. Pero esa misma aceleración también puede reducir el tiempo que necesitan los atacantes para convertir una vulnerabilidad en un exploit, incluso por debajo del plazo necesario para crear y desplegar un parche convencional.
El Agentic Vulnerability Discovery Harness (AVDH) de Mandiant y el sistema NOVA de Palo Alto Networks ilustran dos piezas del nuevo modelo defensivo: descubrimiento y validación mediante agentes, seguidos de contención rápida.
AVDH convierte la revisión del código en una cadena de agentes especializados
AVDH no se presenta como un escáner autónomo único. Es un flujo de trabajo multiagente que Mandiant utiliza durante evaluaciones de seguridad, respuestas a incidentes y otras investigaciones. Según el Google Threat Intelligence Group, el sistema puede analizar entornos con decenas de millones de líneas de código, ejecutar miles de canalizaciones de análisis y generar decenas de miles de hallazgos.
El proceso comienza estableciendo el contexto. Un agente explorador perfila la base de código, determina para qué sirve el software, revisa la documentación disponible e identifica las áreas que requieren un análisis más profundo. Después, agentes especializados pueden examinar dominios de seguridad como la autenticación, la autorización y el enrutamiento.
Una fase de síntesis construye el modelo de amenazas a partir de esas observaciones. Un punto clave es que un consultor humano revisa ese modelo antes de que continúe la cadena. Así, los agentes posteriores reciben un mapa de seguridad específico de la aplicación, en lugar de buscar a ciegas entre el código fuente.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
¿Cuál es la respuesta corta a "Cómo las cadenas de agentes de IA están transformando la detección y defensa frente a vulnerabilidades"?
AVDH, de Mandiant, y NOVA, de Palo Alto Networks, combinan agentes especializados para cartografiar el código, generar hipótesis, cuestionar resultados y validar exploits con supervisión humana.
¿Cuáles son los puntos clave a validar primero?
AVDH, de Mandiant, y NOVA, de Palo Alto Networks, combinan agentes especializados para cartografiar el código, generar hipótesis, cuestionar resultados y validar exploits con supervisión humana. La respuesta defensiva ya no depende únicamente del parche tradicional: los parches virtuales a nivel de red pueden bloquear rutas de explotación mientras se desarrolla y despliega una corrección permanente.
¿Qué debo hacer a continuación en la práctica?
La ventaja no está en añadir otro escáner de IA, sino en conectar descubrimiento, validación, divulgación, contención y remediación a una velocidad superior a la de los atacantes.
Cómo las cadenas de agentes de IA están transformando la detección y defensa frente a vulnerabilidades
AVDH, de Mandiant, y NOVA, de Palo Alto Networks, combinan agentes especializados para cartografiar el código, generar hipótesis, cuestionar resultados y validar exploits con supervisión humana. La respuesta defensiva ya no depende únicamente del parche tradicional: los parches virtuales a nivel de red pueden bloque...
Publicado porEditado con GPT-5.6 LunaImágenes generadas con GPT Image 1.5
AVDH, de Mandiant, y NOVA, de Palo Alto Networks, combinan agentes especializados para cartografiar el código, generar hipótesis, cuestionar resultados y validar exploits con supervisión humana.
La respuesta defensiva ya no depende únicamente del parche tradicional: los parches virtuales a nivel de red pueden bloquear rutas de explotación mientras se desarrolla y despliega una corrección permanente.
La ventaja no está en añadir otro escáner de IA, sino en conectar descubrimiento, validación, divulgación, contención y remediación a una velocidad superior a la de los atacantes.
How are Mandiant’s Agentic Vulnerability Discovery Harness (AVDH) and Palo Alto Networks’ Frontier AI Critical Defense Program using chainsAI agent chains are moving vulnerability research from isolated scanning toward coordinated discovery, validation, and containment.
