Guía sobre la gestión de riesgos internos: una guía de programas para 2026 dirigida a responsables de seguridad y GRC

La gestión de riesgos internos consiste en identificar, evaluar y mitigar los riesgos que plantean las personas con acceso legítimo a los sistemas y datos de una organización: empleados, contratistas, socios y, cada vez más, identidades no humanas, como cuentas de servicio y agentes de inteligencia artificial. Es un concepto más amplio que el de «amenaza interna»: todas las amenazas internas son riesgos internos, pero la mayoría de los riesgos internos son negligentes o accidentales, no maliciosos.

Esa distinción es importante porque cambia la forma de desarrollar un programa, quién es el responsable del mismo y en qué se invierte. Los aspectos económicos son ahora difíciles de ignorar. El estudio de Ponemon/DTEX de 2026 sitúa el coste medio anualizado del riesgo interno en 19,5 millones de dólares, y el tiempo récord de 67 días para contener un incidente sigue dejando un amplio margen para que se produzcan daños (Help Net Security, 2026). Al mismo tiempo, dos nuevas fuerzas —los empleados que pegan datos confidenciales en herramientas de IA públicas y los agentes de IA autónomos que actúan con privilegios permanentes— han abierto puntos ciegos que los controles tradicionales de exfiltración de datos y las herramientas de análisis del comportamiento de usuarios y entidades nunca fueron diseñadas para detectar.

Esta guía explica qué es la gestión del riesgo interno, cómo funciona un programa, quién lo dirige, cómo evaluar su grado de madurez y por qué la era de la inteligencia artificial exige un replanteamiento. Está dirigida a directores de seguridad de la información (CISO), responsables de centros de operaciones de seguridad (SOC), arquitectos de seguridad y equipos de GRC que necesiten poner en marcha o perfeccionar un programa, así como demostrar su valor ante el consejo de administración.

¿Qué es la gestión del riesgo interno?

La gestión de riesgos internos (IRM) es la disciplina que consiste en identificar, evaluar y mitigar el riesgo de que personas e identidades de confianza causen daño a una organización, ya sea por accidente, negligencia o de forma intencionada. Abarca a empleados, contratistas, socios y, cada vez más, a identidades no humanas (NHI), como cuentas de servicio y agentes de inteligencia artificial que disponen de acceso permanente.

La principal fuente de confusión en este ámbito es la diferencia entre el riesgo interno y la amenaza interna. La relación se basa en el alcance: una amenaza interna es un acto deliberado y malintencionado cometido por alguien con acceso de confianza —robo, sabotaje o espionaje—. El riesgo interno es el conjunto más amplio que la engloba, y ese conjunto está dominado por errores comunes. Una analogía útil: la amenaza interna es un incendio provocado, pero el riesgo interno abarca todas las formas en que un edificio puede incendiarse, incluido un cable pelado que nadie ha visto. Se gestiona el edificio para prevenir incendios, no solo para evitar a los pirómanos. Para obtener información detallada sobre el subconjunto malicioso —métodos de detección, indicadores y tácticas de programas—, consulte la guía Vectra AI sobre la amenaza interna.

¿Por qué es importante esto ahora? Porque el coste ha aumentado y la superficie de ataque se ha ampliado. El estudio de Ponemon/DTEX de 2026 sitúa el coste medio anual del riesgo interno en 19,5 millones de dólares, lo que supone un aumento de aproximadamente un 20 % en dos años (Help Net Security, 2026). Además, el mismo estudio señala una categoría que la mayoría de los programas aún no pueden supervisar: los empleados que suben documentos internos, código fuente y planes estratégicos a plataformas públicas de IA. Analizamos los aspectos económicos, los tipos de personas internas y el punto ciego de la IA en las secciones siguientes.

Cómo funciona la gestión del riesgo interno

Un programa eficaz de gestión de riesgos internos es un ciclo de vida, no una simple herramienta. Conecta a las personas, los procesos y la tecnología —y el orden es importante, ya que la gobernanza y la clasificación de datos determinan qué es lo que la tecnología debe buscar—. Los datos de detección abarcan el análisis del comportamiento, las señales de identidad y la telemetría del movimiento de datos, y no se limitan a reglas estáticas.

El ciclo de vida se desarrolla a lo largo de cinco etapas repetibles:

1. Clasifica los datos más valiosos y su ubicación.
2. Reduzca los accesos innecesarios y prolongados.
3. Supervisa el comportamiento en todas las rutas de salida.
4. Evaluar la intención y el contexto de las anomalías.
5. Responder, gestionar y proporcionar comentarios.

