Explicación del SOC agencial: niveles de autonomía, adopción real y lo que realmente se comercializa

Un SOC «agente» es un modelo de operaciones de seguridad en el que los agentes de IA asumen parte de la carga de trabajo de investigación y respuesta: clasificar alertas, recabar pruebas, formular hipótesis y proponer o ejecutar acciones bajo una supervisión humana definida. Se trata de un modelo operativo más que de un producto, y el grado de autonomía varía considerablemente entre las implementaciones reales.

Esa breve definición esconde tres cuestiones controvertidas, y esta página aborda las tres. En primer lugar, el nombre: la comunidad de analistas ha utilizado cinco denominaciones diferentes para esta categoría desde octubre de 2025, y la denominación que elige un proveedor dice mucho sobre lo que está vendiendo. En segundo lugar, la afirmación sobre la autonomía: las definiciones de los proveedores discrepan sobre si el modelo es realmente autónomo, por lo que esta página responde con la tasa de base de producción medida en lugar de con un eslogan. En tercer lugar, las pruebas: casi todas las cifras de rendimiento de esta categoría son afirmadas por los proveedores, encargadas por ellos o carecen de fuentes, por lo que esta página distingue lo que se ha medido de forma independiente de lo que simplemente se ha afirmado. El objetivo es que puedas interpretar cualquier afirmación de un proveedor sobre el nivel de autonomía (SOC) de sus agentes, decidir si merece la pena poner en marcha una prueba piloto y saber exactamente qué medir cuando lo hagas.

Qué es un SOC agencial y qué no es

Un centro de operaciones de seguridad tradicional deriva las alertas a analistas humanos, que se encargan de clasificarlas, investigarlas y escalarlas. Un SOC basado en agentes reestructura ese flujo de trabajo del SOC moderno en torno a agentes de IA que hacen algo más que ejecutar pasos predefinidos: seleccionan qué pruebas recopilar a continuación basándose en lo que ya han encontrado y emiten un veredicto con una trazabilidad documentada del razonamiento.

Definición: Un SOC agencial es un modelo de operaciones de seguridad en el que los agentes de IA llevan a cabo la clasificación de alertas, la investigación y la respuesta mediante el razonamiento basado en pruebas, con un grado de autonomía que va desde el apoyo a la toma de decisiones hasta el funcionamiento condicionalmente autónomo en la escala de niveles L0 a L4, revisada por pares, y en el que se mantiene la supervisión humana en un punto definido de cada flujo de trabajo.

Hay un límite que conviene señalar explícitamente, ya que ninguna otra página sobre este tema lo deja claro. En la seguridad de la IA agencial, el agente de IA es la amenaza contra la que hay que defenderse. En el SOC agencial, el agente de IA es el defensor. Se trata de problemas inversos: todos los principales documentos gubernamentales y normativos sobre IA agencial publicados hasta la fecha abordan la seguridad de los agentes, no el funcionamiento de un SOC con ellos. Los lectores que investiguen sobre la IA agencial en ciberseguridad desde el punto de vista de la exposición defensiva, incluido el riesgo de las operaciones de seguridad de la IA agencial, deben dirigirse a esa página; esta trata sobre los agentes de IA que realizan el trabajo del SOC.

Tres negaciones precisan la definición. Un SOC agencial no es un chatbot: un asistente conversacional responde a las preguntas que formula un analista, mientras que un agente decide por sí mismo qué preguntar a continuación. Tampoco es un guion predefinido: la automatización que reproduce los pasos creados previamente por un humano falla en el momento en que una alerta se sale del guion. Y tampoco es un modelo: un modelo de lenguaje a gran escala es solo un componente, mientras que el modelo operativo lo integra con el acceso a datos, las herramientas, los controles de seguridad y la revisión. Las once definiciones de proveedores recogidas en la investigación en la que se basa esta página no coinciden en la cuestión fundamental de si el modelo es autónomo. Esa pregunta recibe una respuesta mesurada más adelante en esta página.

El problema que aborda el modelo es real y cuantificable. En una encuesta realizada en 2026 a 250 responsables y profesionales de la seguridad, encargada por un proveedor de plataformas SOC basadas en IA y llevada a cabo por la empresa de investigación ViB, el 74 % de las organizaciones recibe 50 o más alertas al día y el 27 % recibe 500 o más. La organización media deja sin investigar aproximadamente el 28 % de sus alertas, y el 60 % afirmó que una alerta que ignoraron o que nunca investigaron resultó ser relevante posteriormente. Esa es la ecuación de la fatiga de alertas que un SOC de IA autónoma pretende cambiar.

El contexto de adopción por parte de los profesionales procede de la encuesta SOC de SANS de 2026, realizada a 444 profesionales y 69 CISO: el 79 % utiliza herramientas de IA o aprendizaje automático, mientras que solo el 36 % las ha integrado en un flujo de trabajo definido del SOC; estas cifras proceden exclusivamente de ese artículo especializado. La misma encuesta reveló que el 14 % de los profesionales citó la dotación de personal como su principal reto —la respuesta más frecuente— y que existía una diferencia del 59 % frente al 32 % entre los directivos y los profesionales a la hora de valorar si la dirección presta especial atención a la contratación para el SOC.

