Gobernanza · 5 min de lectura · Actualizado 2026-11-16
Por qué los agentes de IA necesitan ahora controles que no puedan desactivar
El nuevo Zero Trust AI Control de ThreatLocker se sitúa deliberadamente fuera del agente. Una barrera que la propia IA se impone a sí misma es una barrera de la que esa IA puede acabar convenciéndose de salir.
ThreatLocker anunció Zero Trust AI Control (ZTAIC) el 21 de octubre de 2026, una herramienta que gobierna desde fuera del propio agente a qué puede acceder, qué puede ejecutar y con qué puede conectarse un agente de IA (Help Net Security, 21 de octubre de 2026). La decisión de diseño es precisamente el punto: como los controles residen en el exterior, se mantienen aunque el agente se comporte de forma inesperada, en lugar de depender de que el propio agente vigile su conducta.
El CEO de ThreatLocker, Danny Jenkins, planteó el cambio sin rodeos: los agentes de IA "ya no se limitan a proporcionar información"; ahora ejecutan acciones en todo el entorno de una organización, invocando otras aplicaciones, scripts, navegadores y servicios en flujos de trabajo de varios pasos (Help Net Security, 21 de octubre de 2026). ZTAIC se entrega con políticas preconstruidas que los equipos de seguridad pueden adoptar y después adaptar, y funciona junto a los productos ya existentes de ThreatLocker, Allowlisting y Web Content Control, que ya gobiernan qué aplicaciones de IA y qué servicios de IA basados en navegador están permitidos de entrada.
Por qué no es un lanzamiento de producto aislado
La premisa que sustenta ZTAIC, que las barreras propias de un agente no constituyen un control suficiente, cuenta con respaldo independiente.
Un white paper de Milliman sobre cómo proteger a los agentes de IA, publicado el 13 de agosto de 2026, describe un ejercicio de red team realizado por la firma israelí de seguridad en IA DeepKeep contra un agente ficticio de reservas de viajes, utilizando únicamente su endpoint público y sin acceso al código. El equipo eludió de forma sistemática las barreras del agente con una simple manipulación de prompts, lo que produjo nueve hallazgos distintos repartidos entre inyección de prompts, acceso no autorizado a datos, uso indebido de herramientas y abuso de la lógica de negocio, todos ellos mapeados contra las categorías de riesgo agéntico de OWASP. Un ejemplo: un atacante utilizó una instrucción de sistema fabricada y una apelación emocional para conseguir que se autorizara una noche de hotel gratuita sin ninguna aprobación real detrás. El informe de Milliman concluye que "el enfoque actual de barreras no es, por tanto, lo bastante robusto para un despliegue en producción", y recomienda superponer controles en las fases de entrada, ejecución de herramientas, salida y monitorización, en lugar de depender de una única comprobación que el propio modelo realiza sobre sí mismo (Milliman, 13 de agosto de 2026).
La magnitud de la exposición crece al mismo ritmo que los agentes. El informe 2026 Future of Identity Report de C1, publicado el 10 de marzo de 2026, constató que el 95 por ciento de las organizaciones encuestadas ya tiene agentes de IA realizando tareas de TI o de seguridad de forma autónoma, y que el 80 por ciento de las organizaciones sufrió al menos una brecha relacionada con identidades en el último año (C1, 10 de marzo de 2026). Los agentes que actúan de forma autónoma necesitan credenciales y alcance para hacerlo, y ese alcance es exactamente lo que controles externos como ZTAIC, o una gobernanza integrada en el propio entorno operativo del agente, están pensados para acotar.
Qué significa para una empresa regulada
Un agente capaz de invocar otras aplicaciones y procesos es, en la práctica, un nuevo actor dentro de la red con su propia vía de acceso. Bajo las obligaciones de conservación de registros del Reglamento de IA de la UE (EU AI Act), una organización tiene que poder decir qué hizo un sistema de IA; bajo NIS2, la gestión del riesgo de ciberseguridad conlleva responsabilidad personal de la dirección. Ambas normas asumen que la organización puede señalar un control que limitó al agente y demostrar que ese control se mantuvo, no simplemente que un documento de política describía el comportamiento previsto.
Esa suposición se rompe si lo único que se interpone entre un agente y una acción sensible son las propias instrucciones del agente. Las barreras a nivel de prompt son texto que se le pide al modelo que respete. Se degradan ante una entrada adversaria exactamente como mostró el red team de DeepKeep, y un auditor o un regulador que pregunte "qué impidió que este agente hiciera X" no aceptará como respuesta "le dijimos que no lo hiciera" cuando el agente funciona sin supervisión en producción.