Las vías de salida de la tercera fase son por donde los datos salen realmente: la web, el correo electrónico, los terminales y las aplicaciones SaaS. Un programa que solo supervisa una vía —por ejemplo, el correo electrónico— pasa por alto el resto. Los programas modernos combinan el análisis de comportamiento con las señales de identidad y de datos, de modo que una sola acción anómala (como una cuenta con privilegios que de repente exporta un gran volumen de registros a cloud ) se detecta como una señal prioritaria, en lugar de tres alertas inconexas.

La rapidez es la clave. El estudio de 2026 registró un tiempo de contención récord de 67 días, frente a los 81 días de la edición del año anterior (2025) (Help Net Security, 2026). Se trata de un avance, pero un plazo de 67 días sigue siendo lo suficientemente largo como para que un infiltrado o una cuenta comprometida causen daños significativos; por eso la detección basada en el comportamiento en todas las vías es más importante que cualquier control individual.

Una nota sobre el orden de las cosas: la gobernanza precede a las herramientas. Adquirir una plataforma de monitorización antes de haber clasificado los datos sensibles, definido la tolerancia al riesgo y acordado quién se encarga de responder es la forma en que los programas generan ruido en lugar de información útil. La sección de implementación que figura a continuación plasma esa gobernanza en un modelo concreto.

‍‍


Tipos de personas con información privilegiada

La mayoría de los marcos de gestión de riesgos internos reconocen tres categorías clásicas, además de una cuarta que está cobrando importancia rápidamente. Comprender esta combinación es la forma más rápida de ajustar los controles al nivel adecuado, ya que la categoría más amplia rara vez es aquella a la que los equipos temen instintivamente.

• Por negligencia (sin intención maliciosa): una persona de confianza causa un perjuicio por error —un correo electrónico enviado a la persona equivocada, una gestión deficiente de archivos confidenciales o el uso no autorizado de herramientas—. Este es, con diferencia, el caso más frecuente.
• Malintencionado: un empleado que, de forma deliberada, actúa con el fin de robar, sabotear o llevar a cabo actividades de espionaje. Se trata de la amenaza interna clásica, y es la categoría que acapara los titulares.
• Compromiso: un atacante externo se hace con el control de una cuenta legítima, normalmente mediante el robo de credenciales. En este caso, el «internal» es el atacante que se hace pasar por una identidad de confianza.
• Identidad no humana (en desarrollo): las cuentas de servicio y los agentes de IA gozan de privilegios permanentes y pueden actuar de forma autónoma. Analizamos esta categoría en profundidad en la sección dedicada a la era de la IA que figura a continuación.

Los datos económicos de 2026 justifican que se dé prioridad a la mayoría de los casos por negligencia. Según el estudio de Ponemon/DTEX de 2026, el 53 % de los incidentes se debieron a negligencia o no fueron maliciosos, con un coste de 10,3 millones de dólares al año —la mayor parte—, mientras que los incidentes maliciosos supusieron 4,7 millones de dólares y el robo de credenciales, 4,5 millones (Help Net Security, 2026). Para contextualizar, la edición del año anterior (2025) situaba el desglose en aproximadamente un 55 % de negligencia, un 25 % de malicia y un 20 % de robo de credenciales, frente a un total inferior de 17,4 millones de dólares (DTEX, 2025). El titular cambia de un año a otro, pero la lección es constante: la negligencia, y no la malicia, es el principal factor de coste.

Tabla 1 — Tipos de personas con acceso privilegiado, intención, ejemplo y control principal. Ámbito: referencia conceptual para las tres categorías canónicas de personas con información privilegiada, además de la categoría emergente de personas no humanas.

La gestión de riesgos internos en la práctica

Los incidentes reales dan concreción a las categorías. Los siguientes 2025 casos, anonimizados y extraídos de informes públicos, muestran que el riesgo interno abarca desde el acceso negligente hasta la infiltración de personas internas, pasando por credenciales retenidas e identidades de máquinas. Cada uno de ellos se presenta desde una perspectiva defensiva, con el fin de ilustrar qué medidas de control habrían sido útiles.

Abuso del acceso privilegiado al servicio de asistencia. En 2025, en una importante plataforma de intercambio de criptomonedas, unos delincuentes externos sobornaron y reclutaron a agentes de atención al cliente en el extranjero para que abusaran de su acceso legítimo a las herramientas de asistencia y sustrajeran datos de unos 70 000 clientes. Los atacantes exigieron un rescate de 20 millones de dólares (CNBC, 2025). La lección: el acceso con privilegios mínimos y la supervisión del comportamiento en las herramientas de soporte son esenciales, ya que un puesto de confianza con amplio acceso es un objetivo muy valioso para el reclutamiento.