De dónde proviene el término y cómo lo denominan los analistas

El primer uso público datable de la expresión «SOC agéntico» es una entrada de blog de un proveedor de cloud del 28 de abril de 2025, en la que se anunciaba la introducción del término junto con una visión de producto basada en nueve agentes. El interés de búsqueda en EE. UU. por esta expresión se registró por primera vez en marzo de 2025, un mes antes de dicha entrada, por lo que el blog constituye el primer uso público datable, pero no una prueba de su acuñación.

La comunidad de analistas ha estado dividida respecto al nombre desde octubre de 2025. Gartner denominó la categoría «Agentes SOC de IA» en el informe «Innovation Insight: Agentes SOC de IA», elaborado por los analistas Eric Ahlm y Jeremy D'Hoinne y publicado el 16 de octubre de 2025 (documento 7075998). Ese mismo mes, una segunda empresa, Omdia, tituló su propio panorama de mercado en torno a «Agentic SOC», con una fecha indicada del 27 de octubre de 2025 que sigue sin verificarse, ya que la fuente devuelve un código HTTP 403 a las herramientas de investigación. En la actualidad, seis empresas de análisis cubren esta categoría bajo cinco nombres diferentes.

Leyenda: Seis empresas de análisis cubren esta categoría bajo cinco denominaciones diferentes, mientras que una séptima empresa ha rechazado abiertamente el concepto.

Desde entonces, Gartner ha evaluado la categoría que él mismo denominó. En el «Hype Cycle for Security Operations, 2026», publicado el 5 de junio de 2026 (documento 7962373, analistas Darren Livingstone y Jonathan Núñez), los «agentes SOC de IA» se sitúan en la «Cima de las expectativas exageradas», tras haber ascendido desde el «Desencadenante de la innovación» en 2025, con una madurez «embrionaria», una penetración en el mercado del 1 % al 5 % y un plazo de 2 a 5 años hasta alcanzar la meseta, estimación esta última que solo aparece en un único informe. La clasificación en el «Hype Cycle» se actualiza anualmente, por lo que la fecha es relevante.

Para quienes comparan el SOC agencial con los agentes de SOC de IA o con un agente de SOC de IA en general: estos términos describen la misma categoría desde diferentes perspectivas, y la distinción fundamental que establece Gartner no se da entre etiquetas, sino entre clases de autonomía. Separa los agentes SOC de IA, que actúan de forma autónoma, de los asistentes de ciberseguridad basados en IA, que solo complementan a un ser humano, y advierte cuatro veces en el informe sobre nomenclatura acerca del «GenAI washing», el «AI washing» y el «agent washing». En la práctica, SOC agencial, SOC de IA, SOC impulsado por IA y SOC IA circulan como sinónimos casi equivalentes, cuyas diferencias reflejan el posicionamiento de los proveedores más que límites técnicos consensuados. Hay una aclaración que no es opcional: nada de esto tiene relación alguna con los SOC 1, SOC 2 y SOC 3 de la AICPA, que son informes de auditoría de control de organizaciones de servicios, y por ese motivo este artículo evita por completo las etapas numeradas de madurez del SOC.

SOC basado en agentes frente al SOC tradicional frente al SOAR

La pregunta más frecuente en las secciones de preguntas frecuentes de esta categoría es la comparación con SOAR, así que aquí va la respuesta directa: SOAR ejecuta un guion que has escrito de antemano, mientras que un SOC basado en agentes razona a partir de pruebas que no habías previsto. Un flujo de trabajo SOAR es determinista. Ejecuta los mismos pasos de enriquecimiento y respuesta cada vez que se activa su desencadenante, y falla —normalmente de forma silenciosa— cuando una alerta no se ajusta a las condiciones que su autor había previsto. Por el contrario, un agente trata la alerta como una hipótesis inicial, decide qué pruebas recabar a continuación y revisa su conclusión a medida que se acumulan los hallazgos.

Leyenda: Los tres modelos difieren en cuanto a quién toma la decisión, cómo se recogen las pruebas y qué ocurre cuando un caso no se ajusta a las condiciones previstas.

Esta es también una respuesta de un analista independiente, no solo una visión del proveedor. La evaluación de liderazgo de KuppingerCole para 2026 sobre la categoría emergente de SOC de IA la presenta como una visión general del mercado de la automatización de la seguridad «conocido históricamente como el mercado SOAR», y describe una transición estructural desde los manuales de actuación basados en reglas hacia una capa de razonamiento basada en modelos de lenguaje grande (LLM). En otras palabras, la opinión de los analistas es que el SOC «agente» es en lo que se está convirtiendo la categoría SOAR, y no una invención paralela. La misma lógica responde a la pregunta relacionada de en qué se diferencia un SOC autónomo de uno tradicional: la diferencia no radica en qué herramientas están instaladas, sino en quién, o qué, toma la siguiente decisión de investigación.

Nada de esto hace que las inversiones existentes sean prescindibles. Los equipos que han desarrollado una automatización madura del SOC la mantienen, ya que los guiones deterministas siguen siendo la herramienta adecuada para las tareas repetitivas y bien definidas, mientras que los agentes se encargan de los casos ambiguos. La relación práctica entre las herramientas de la era de la orquestación y las de la era del razonamiento —incluido el lugar que sigue ocupando el SOAR— es un proceso por capas, en lugar de una disyuntiva: los guiones se encargan de lo conocido, los agentes se encargan de lo imprevisto y los humanos se encargan de las consecuencias.