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: How are Mandiant’s Agentic Vulnerability Discovery Harness (AVDH) and Palo Alto Networks’ Frontier AI Critical Defense Program using chains. Article summary: Mandiant and Palo Alto Networks are applying frontier AI to reverse the attackers’ speed advantage: use coordinated agents to discover and validate flaws at machine scale, then pair disclosure and remediation with compen. Topic tags: general, general web, user generated, government, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
openai.com
La carrera armamentística de la ciberseguridad se disputa cada vez más en el terreno de la velocidad. Los modelos de IA más avanzados pueden ayudar a los equipos de seguridad a revisar enormes bases de código, detectar rutas de ataque inusuales y comprobar si los fallos sospechosos son realmente explotables. Pero esa misma aceleración también puede reducir el tiempo que necesitan los atacantes para convertir una vulnerabilidad en un exploit, incluso por debajo del plazo necesario para crear y desplegar un parche convencional.
El Agentic Vulnerability Discovery Harness (AVDH) de Mandiant y el sistema NOVA de Palo Alto Networks ilustran dos piezas del nuevo modelo defensivo: descubrimiento y validación mediante agentes, seguidos de contención rápida.
AVDH convierte la revisión del código en una cadena de agentes especializados
AVDH no se presenta como un escáner autónomo único. Es un flujo de trabajo multiagente que Mandiant utiliza durante evaluaciones de seguridad, respuestas a incidentes y otras investigaciones. Según el Google Threat Intelligence Group, el sistema puede analizar entornos con decenas de millones de líneas de código, ejecutar miles de canalizaciones de análisis y generar decenas de miles de hallazgos.
El proceso comienza estableciendo el contexto. Un agente explorador perfila la base de código, determina para qué sirve el software, revisa la documentación disponible e identifica las áreas que requieren un análisis más profundo. Después, agentes especializados pueden examinar dominios de seguridad como la autenticación, la autorización y el enrutamiento.
Una fase de síntesis construye el modelo de amenazas a partir de esas observaciones. Un punto clave es que un consultor humano revisa ese modelo antes de que continúe la cadena. Así, los agentes posteriores reciben un mapa de seguridad específico de la aplicación, en lugar de buscar a ciegas entre el código fuente.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
¿Cuál es la respuesta corta a "Cómo las cadenas de agentes de IA están transformando la detección y defensa frente a vulnerabilidades"?
AVDH, de Mandiant, y NOVA, de Palo Alto Networks, combinan agentes especializados para cartografiar el código, generar hipótesis, cuestionar resultados y validar exploits con supervisión humana.
¿Cuáles son los puntos clave a validar primero?
AVDH, de Mandiant, y NOVA, de Palo Alto Networks, combinan agentes especializados para cartografiar el código, generar hipótesis, cuestionar resultados y validar exploits con supervisión humana. La respuesta defensiva ya no depende únicamente del parche tradicional: los parches virtuales a nivel de red pueden bloquear rutas de explotación mientras se desarrolla y despliega una corrección permanente.
¿Qué debo hacer a continuación en la práctica?
La ventaja no está en añadir otro escáner de IA, sino en conectar descubrimiento, validación, divulgación, contención y remediación a una velocidad superior a la de los atacantes.
A continuación, la fase de descubrimiento analiza los puntos de entrada, los flujos de datos y el contexto del código circundante. Los agentes generan múltiples hipótesis de vulnerabilidad, las investigan por separado y ponen a prueba las conclusiones de los demás. Las pruebas se reúnen en posibles hallazgos, mientras que los consultores reproducen los exploits de prueba de concepto antes de considerar verificado un fallo.
La arquitectura es importante porque separa cobertura y criterio. Un agente puede buscar de forma amplia, otro seguir una ruta de ataque y un tercero intentar demostrar que el resultado es incorrecto. La validación humana sigue siendo un control final frente a falsos positivos y suposiciones equivocadas sobre el funcionamiento del software.
Qué afirma haber encontrado Mandiant con AVDH
Google afirma que AVDH lleva unos diez meses de uso interno y que ha descubierto decenas de fallos asignables en extensiones web y proyectos de código abierto ampliamente utilizados. Ese trabajo se ha traducido en 12 CVE asignados —identificadores públicos de vulnerabilidades— y aproximadamente otra docena de fallos en proceso activo de divulgación.