Informador infiltrado en el ámbito del SaaS. En un caso de espionaje industrial ocurrido en 2025, un empleado actuó presuntamente como informador infiltrado, accediendo durante meses a archivos confidenciales en múltiples aplicaciones SaaS en nombre de un competidor (DataPatrol, 2025). La lección: el riesgo interno incluye a personas infiltradas deliberadamente, por lo que tanto la diligencia debida en la incorporación de personal como la detección de anomalías en todas las aplicaciones SaaS son fundamentales.

Acceso conservado tras la baja. En un incidente bancario ocurrido en 2025, un antiguo empleado utilizó el acceso que conservaba para acceder a los registros de unos 689 000 clientes, y la actividad sospechosa pasó desapercibida durante más de un año (DataPatrol, 2025). La lección: la revocación del acceso tras la baja es una medida de control de primera línea contra los riesgos internos, y las credenciales conservadas son un fallo clásico que una detección y respuesta rápidas ante amenazas de identidad permitirían detectar.

Una identidad no humana como agente interno. En una campaña de 2025 dirigida a la cadena de suministro de OAuth, un actor malintencionado utilizó tokens de OAuth comprometidos pertenecientes a un producto de IA —una identidad de máquina— para autenticarse en plataformas conectadas y sustraer sistemáticamente datos de más de 700 organizaciones, entre las que se encontraban varias grandes empresas y un importante proveedor (Mandiant / Google Cloud, 2025). El actor buscó cloud y tokens cloud incrustados en los registros exportados. Este es el ejemplo canónico de cómo una identidad privilegiada, no humana y de confianza se convierte en la vía de la filtración, y la razón por la que la detección y la respuesta ante amenazas de identidad deben extenderse a las identidades de máquina, no solo a las personas. La misma dinámica subyace a muchas de las filtraciones de datos modernas.

Creación de un programa de gestión de riesgos internos

Es aquí donde la mayoría de los programas triunfan o se estancan. Lo que marca la diferencia no es la plataforma de supervisión que se adquiera, sino la gobernanza que se establezca en primer lugar. Los principales estudios sobre madurez consideran el riesgo interno como un problema estructural que requiere una responsabilidad interdepartamental antes de tomar cualquier decisión sobre las herramientas.

¿Quién es el responsable?: un modelo multifuncional

Ningún equipo puede gestionar por sí solo los riesgos internos, ya que esta labor abarca la detección técnica, las cuestiones de personal y la exposición legal. La fórmula más eficaz consiste en un grupo directivo interfuncional que cuente con el respaldo de la dirección, gestionado en el día a día por el departamento de seguridad y en el que los departamentos de RR. HH. y jurídico actúen como socios responsables. Un mapa RACI garantiza la transparencia.

Tabla 2 — Matriz RACI para un programa de gestión de riesgos internos. Ámbito: asignación ilustrativa de responsabilidades en las actividades principales del programa. R = responsable, A = responsable ante, C = consultado, I = informado.

El puesto específico en el ámbito de la seguridad suele ser el de analista de gestión de riesgos internos, cuya función consiste en evaluar las señales de comportamiento, llevar a cabo investigaciones y coordinar el traspaso de casos a los departamentos de Recursos Humanos y Jurídico. Es necesario definir por escrito las funciones, el mandato y las competencias antes de iniciar la supervisión.

El modelo de cuatro pasos de la CISA

Basemos la implementación en un marco de referencia fiable, en lugar de en una lista de requisitos de un proveedor. Las directrices de la CISA para la mitigación de amenazas internas definen un modelo de cuatro pasos que se adapta tanto a una empresa emergente como a una agencia federal:

1. Defina la amenaza y el alcance del programa.
2. Detectar e identificar comportamientos preocupantes.
3. Evalúa el riesgo que supone ese comportamiento.
4. Gestionar el riesgo mediante una respuesta proporcionada.

Aplica ese modelo a una implementación por fases, en la que cada fase supone un paso adelante en la escala de madurez:

1. Promueva el programa y consiga el apoyo de la dirección.
2. Clasificar los datos más valiosos y definir la tolerancia al riesgo.
3. Reducir el acceso permanente y aplicar zero trust y el principio de privilegios mínimos.
4. Supervisión del comportamiento de los instrumentos en todas las rutas de salida.
5. Crear un centro de análisis y respuesta dentro de las operaciones del SOC.
6. Incorporar controles de privacidad desde el diseño y documentar las competencias y los traspasos de responsabilidad.