Qué hace realmente un SOC agencial

La clasificación más amplia publicada sobre este trabajo procede del proveedor que acuñó el término, el cual anunció nueve categorías de agentes el 28 de abril de 2025: gestión de datos, clasificación de alertas, investigación, respuesta, investigación de amenazas, búsqueda de amenazas, análisis de « malware », gestión de la exposición e ingeniería de detección. Considera esa lista como las categorías anunciadas por un proveedor concreto, con la fuente y la fecha correspondientes, y no como una taxonomía canónica. En las nueve categorías, el denominador común es un agente capaz de razonar a lo largo de todo el ciclo de vida de la detección, la investigación y la respuesta ante amenazas, en lugar de automatizar un único paso.

El ciclo central es prácticamente idéntico en casi todas las arquitecturas publicadas, y es ahí donde cobra sentido la afirmación de «ciclo de vida completo»: lo que los proveedores entienden por «cobertura de todo el ciclo de vida» es un agente que abarca este ciclo de principio a fin, en lugar de intervenir únicamente en una fase concreta. En la actualidad, solo las fases de clasificación e investigación se ofrecen de forma generalizada.

‍

La bibliografía revisada por pares aporta un punto de referencia arquitectónico. Una arquitectura SOC multiagente y multicapa publicada en IEEE ICAIC 2026 organiza el modelo en una capa de percepción, una capa de razonamiento de agentes y una capa de acción y guiones, con componentes de apoyo complementarios. Su prueba de concepto procesó una muestra de 5.000 eventos del conjunto de datos de eventos de ciberseguridad de múltiples fuentes del Laboratorio Nacional de Los Álamos, aplicándola a una topología sintética de 50 nodos con una latencia de canalización de aproximadamente 506 ms, y sus autores describen el trabajo como «evaluado conceptualmente», señalando que sus asignaciones de « MITRE ATT&CK » (regla-a-regla) basadas en reglas no captan las tácticas de « zero-day ». Esa franqueza constituye un punto de referencia útil para cualquier afirmación sobre una arquitectura de SOC nativa de IA.

Una alianza del sector formada por 15 proveedores, creada con antelación a la conferencia Black Hat USA 2026, está probando una descomposición diferente en tres capas, que describe las capas del sistema en lugar de las fases de la investigación: «Context», las pruebas en tiempo real que utiliza un sistema de IA; «Harness», la orquestación y la gobernanza; y «Model», el motor de razonamiento que puede sustituirse a medida que los sistemas evolucionan. Según el análisis realizado por los colaboradores del consorcio de proveedores, se trata de una arquitectura, no de una escala de madurez, y no debe interpretarse como niveles de autonomía.

Los profesionales confirman esta división desde fuera del conjunto de proveedores. Una implementación de código abierto de un SOC basado en agentes lleva a cabo la misma división funcional de forma abierta: correlaciona las alertas en casos, investiga con un modelo de lenguaje grande (LLM), enriquece los indicadores y extrae conocimientos de los casos cerrados. Una advertencia: el repositorio no incluye ningún archivo de licencia, a pesar de que una línea del archivo README lo describe como con licencia MIT, por lo que conviene verificar la licencia antes de cualquier uso interno.

Hay dos efectos en el flujo de trabajo que merecen una mención especial. El modelo transforma la ingeniería de detección, ya que los agentes no solo utilizan las detecciones, sino que, según los últimos anuncios, también ayudan a crearlas y ajustarlas, lo que acorta el ciclo de retroalimentación entre una detección fallida y una corregida. Además, amplía la respuesta a incidentes en lugar de sustituirla: los agentes introducen los veredictos en las rutas de respuesta automatizadas existentes y leen los datos de su SIEM actual, en lugar de sustituir la capa de datos. En cuanto a la «memoria de agente», una expresión que aparece en las preguntas frecuentes de los proveedores para referirse a la idea de que los agentes conservan el contexto a lo largo de las investigaciones: la investigación en la que se basa esta página no ha encontrado ninguna definición primaria citada, por lo que debe considerarse como terminología propia del proveedor; pida a cualquier proveedor que la utilice que le muestre el mecanismo y su efecto en la repetibilidad de los veredictos.

¿Hasta qué punto es realmente autónomo un SOC agencial?

Empecemos por la tasa de referencia, ya que es la cifra que sirve de punto de partida para las campañas de marketing de la categoría. En la encuesta realizada por ViB en 2026 a 250 responsables y profesionales de la seguridad, el 40 % utiliza ya la IA en el SOC, el 56 % la está evaluando o realizando pruebas piloto, y el 4 % no tiene planes de hacerlo. Entre los equipos que la utilizan, hay dos indicadores distintos que reflejan el grado de autonomía. En cuanto a las prácticas de validación, el 57 % sigue exigiendo que un humano revise cada veredicto antes de darlo por cerrado, el 40 % recurre a comprobaciones aleatorias realizadas por analistas sénior sobre una muestra, y el 5 % no cuenta con ningún proceso de validación formal. En cuanto a la autoridad para tomar medidas, el 44 % permite que la IA recomiende acciones que luego ejecuta una persona, el 30 % ejecuta automáticamente las acciones de bajo riesgo, el 13 % amplía la ejecución automática a las acciones de riesgo medio y el 13 % limita la IA a una clasificación de casos en modo de solo lectura. La concordancia de los veredictos con los de analistas experimentados es igualmente aleccionadora: el 30 % afirma que concuerda en el 90 % o más de los casos, el 44 % afirma que concuerda entre el 70 % y el 89 %, y el 22 % afirma que concuerda entre el 50 % y el 69 %. El marketing en torno al SOC totalmente autónomo describe una pequeña minoría de implementaciones reales.