En una investigación de respuesta a incidentes relacionada con repositorios corporativos robados, medios especializados informaron de que el sistema ayudó a identificar más de 100 vulnerabilidades verificadas de alta gravedad en dos días.
Estas cifras muestran el potencial de la revisión asistida por IA, pero deben interpretarse con cautela. Son resultados operativos comunicados por Mandiant y por medios que cubrieron su trabajo, no una comparación independiente y auditada con las pruebas de seguridad convencionales. Además, un fallo recién descubierto o no divulgado anteriormente no debe describirse automáticamente como un exploit de día cero activo: que una vulnerabilidad sea nueva no significa que esté siendo explotada en internet.
NOVA combina varios modelos para descubrir vulnerabilidades
La unidad de investigación Unit 42 de Palo Alto Networks describe NOVA —Network and Open-Source Vulnerability Analyzer— como un sistema autónomo de descubrimiento, validación y elaboración de informes, basado en arquitecturas propias de agentes y en varios modelos de IA de frontera.
En la prueba comunicada por la compañía, NOVA analizó 3.915 proyectos de código abierto en dos meses e identificó 14.090 vulnerabilidades desconocidas hasta entonces. Unit 42 afirma que el 99,4 % no se había comunicado previamente y que cerca del 40 % recibió una clasificación de gravedad alta o crítica.
La importancia del sistema no está solo en el volumen. Los resultados publicados indican que muchos hallazgos eran fallos semánticos o lógicos, y no únicamente errores de corrupción de memoria, tradicionalmente más asociados al análisis automatizado. Entre ellos pueden encontrarse problemas de control de acceso, gestión de rutas, comportamiento de las solicitudes del servidor o defensas contra la inyección de código: áreas en las que resulta esencial entender qué debería hacer la aplicación.
Al igual que ocurre con AVDH, las cifras principales proceden del proveedor. Que algo sea “desconocido hasta entonces” no demuestra por sí solo que cada resultado sea un día cero explotable en la práctica, y la clasificación de gravedad puede depender del marco de puntuación empleado. La conclusión más prudente es que los sistemas multiagente y multimodelo ya pueden sacar a la luz grandes cantidades de candidatos que los procesos convencionales quizá no revisarían con la misma rapidez.
Descubrir más rápido no basta
Detectar vulnerabilidades con mayor velocidad puede reforzar la capacidad defensiva, pero también agravar la crisis si las organizaciones siguen dependiendo de ciclos de corrección lentos. CERT-EU cita un tiempo medio estimado de explotación de menos siete días, lo que significa que los ataques pueden comenzar antes de que exista un parche ampliamente disponible.
Esta métrica cambia el papel del parcheado. La corrección permanente del código sigue siendo imprescindible, pero puede dejar de ser la primera —o la única— acción útil. Mientras los desarrolladores investigan, prueban, coordinan la divulgación y completan un despliegue gradual, los equipos de seguridad también deben reducir de inmediato la exposición.
El programa de Palo Alto añade contención a nivel de red
El Frontier AI Critical Defense Program de Palo Alto Networks busca coordinar a laboratorios de IA, organizaciones de software y código abierto, y sectores como la tecnología operativa y la atención sanitaria. Su propuesta es desplegar “parches virtuales” a nivel de red que bloqueen el tráfico de explotación o los comportamientos abusivos de un protocolo antes de que exista una corrección permanente del software.
Palo Alto afirma que su capacidad Advanced Virtual Patching puede desplegar protecciones en cuestión de horas, frente a una media sectorial declarada de 55 días para un parche convencional.
Un parche virtual debe entenderse como un control compensatorio, no como un sustituto de la reparación del código vulnerable. Su eficacia depende de que el equipo identifique correctamente la ruta de explotación y de que el control de red pueda bloquearla sin interrumpir la actividad legítima. La cobertura también puede ser limitada cuando el ataque utiliza canales de confianza, tráfico cifrado, escalada local de privilegios o comportamientos difíciles de distinguir del uso normal.
¿Pueden los defensores recuperar la ventaja?
Es posible, pero no basta con añadir un escáner de IA.
Una arquitectura defensiva más sólida conecta varias etapas en un único ciclo operativo:
Cartografiar el código y la superficie de ataque para que los agentes entiendan qué hace el sistema.