Incorpora la protección de la privacidad desde el primer momento, en lugar de añadirla a posteriori; en la sección sobre cumplimiento normativo se explica por qué la proporcionalidad es un requisito ineludible en los entornos regulados. En lo que respecta específicamente al manual de estrategias contra los actores maliciosos, un programa de amenazas internas integra la detección táctica sobre esta base de gobernanza.

Los argumentos a favor de la inversión son sólidos. El gasto medio en medidas contra los riesgos internos pasó del 8,2 % del presupuesto de ciberseguridad en 2023 al 16,5 % en 2024, y el 65 % de las organizaciones que contaban con un programa consolidado afirmaron que este había evitado una filtración de datos (DTEX, 2025).

Evaluación de la eficacia y la madurez de los programas

Los consejos de administración financian lo que pueden medir. Dos herramientas gratuitas y fiables convierten el riesgo interno, que antes era una mera corazonada, en un programa con seguimiento: un modelo de madurez de cinco niveles y una autoevaluación gratuita.

El modelo de madurez abarca desde el nivel «ad hoc» hasta el «optimizado», reflejando la escala anterior. La mayoría de las organizaciones comienzan en el nivel «ad hoc» o «definido» y se fijan como objetivo alcanzar el nivel «gestionado-medido» en el plazo de unos pocos ciclos presupuestarios. Para establecer una referencia objetiva, utilice la herramienta gratuita «Evaluación del Programa de Mitigación de Riesgos Internos (IRMPE)» de CISA/CMU, que abarca los 19 elementos del marco del Grupo de Trabajo Nacional sobre Amenazas Internas (NITTF) en materia de gestión de programas, personal y formación, así como recopilación y análisis de datos. El marco de madurez del NITTF proporciona la base de puntuación subyacente (ODNI/NITTF, 2024).

Combina la autoevaluación con un pequeño conjunto de indicadores clave de rendimiento (KPI) listos para presentar al consejo de administración, extraídos de tus marcos de seguridad más amplios y alineados con las métricas estándar de ciberseguridad.

Tabla 3 — Indicadores clave de rendimiento (KPI) sobre el riesgo interno listos para presentar al consejo de administración. Ámbito: ejemplos de métricas para medir un programa de riesgo interno; los objetivos son orientativos y deben ajustarse a su apetito de riesgo.

El argumento financiero a favor de una contención más rápida es claro: en la edición del año anterior (2025), los incidentes que se prolongaron más de 91 días costaron una media de 18,7 millones de dólares, frente a los 10,6 millones de dólares que costaron los que se contuvieron en un plazo de 31 días (DTEX, 2025). Considere las cifras de retorno de la inversión procedentes de una sola fuente —como los ahorros multimillonarios o los múltiplos de ROI específicos atribuidos a una alta madurez— como ilustrativas y no como titulares, a la espera de una corroboración primaria.

Riesgos internos en la era de la IA: IA en la sombra e IA autónoma

Esta es la frontera más dinámica del riesgo interno y el ámbito en el que las herramientas tradicionales son más débiles. Dos cambios distintos —uno de carácter humano y otro no humano— han redefinido el modelo de amenazas en 2026.

El primero es la IA en la sombra: el uso no autorizado de herramientas públicas de IA que traslada datos de forma silenciosa fuera de los controles de la empresa. Los empleados pegan código fuente, documentos jurídicos, diagramas de arquitectura y planes estratégicos en modelos de lenguaje grandes (LLM) públicos, a menudo a través de cuentas personales en dispositivos corporativos que eluden los controles de datos de la empresa. El DBIR de Verizon de 2026 analizó 858 440 incidentes de DLP relacionados con herramientas de IA, descubrió que el código fuente era el tipo de datos más común introducido en IA no autorizada y clasificó la IA en la sombra como la tercera acción de DLP interna no maliciosa más común, lo que supone un aumento de aproximadamente cuatro veces en su proporción respecto al año anterior (Verizon, 2026). Se trata de un comportamiento clásico de negligencia interna a escala de máquina. (Una cifra anterior de 2024, según la cual aproximadamente el 11 % de los datos pegados eran confidenciales, ha quedado ahora superada como titular por estos datos de comportamiento, aunque sigue siendo un contexto útil). La visión general Vectra AI sobre la IA en la sombra profundiza en la respuesta de la gobernanza.