Frente a ese nivel de referencia, el sector ofrece al menos seis marcos distintos para describir la autonomía, además de una arquitectura sectorial, y ninguno de ellos se corresponde claramente con otro. El único punto de referencia que merece la pena adoptar es un marco de autonomía de cinco niveles, revisado por pares y publicado en *ACM Transactions on Internet Technology* el 30 de julio de 2026, cuyo preprint oficial está disponible para su lectura gratuita. Es el único marco identificado que vincula cada nivel a una función de supervisión humana y a un umbral de confianza, en lugar de a una hoja de ruta de producto, y su procedencia subraya este punto: los autores escriben que la escala adapta la norma SAE J3016 para la automatización de la conducción a cinco niveles operativos para el SOC. Sus niveles, textualmente: L0 Operaciones manuales (sin autonomía), L1 Operaciones asistidas por IA (apoyo a la toma de decisiones), L2 Operaciones semiautónomas (la IA actúa con aprobación humana), L3 Operaciones condicionalmente autónomas (intervención humana en el bucle) y L4 Operaciones totalmente autónomas (supervisión humana mínima).

Leyenda: Seis marcos de autonomía situados en la escala revisada por pares de L0 a L4, además de una arquitectura del sector que describe las capas del sistema en lugar de los niveles de autonomía.

El desacuerdo que subyace a esta tabla no es meramente teórico. Dos páginas entre los diez primeros resultados de búsqueda ofrecen respuestas incompatibles: la definición de un proveedor afirma claramente que el modelo no es totalmente autónomo, mientras que otra lo define como un sistema que gestiona una tarea de principio a fin mediante la corrección. Ninguna de las dos zanja la cuestión. La tasa base sí lo hace: dado que el 57 % de los usuarios revisa cada veredicto y solo el 13 % ejecuta automáticamente acciones más allá de las de bajo riesgo, la respuesta honesta es que el SOC con capacidad de agencia que se utiliza actualmente opera en los niveles L1 y L2, y que el nivel L3 está surgiendo para clases de acciones muy concretas.

Las pruebas sobre el terreno apuntan en la misma dirección. Un equipo de ingeniería de una gran empresa operadora de plataformas en línea, que presentó marcos de detección y caza de agentes en producción en Black Hat USA 2026, informó de que «abandonamos la autonomía sin restricciones de los agentes en favor del modelo de creatividad limitada de LangGraph», según el programa de sesiones informativas de Black Hat USA 2026. El hecho de que un equipo de producción renuncie públicamente a la autonomía constituye el contrapeso más sólido registrado hasta la fecha frente a la afirmación de la «propiedad de extremo a extremo». La propia calidad de la supervisión también está siendo objeto de estudio: una ponencia del AI Village de la DEF CON 34 titulada «Stop Pressing 1: Measuring Human Rubber-Stamping in Agent Oversight» (Deja de pulsar el 1: cómo medir la aprobación mecánica por parte de los humanos en la supervisión de agentes), incluida en el programa del AI Village de la DEF CON 34, señala exactamente el modo de fallo que debe evitar una política de revisión exhaustiva.

También hay una opinión discrepante de un analista concreto, y merece la pena señalar la fecha. En la evaluación de 2022 sobre el SOC autónomo realizada por una firma de análisis —publicada el 26 de octubre de 2022—, la analista principal de Forrester, Allie Mellen, descartó de plano la visión de los proveedores sobre un SOC autónomo: «Esta idea tiene tantas posibilidades de hacerse realidad como que yo pueda unirme a la Flota Estelar y viajar con la capitana Janeway en lo que me queda de vida». Casi cuatro años después, esa postura ha evolucionado hacia un enfoque más crítico que de rechazo: citado en un artículo de agosto de 2026, el mismo analista aconseja a los compradores que examinen minuciosamente la precisión, la repetibilidad y la explicabilidad, así como la forma en que los proveedores validan sus sistemas, ya que «es difícil confiar en una tecnología que no siempre responde de la misma manera».

Luego está la cuestión de la plantilla, donde la diferencia entre los profesionales y los analistas es el tema central, más que una contradicción que resolver. Aproximadamente dos tercios de los profesionales encuestados no prevén una reducción del SOC: el 57 % espera que la IA modifique las funciones del SOC sin cambiar el número de empleados y el 9 % espera que la plantilla crezca. Frente a esto, existe una predicción de un analista, difundida por una única fuente especializada, según la cual, para 2028, los agentes de IA clasificarán el 80 % de las alertas de los SOC en todo el mundo; esta afirmación no aparece en ningún medio público de la empresa a la que se atribuye, por lo que debe considerarse una predicción de un analista difundida a través de un único medio. Lo que cambia a corto plazo es el trabajo en sí mismo. El patrón de los analistas de SOC con IA que se desprende de los datos de la encuesta es un cambio en la función del analista de SOC, que pasa de la clasificación inicial a la revisión de veredictos, la gestión de excepciones y la supervisión del trabajo de los agentes, lo que prima la profundidad de la investigación frente a la rapidez en la gestión de las colas.