Construir y revisar un modelo de amenazas antes de generar hipótesis a gran escala.
Utilizar varios agentes y modelos para analizar el problema desde perspectivas distintas y cuestionar los hallazgos débiles.
Reproducir y priorizar las vulnerabilidades con expertos humanos y pruebas de explotabilidad.
Coordinar la divulgación y desarrollar una corrección permanente mediante el proceso adecuado.
Contener de inmediato la exposición con controles de red u otras medidas compensatorias.
Verificar la remediación después de desplegar el parche de software.
Esa es la lección estratégica de AVDH y NOVA: la ventaja procede de la orquestación, no de la respuesta de un modelo aislado. La IA puede comprimir el tiempo de descubrimiento y validación, pero los defensores siguen necesitando pruebas fiables, una priorización cuidadosa, arquitecturas resistentes y sistemas de despliegue capaces de actuar al mismo ritmo.
Los atacantes pueden utilizar modelos comparables, y los parches virtuales son temporales y dependen de su cobertura. Por eso, el objetivo realista no es eliminar el riesgo de los días cero. Es conseguir que el ciclo defensivo —desde el descubrimiento hasta la contención y la remediación— sea más rápido y fiable que el recorrido del atacante desde el hallazgo hasta la explotación.
unite.aiPalo Alto Networks Enlists Anthropic, OpenAI and OT Vendors for Critical Infrastructure Defense
A continuación, la fase de descubrimiento analiza los puntos de entrada, los flujos de datos y el contexto del código circundante. Los agentes generan múltiples hipótesis de vulnerabilidad, las investigan por separado y ponen a prueba las conclusiones de los demás. Las pruebas se reúnen en posibles hallazgos, mientras que los consultores reproducen los exploits de prueba de concepto antes de considerar verificado un fallo.
La arquitectura es importante porque separa cobertura y criterio. Un agente puede buscar de forma amplia, otro seguir una ruta de ataque y un tercero intentar demostrar que el resultado es incorrecto. La validación humana sigue siendo un control final frente a falsos positivos y suposiciones equivocadas sobre el funcionamiento del software.
Qué afirma haber encontrado Mandiant con AVDH
Google afirma que AVDH lleva unos diez meses de uso interno y que ha descubierto decenas de fallos asignables en extensiones web y proyectos de código abierto ampliamente utilizados. Ese trabajo se ha traducido en 12 CVE asignados —identificadores públicos de vulnerabilidades— y aproximadamente otra docena de fallos en proceso activo de divulgación.
En una investigación de respuesta a incidentes relacionada con repositorios corporativos robados, medios especializados informaron de que el sistema ayudó a identificar más de 100 vulnerabilidades verificadas de alta gravedad en dos días.
Estas cifras muestran el potencial de la revisión asistida por IA, pero deben interpretarse con cautela. Son resultados operativos comunicados por Mandiant y por medios que cubrieron su trabajo, no una comparación independiente y auditada con las pruebas de seguridad convencionales. Además, un fallo recién descubierto o no divulgado anteriormente no debe describirse automáticamente como un exploit de día cero activo: que una vulnerabilidad sea nueva no significa que esté siendo explotada en internet.
NOVA combina varios modelos para descubrir vulnerabilidades
La unidad de investigación Unit 42 de Palo Alto Networks describe NOVA —Network and Open-Source Vulnerability Analyzer— como un sistema autónomo de descubrimiento, validación y elaboración de informes, basado en arquitecturas propias de agentes y en varios modelos de IA de frontera.
En la prueba comunicada por la compañía, NOVA analizó 3.915 proyectos de código abierto en dos meses e identificó 14.090 vulnerabilidades desconocidas hasta entonces. Unit 42 afirma que el 99,4 % no se había comunicado previamente y que cerca del 40 % recibió una clasificación de gravedad alta o crítica.
La importancia del sistema no está solo en el volumen. Los resultados publicados indican que muchos hallazgos eran fallos semánticos o lógicos, y no únicamente errores de corrupción de memoria, tradicionalmente más asociados al análisis automatizado. Entre ellos pueden encontrarse problemas de control de acceso, gestión de rutas, comportamiento de las solicitudes del servidor o defensas contra la inyección de código: áreas en las que resulta esencial entender qué debería hacer la aplicación.