La exposición es más aguda en el caso de agentes que tocan varios sistemas en un mismo flujo de trabajo, el patrón que ThreatLocker señala específicamente. Un agente de soporte capaz de leer un ticket, consultar una base de datos y enviar un correo tiene tres lugares distintos en los que una instrucción incrustada en una entrada controlada por un atacante (el título de un ticket, un documento, una página web) puede secuestrar la cadena. El control externo tiene que intervenir entre la decisión y la acción, no solo en la entrada del modelo.
Qué lo resuelve de verdad
El mecanismo que importa es la aplicación del control fuera del bucle de razonamiento: una capa que comprueba qué puede tocar un agente, con independencia de lo que el agente crea en ese momento que debería hacer, y a la que no se puede convencer de abandonar su decisión mediante un prompt bien redactado. El enfoque de ThreatLocker hace esto mediante allowlisting y control a nivel de aplicación en el límite de ejecución. La recomendación de Milliman (comprobaciones por capas en la entrada, en la ejecución de herramientas y en la salida, más el registro de cada llamada a herramienta) describe la misma forma de defensa desde el lado de la ingeniería de seguridad: asumir que el juicio del modelo será erróneo o será manipulado una parte del tiempo, y colocar el control donde ese fallo no pueda alcanzar.
La segunda pieza es un registro. Un control que bloquea una acción solo es auditable si tanto el intento como el bloqueo quedan registrados. Sin eso, un equipo de seguridad puede decirle que la política existe, pero no qué impidió en realidad la semana pasada.
Cómo lo resuelve AANCER
AANCER aplica los límites de los agentes de la misma manera, fuera del propio razonamiento del modelo. Cada Certified Agent funciona bajo un pasaporte firmado, emitido por su propia autoridad de certificación por instalación, que especifica las herramientas, los datos y el gasto a los que puede acceder: un alcance decidido antes de que el agente se ejecute, no negociado con él a mitad de la conversación. La revocación surte efecto en menos de 30 segundos y no depende de que el agente coopere ni de volver a desplegar nada.
Cada llamada a herramienta y cada acceso a datos que realiza un agente se escribe en un libro de auditoría de solo anexión y a prueba de manipulaciones, de modo que un equipo de seguridad puede mostrar lo que un agente hizo realmente y no lo que decía su política que debía hacer. Cuando una acción es relevante, una puerta de aprobación humana se sitúa entre la decisión del agente y su ejecución, y esa aprobación queda registrada junto con la acción que autorizó.
Qué revisar el lunes
Elabore la lista de todos los agentes que funcionan actualmente en su entorno y pregúntese, para cada uno, si lo que le impide realizar una acción peligrosa vive dentro del propio prompt del agente o fuera, en una infraestructura que usted controla. Si la respuesta es "dentro", lo que tiene es una barrera, no un control, y los hallazgos de DeepKeep muestran con qué rapidez se dobla esa barrera ante un adversario motivado. Después, compruebe si dispone de un registro de lo que ha hecho realmente cada agente en los últimos 30 días, independiente de lo que estaba autorizado a hacer. Si no puede obtener hoy ese registro, ese es el hueco que hay que cerrar antes de que la próxima auditoría lo pida.
Fuentes - ThreatLocker adds external controls for AI agent access and execution, Help Net Security, 21 de octubre de 2026 - Securing AI agents: Assess technology vulnerabilities through red teaming, Milliman, 13 de agosto de 2026 - 2026 Future of Identity Report, C1, 10 de marzo de 2026
Guías relacionadas
Cumplimiento
Guía de preparación para el artículo 12 de la Ley de IA de la UE (EU AI Act)
Qué exigen realmente en lo operativo las obligaciones de mantenimiento de registros y supervisión humana desde agosto de 2026 — y la evidencia que un auditor le pedirá producir.
Lectura de 9 min
Leer la guía →Gobernanza
La adopción de agentes va más rápido que su supervisión
Un estudio de Splunk con 2.050 encuestados concluye que la mayoría de los equipos comprueba que sus agentes de IA trabajan más rápido, pero más de un tercio no sabe decir quién es responsable de vigilarlos. La velocidad sin un responsable no es un resultado. Es una exposición a la espera de un incidente.
5 min de lectura
Leer el análisis →Gobernanza
Cuando el agente que llama a su puerta no dice quién lo envía
Arkose Labs ha ampliado su Agent Trust Manager para clasificar y vigilar el tráfico de agentes de IA en cada paso del recorrido del cliente. El movimiento responde a un problema que la mayoría de las empresas aún no ha medido: agentes que simplemente no dicen qué son.
5 min de lectura
Leer el análisis →