¿Qué se va a enviar, en comparación con lo que se anunció?

La prueba más clara de la realidad en esta categoría procede de fuentes primarias y está fechada. Cuatro hechos contrastados:

1. Abril de 2025: el proveedor original anunció nueve categorías de agentes, dos de las cuales se esperaba que se presentaran en fase de prueba a determinados clientes en el segundo trimestre de 2025, en el comunicado de abril de 2025 en el que se introdujo el término.
2. Marzo de 2026: el proveedor anunció la incorporación de «nuevos agentes en el SOC agentico» durante su intervención en la conferencia de marzo de 2026 y en el comunicado de dicha conferencia, sin que en el comunicado se mencionara ningún agente más allá del agente de triaje y del de investigación.
3. Agosto de 2026: la documentación de la prueba del propio proveedor, actualizada por última vez el 11 de agosto de 2026, establece un agente, el «Agente de triaje e investigación», con un límite máximo de cinco ejecuciones automáticas y cinco manuales por hora, lo que supone un límite horario total de 10 ejecuciones de prueba, idéntico en ambos niveles de suscripción, dentro del periodo de prueba comprendido entre el 1 de abril y el 31 de agosto de 2026.
4. Septiembre de 2026: a partir del 31 de agosto de 2026, salvo que el proveedor envíe una notificación por escrito de prórroga, el periodo de prueba se bifurcará según el nivel de suscripción. Un nivel de suscripción pasará a incluir una asignación gratuita y limitada de tokens de seguridad, incluida en la suscripción básica; el otro perderá por completo el acceso de los agentes.

‍

Leyenda: Cronología documentada desde una visión de nueve categorías hasta un único fármaco en fase de ensayo con limitación de dosis y una transición dependiente del nivel.

Hay que tener en cuenta una salvedad importante al analizar estos datos: el documento de la prueba se refiere a una prueba con un plazo limitado, no a la disponibilidad general del producto, y existen agentes adicionales en fase de vista previa fuera de la prueba. Los datos verificados se sostienen por sí mismos sin necesidad de cálculos aritméticos derivados, y esta página omite deliberadamente calcular la diferencia entre «lo anunciado y lo enviado». El proveedor también publica una afirmación sobre el rendimiento de las alertas para el agente de la prueba, pero no incluye ningún método ni muestra, por lo que se omite aquí. Lo que documenta la cronología es cómo se ve la madurez «embriónica» desde dentro: una visión que abarca desde la clasificación inicial, pasando por la búsqueda de amenazas, hasta la ingeniería de detección; una superficie de lanzamiento limitada; y la medición de lo que efectivamente se lanza.

Lo que demuestran las pruebas y lo que no demuestran

En la actualidad existen dos pruebas comparativas multimodelo y ambas arrojan resultados negativos; la única afirmación que se mantiene es que todavía no existe ninguna prueba comparativa que evalúe productos comerciales ya comercializados.

El primero es SecRespond, un banco de pruebas de respuesta ante incidentes con 23 modelos publicado el 29 de julio de 2026, que evaluó 23 modelos de lenguaje grande (LLM) de vanguardia en 10 campos de pruebas cibernéticos, cuatro tipos de puntos de entrada, 21 técnicas ATT&CK y cinco sistemas operativos. Sus autores señalan que los agentes actuales pueden detectar de forma fiable los problemas señalados por las alertas, pero tienen dificultades para investigar el disco de forma proactiva en busca de intrusiones silenciosas o para elaborar planes de corrección exhaustivos y verificados, sin que ningún modelo haya logrado la detección y corrección completas en ningún ámbito concreto. El segundo es el Cyber Defense Benchmark de abril de 2026, que sometió a cinco modelos de vanguardia a 26 campañas extraídas de un corpus de 106 procedimientos de ataque reales: el mejor modelo solo logró un 3,8 % de alertas correctas de media y, frente a un umbral de aprobación de al menos un 50 % de recuperación en cada táctica ATT&CK, «el líder supera este umbral en 5 de las 13 tácticas y en ninguna de las cuatro restantes». Esa prueba comparativa ha sido elaborada por el propio proveedor, una información que debe acompañarla, aunque evalúa cinco modelos de terceros en lugar de su propio producto.

La autoevaluación mejor publicada de la categoría ilustra por qué es importante la evaluación independiente. SIR-Bench creó 794 casos de prueba a partir de 129 patrones de incidentes anonimizados y registra un 97,1 % de detección de verdaderos positivos y un 73,4 % de rechazo de falsos positivos. Sin embargo, solo ha evaluado a un único agente —el de sus propios autores— basándose únicamente en la telemetría de CloudTrail, y la evaluación la han realizado cinco autores, todos ellos afiliados a un único proveedor de servicios de « cloud ». La referencia humana establecida en el mismo artículo es que los analistas de nivel 2 alcanzan aproximadamente entre un 85 % y un 90 % de detección de verdaderos positivos, con un rechazo de falsos positivos de entre el 70 % y el 80 %, referencias que se describen como un rendimiento realista «bajo presión de tiempo y con información incompleta».