Al igual que ocurre con AVDH, las cifras principales proceden del proveedor. Que algo sea “desconocido hasta entonces” no demuestra por sí solo que cada resultado sea un día cero explotable en la práctica, y la clasificación de gravedad puede depender del marco de puntuación empleado. La conclusión más prudente es que los sistemas multiagente y multimodelo ya pueden sacar a la luz grandes cantidades de candidatos que los procesos convencionales quizá no revisarían con la misma rapidez.
Descubrir más rápido no basta
Detectar vulnerabilidades con mayor velocidad puede reforzar la capacidad defensiva, pero también agravar la crisis si las organizaciones siguen dependiendo de ciclos de corrección lentos. CERT-EU cita un tiempo medio estimado de explotación de menos siete días, lo que significa que los ataques pueden comenzar antes de que exista un parche ampliamente disponible.
Esta métrica cambia el papel del parcheado. La corrección permanente del código sigue siendo imprescindible, pero puede dejar de ser la primera —o la única— acción útil. Mientras los desarrolladores investigan, prueban, coordinan la divulgación y completan un despliegue gradual, los equipos de seguridad también deben reducir de inmediato la exposición.
El programa de Palo Alto añade contención a nivel de red
El Frontier AI Critical Defense Program de Palo Alto Networks busca coordinar a laboratorios de IA, organizaciones de software y código abierto, y sectores como la tecnología operativa y la atención sanitaria. Su propuesta es desplegar “parches virtuales” a nivel de red que bloqueen el tráfico de explotación o los comportamientos abusivos de un protocolo antes de que exista una corrección permanente del software.
Palo Alto afirma que su capacidad Advanced Virtual Patching puede desplegar protecciones en cuestión de horas, frente a una media sectorial declarada de 55 días para un parche convencional.
Un parche virtual debe entenderse como un control compensatorio, no como un sustituto de la reparación del código vulnerable. Su eficacia depende de que el equipo identifique correctamente la ruta de explotación y de que el control de red pueda bloquearla sin interrumpir la actividad legítima. La cobertura también puede ser limitada cuando el ataque utiliza canales de confianza, tráfico cifrado, escalada local de privilegios o comportamientos difíciles de distinguir del uso normal.
¿Pueden los defensores recuperar la ventaja?
Es posible, pero no basta con añadir un escáner de IA.
Una arquitectura defensiva más sólida conecta varias etapas en un único ciclo operativo:
Cartografiar el código y la superficie de ataque para que los agentes entiendan qué hace el sistema.
Construir y revisar un modelo de amenazas antes de generar hipótesis a gran escala.
Utilizar varios agentes y modelos para analizar el problema desde perspectivas distintas y cuestionar los hallazgos débiles.
Reproducir y priorizar las vulnerabilidades con expertos humanos y pruebas de explotabilidad.
Coordinar la divulgación y desarrollar una corrección permanente mediante el proceso adecuado.
Contener de inmediato la exposición con controles de red u otras medidas compensatorias.
Verificar la remediación después de desplegar el parche de software.
Esa es la lección estratégica de AVDH y NOVA: la ventaja procede de la orquestación, no de la respuesta de un modelo aislado. La IA puede comprimir el tiempo de descubrimiento y validación, pero los defensores siguen necesitando pruebas fiables, una priorización cuidadosa, arquitecturas resistentes y sistemas de despliegue capaces de actuar al mismo ritmo.
Los atacantes pueden utilizar modelos comparables, y los parches virtuales son temporales y dependen de su cobertura. Por eso, el objetivo realista no es eliminar el riesgo de los días cero. Es conseguir que el ciclo defensivo —desde el descubrimiento hasta la contención y la remediación— sea más rápido y fiable que el recorrido del atacante desde el hallazgo hasta la explotación.
unite.aiPalo Alto Networks Enlists Anthropic, OpenAI and OT Vendors for Critical Infrastructure Defense