La señal más clara, procedente de fuentes ajenas a los proveedores, contradice el discurso de marketing. En la encuesta sobre IA de SANS de 2026, realizada a 536 profesionales y 57 altos directivos, el 63 % señala importantes deficiencias de la IA en la detección y respuesta ante amenazas, lo que supone un aumento respecto al 45 % registrado en 2025. Dos aclaraciones sobre el alcance: se trata de una encuesta distinta de la Encuesta SOC de SANS de 2026 citada anteriormente, y evalúa la IA en ciberseguridad de forma general, por lo que sus aspectos relacionados con la detección y respuesta, así como con la gobernanza, son los que entran en el ámbito de este análisis. Investigadores independientes que presentaron sus trabajos en Black Hat USA 2026 llegaron a una conclusión similar, señalando que «los agentes de investigación no logran reconstruir las cadenas de ataque completas generadas por atacantes autónomos» y que «la economía de los tokens es la limitación determinante».

Incluso el argumento de la urgencia en este ámbito se basa en datos de telemetría de proveedores que no se comparten. El informe sobre amenazas de 2026 de un importante proveedor, que describe datos de 2025, sitúa el tiempo medio de intrusión en delitos informáticos en 29 minutos, siendo el caso más rápido observado de 27 segundos, calificado como un valor atípico; un segundo proveedor que mide datos del mismo año informa de 34 minutos. Las dos cifras proceden de datos de telemetría propios diferentes, difieren en aproximadamente un 17 % y no pueden conciliarse ni promediarse. El problema de la velocidad de los defensores es real, y la detección basada en IA existe precisamente por ello, pero ningún instrumento independiente lo mide.

Leyenda: Todos los datos destacados de esta categoría, clasificados según quién los haya medido, en qué denominador y cuándo.

Cómo evaluar un SOC de tipo «agente» sin comprar la versión de demostración

Cada dato de la sección anterior apunta a lo mismo: comprueba la fiabilidad de los resultados con tu propia telemetría, ya que el rendimiento en una demostración preparada no es un buen indicador. Una guía de evaluación patrocinada por una marca reconocida admite este punto con una franqueza inusual: «Sin embargo, la precisión suele disminuir una vez que estas herramientas salen de la demostración preparada y se enfrentan a condiciones reales de producción». Los criterios de evaluación que importan son la precisión de los veredictos con tus propios datos, el rechazo de falsos positivos, la explicabilidad del rastro de razonamiento, la repetibilidad con entradas idénticas, cómo valida el proveedor su propio sistema, qué hace el agente cuando faltan pruebas, la ruta de reversión y el registro de auditoría.

Una lista de verificación práctica para evaluar a cualquier proveedor de SOC de IA:

• Compara el grado de coincidencia en los veredictos con el de tus propios analistas sénior, según tus datos de telemetría.
• Comprueba el rechazo de falsos positivos con alertas de elementos similares benignos.
• Exige que se facilite un registro del razonamiento comprensible para cada veredicto.
• Reproduce las mismas entradas y comprueba si los veredictos son idénticos.
• Pregunta cómo valida el proveedor la precisión y con respecto a qué referencia.
• Analizar el comportamiento de la sonda cuando faltan datos o la telemetría no transmite información.
• Confirma las rutas de reversión y los registros de auditoría de cada acción automatizada.

El «agent washing» es el modo de fallo contra el que se defiende esta disciplina. Gartner advierte sobre ello cuatro veces en el informe que acuñó el término, y la distinción entre agentes SOC de IA autónomos y asistentes de ciberseguridad de IA «solo de refuerzo» existe porque la mayoría de los proveedores califican erróneamente a los asistentes como «agentes». Las preguntas que se plantean los usuarios sobre los principales proveedores de SOC con agentes, los proveedores en general o las opciones de SOC con agentes más asequibles se resuelven todas con la misma respuesta, independiente del proveedor: esta página no menciona a ningún proveedor, ya que la lista de verificación anterior, aplicada a tus propias alertas, te permitirá distinguir entre empresas de SOC con IA y soluciones de SOC con agentes más rápidamente que cualquier clasificación, y el coste solo resulta comparable una vez que sabes qué calidad de veredicto estás adquiriendo. La evaluación se aplica por igual tanto si eliges una plataforma SOC con agentes integrados, como si adquieres capacidad «agente» a través de servicios SOC gestionados, o si añades una capa de agentes a las herramientas de operaciones de seguridad existentes.

Los datos sobre «desarrollar frente a comprar» son inequívocos en cuanto a la dificultad. En la encuesta realizada por ViB en 2026, entre las organizaciones que ya utilizan la IA en el SOC, el 72 % ha intentado desarrollar herramientas internas basadas en IA o en modelos de lenguaje grande (LLM) para los flujos de trabajo del SOC, y el 46 % de los equipos que lo intentaron han dejado de utilizar el desarrollo propio, lo han sustituido por un producto comercial o nunca lo han puesto en producción. Hay que tener en cuenta los denominadores: ambas cifras se refieren a equipos que ya utilizan IA, y el 46 % se aplica al subconjunto que intentó desarrollar una solución propia. Esta es también la razón por la que, en general, resulta difícil implementar la IA agentiva en las operaciones de seguridad: la preparación de los datos, los modelos de permisos y la política de revisión determinan el resultado, no la elección del modelo.

El propio panorama de proveedores se está consolidando al tiempo que sigue expandiéndose. El recuento de un analista concreto, que situó en 123 el número de proveedores analizados en 2026 —«si los sumas, dan 123»—, va acompañado de la previsión de ese mismo analista de que «aproximadamente veinte proveedores seguirán siendo proveedores independientes e integrales de SOC de IA para 2030». La consolidación ya ha comenzado: en agosto de 2026, una empresa de datos de telemetría adquirió los activos tecnológicos y la propiedad intelectual de una startup de SOC de IA, en unos términos que no se han revelado; se trató de una compra de activos más que de una adquisición de la empresa, según la cobertura mediática de la venta de activos de agosto de 2026. Hay que tener en cuenta las probabilidades de supervivencia de los proveedores a la hora de asumir cualquier compromiso plurianual.

Sobre el retorno de la inversión (ROI) de los SOC basados en IA: todas las cifras de ROI publicadas en el corpus de marketing de esta categoría carecen de referencias o proceden de afirmaciones de los propios proveedores, por lo que esta página no reproduce ninguna de ellas. En su lugar, mide tu propio ROI utilizando la tasa de coincidencia en las conclusiones, la diferencia en el tiempo de investigación de tus propias alertas y el porcentaje de alertas que actualmente no se investigan.

Gobernanza, rendición de cuentas y regulación

Un SOC de tipo «agente» otorga a un sistema autónomo la autoridad para gestionar la contención, lo que convierte la rendición de cuentas en una condición operativa más que en un riesgo abstracto. Ninguna de las páginas de clasificación sobre este tema incluye contenido normativo, por lo que en esta sección se establece una correspondencia entre el modelo y las directrices que realmente rigen la actuación autónoma, lo cual reviste doble importancia para cualquier equipo que gestione un SOC de tipo «agente» en Europa.

Comencemos con las directrices de «Five Eyes» sobre la adopción prudente de servicios de IA agentiva, publicadas el 1 de mayo de 2026, fecha y título confirmados en la fuente primaria. Las fuentes secundarias lo describen como un documento de 30 páginas elaborado por seis agencias en el que se identifican cinco categorías de riesgo; esos detalles proceden de fuentes secundarias y se indican como tales en este texto.

Leyenda: Las cinco categorías de riesgo de «Five Eyes», procedentes de fuentes secundarias, traducidas en las decisiones que debe tomar un SOC antes de conceder a los agentes la autoridad para intervenir, incluyendo la responsabilidad sobre el registro de auditoría y la reversión de cambios.

El NIST está creando la estructura de control. El proyecto de superposiciones de control del NIST para la seguridad de los sistemas de IA está desarrollando superposiciones de la norma SP 800-53 para casos de uso de la IA, y entre los casos de uso de agentes del COSAiS hay dos que abordan directamente las implementaciones de agentes: uno para sistemas de IA de un solo agente y otro para sistemas de IA multiagente; se publicó un documento conceptual el 14 de agosto de 2025 y un borrador de debate con esquema anotado el 8 de enero de 2026, ambos verificados como primarios. La Iniciativa de Normas para Agentes de IA (CAISI) del NIST, puesta en marcha el 17 de febrero de 2026 con tres pilares que abarcan la seguridad, la interoperabilidad y la identidad de los agentes, se basa en fuentes secundarias. En términos del Marco de Ciberseguridad 2.0 del NIST, el SOC de agentes concentra el riesgo en las funciones de detección y respuesta, mientras que la función de gobernanza asume la cuestión de la responsabilidad.

En la UE, el Reglamento (UE) 2026/1744, el «Omnibus Digital sobre IA», adoptado el 8 de julio de 2026, publicado en el Diario Oficial el 24 de julio y en vigor desde el 27 de julio, aplazó las obligaciones de alto riesgo del anexo III de la Ley de IA hasta el 2 de diciembre de 2027 y las del anexo I hasta el 2 de agosto de 2028, al tiempo que mantuvo sin cambios las obligaciones de transparencia del artículo 50, suprimiendo la facultad prevista en el artículo 50, apartado 7. El artículo 50 entró en vigor el 2 de agosto de 2026; sin embargo, los proveedores de sistemas generativos que ya se encontraban en el mercado antes de esa fecha tienen hasta el 2 de diciembre de 2026 para cumplir con la obligación de etiquetado prevista en el apartado 2 del artículo 50: no se trata de una contradicción, sino de un período de gracia para los sistemas preexistentes que se superpone a un artículo ya en vigor. Se debe trabajar a partir del texto consolidado de la Ley de IA, en su versión modificada, que muestra el texto vigente en lugar de las modificaciones.

Los adversarios atacan directamente la base de pruebas del agente. Un agente razona a partir de telemetría, y, a diferencia de un analista humano, es posible que no se dé cuenta del silencio cuando se manipula esa telemetría. MITRE ATT&CK Técnica T1685: Desactivar o modificar herramientas, versión 1.0, modificada por última vez el 12 de mayo de 2026, se encuentra en la sección «Táctica» 0112, «Defense Impairment», y enumera precisamente esas manipulaciones: interrumpir servicios, modificar configuraciones, impedir actualizaciones de herramientas e interferir en el proceso de registro. Un póster presentado en la AI Village de la DEF CON 34, titulado «Poisoning the SOC: Prompt Injection via Ingested Telemetry» en el programa «AI Village» de DEF CON 34, aborda el mismo tipo de problema desde el punto de vista de la indicación: el propio flujo de evidencia del agente como superficie de inyección.

La capa de autorización relacionada con las acciones de respuesta iniciadas por agentes cuenta ahora con pruebas públicas documentadas de que constituye la verdadera superficie de vulnerabilidad. Según el registro del NVD correspondiente a CVE-2026-72665, publicado el 13 de agosto de 2026, un defecto de autorización ausente (CWE-862) significaba que un usuario capaz de crear y evaluar reglas de detección podía provocar acciones de respuesta contra agentes registrados sin poseer los privilegios que normalmente rigen esas capacidades: la creación de una regla de detección se convertía en una concesión implícita de autoridad de contención. La vulnerabilidad tiene una puntuación de 8,1 (ALTA) solo por parte de la CNA, ya que el estado del NIST es «Recibida» y aún no existe una puntuación primaria del NIST, no figura en el catálogo KEV, no se ha documentado ningún caso de explotación y se divulgó de forma responsable y se corrigió en el aviso ESA-2026-96. Considérelo como un hallazgo relativo a la clase de riesgo en lo que respecta a la creación de detecciones y la autoridad de respuesta, no como una crítica a un proveedor concreto.

Por último, el SOC agencial hereda la superficie de vulnerabilidad de su entorno de ejecución, definida de forma muy concreta: según un análisis realizado en agosto de 2026 de la Base de Datos Nacional de Vulnerabilidades, 74 registros coinciden con «Model Context Protocol», 51 de ellos publicados en 2026, siendo el más reciente CVE-2026-19753 del 13 de agosto de 2026, junto con 68 registros de LangChain, 30 registros de LiteLLM, entre los que se incluyen CVE-2026-30623, una vulnerabilidad CRÍTICA de nivel 9,8 relacionada con la ejecución remota de código en la creación del servidor MCP, y 36 registros de Ollama. Ninguno de ellos contiene una entrada KEV, por lo que no se puede respaldar ninguna afirmación de explotación. El refuerzo de esa pila heredada corresponde a la seguridad de los agentes de IA, con raíces en la seguridad de los sistemas de inteligencia artificial y Seguridad de la IA general En general, lo que se aborda en esta página es que las propias herramientas del defensor se encuentran ahora en esa pila.

¿Qué lugar ocupa el SOC agencial y hacia dónde se dirige?

Considera esto como una categoría en desarrollo y empieza por donde ya hay pruebas de que funciona: la clasificación. La clasificación asistida por agentes es la única capacidad que se está implementando de forma generalizada en la actualidad; ofrece una tasa medible de concordancia en los veredictos en cuestión de semanas y, en caso de fallo, es segura, ya que un humano revisa cada veredicto. Una prueba piloto realista consiste en ejecutar agentes sobre la cola de alertas de un SOC moderno ya existente, en modo de solo lectura o de solo recomendación, medir la concordancia con los analistas sénior y ampliar la autonomía clase de acción por clase de acción. Las categorías de soluciones que atienden este mercado en la actualidad incluyen capas de agentes integradas en plataformas de SOC, agentes autónomos de triaje e investigación, y capacidades de agentes proporcionadas a través de servicios gestionados; la disciplina de evaluación anterior se aplica a las tres. La cobertura sigue siendo tan importante como el razonamiento: los agentes solo pueden razonar a partir de la señal que proporciona la tríada de visibilidad, y transforman el papel del analista de SOC en lugar de eliminarlo.

La dirección que se está tomando no es objeto de controversia seria. La descripción de IDC para 2026 es que «los Centros de Operaciones de Seguridad (SOC) están evolucionando desde entornos centrados en las personas hacia operaciones potenciadas por la IA y cada vez más autónomas», según la descripción de un analista sobre la evolución de los SOC, y cabe destacar que no se indica ningún porcentaje de sustitución. La trayectoria realista a corto plazo pasa por una transformación más amplia de los SOC: una clasificación basada en agentes integrada en los programas de automatización existentes, en la que la autonomía se amplíe únicamente en la medida en que la concordancia en los veredictos lo justifique. Las mejores prácticas para los SOC basados en agentes, por ahora, se reducen a tres: realizar pruebas piloto a pequeña escala, medir la concordancia con base en la propia telemetría y mantener a una persona al tanto para las acciones de mayor importancia.

La visión de « Vectra AI » sobre el SOC agencial

Vectra AI Parte de una postura que asume el compromiso: los atacantes inteligentes logran colarse, por lo que la cuestión decisiva es la rapidez con la que los defensores los detectan y los detienen. Desde esa perspectiva, la cuestión del SOC «agente-asistido» es, ante todo, una cuestión de señal, más que de autonomía. « Attack Signal Intelligence » es una metodología basada en la relación señal-ruido, y establece una posición clara al respecto: la clasificación asistida por agentes solo es tan buena como la señal sobre la que razona, por lo que la cobertura de todo el entorno y la calidad de la señal tienen prioridad sobre cualquier ampliación de la autonomía. Un agente que razona a partir de datos de telemetría ruidosos o incompletos automatiza la incertidumbre en lugar de resolverla. Y, para las acciones con consecuencias importantes, un humano permanece en el bucle. Los equipos que estén valorando este modelo pueden empezar por analizar cómo la detección impulsada por IA genera la señal de la que dependen los agentes.

‍