El segundo cambio es el auge de los agentes de IA y las identidades de máquina como usuarios internos con privilegios. Un agente de IA que procesa datos, toma decisiones e inicia acciones autónomas es, desde el punto de vista funcional, un usuario interno con acceso permanente. Las directrices federales de EE. UU. se han adaptado a este marco: una guía conjunta liderada por la CISA, la NSA y el FBI trata ahora a los agentes de IA dentro de la tecnología operativa como actores internos privilegiados que requieren el mínimo privilegio, anulación humana, registro de auditoría y aislamiento del radio de impacto (CISA, 2025). La disciplina de la seguridad de la IA agentiva aplica controles de tipo interno a estos actores no humanos y se conecta con la práctica más amplia de la seguridad de la IA.

El punto ciego de las herramientas es el nexo de unión entre ambos cambios. Los sistemas DLP y UEBA tradicionales son en gran medida incapaces de detectar el uso de GenAI fuera de las cuentas corporativas, ni las identidades no humanas que los agentes crean y heredan localmente dentro de las aplicaciones, invisibles para la gestión centralizada de identidades. En la escala de esas identidades, hay que considerar las cifras como orientativas: los estudios de los proveedores para 2025-2026 abarcan ratios de identidades máquina-humano que oscilan aproximadamente entre 45:1 y 500:1, dependiendo del entorno. La conclusión defendible es que las identidades de máquina superan ahora ampliamente en número a las humanas y están creciendo rápidamente —no se trata de una cifra isolada.

Controles internos de los agentes de IA: una lista de verificación rápida. Aplícalos a todos los agentes autónomos y a todas las identidades de máquina:

• Ámbito de privilegios mínimos por agente, en lugar de un acceso general a la cuenta de servicio.
• Intervención humana en caso de acciones con consecuencias graves o irreversibles.
• Registro de auditoría de cada acción autónoma que realiza el agente.
• Aislamiento y segmentación del radio de impacto para contener un agente comprometido.

Gestión de riesgos internos y cumplimiento normativo

La gestión de riesgos internos no se desarrolla en un vacío normativo. La adaptación de un programa a marcos de referencia reconocidos proporciona pruebas a los auditores y da confianza al consejo de administración; además, en el caso de las organizaciones multinacionales, la normativa de la UE añade obligaciones que las guías centradas en EE. UU. suelen pasar por alto.

En el ámbito estadounidense, el programa se ajusta perfectamente al modelo de cuatro pasos de la CISA y a los 19 elementos del NITTF del IRMPE, con una tabla de correspondencias con el Marco de Ciberseguridad (CSF) del NIST y controles del NIST SP 800-53 que abarcan la identificación de activos, las vías de acceso y la eficacia de los controles. Las técnicas relevantes para los ataques internos en MITRE ATT&CK ayudan a los equipos a comprender cómo se abusa del acceso de confianza, lo cual resulta útil porque los usuarios internos ya disponen de credenciales válidas.

Tabla 4 — Tabla de correspondencias entre el marco de riesgo interno y las técnicas. Ámbito: cómo se relacionan los marcos comunes y MITRE ATT&CK con las actividades de gestión del riesgo interno.

El marco de la UE genera una tensión real. El artículo 21 de la NIS2 exige medidas de seguridad de los recursos humanos, políticas de control de acceso y gestión de activos; atribuye responsabilidad personal a los directivos y establece un sistema de notificación de incidentes por fases en 24 horas, 72 horas y un mes, con sanciones de hasta 10 millones de euros o el 2 % de la facturación global para las entidades esenciales (iGDPR, 2024-25). Al mismo tiempo, el artículo 32 del RGPD exige que cualquier supervisión de los empleados respete los principios de minimización de datos y proporcionalidad. El resultado: en la UE, hay que supervisar lo suficiente para cumplir con la NIS2 sin excederse en el marco del RGPD, y esa es precisamente la razón por la que la privacidad desde el diseño debe formar parte de los estatutos del programa. Para un análisis más completo, consulte los recursos Vectra AI sobre cumplimiento normativo y cumplimiento del RGPD.

Una advertencia geográfica sobre las estadísticas: la proporción de actores internos varía considerablemente según la región —EMEA: 29 %, América del Norte: 5 % y APAC: 1 % en el DBIR de 2025 (Verizon, 2025). Evita citar un único porcentaje global de actores internos; en su lugar, cita las cifras regionales.

Enfoques modernos para la gestión del riesgo interno

El mercado está convergiendo hacia una dirección clara. La gestión moderna de riesgos internos se basa en el comportamiento y tiene en cuenta la identidad: correlaciona señales de la red, la identidad y el SaaS en lugar de basarse únicamente en reglas de movimiento de datos, y cubre explícitamente las identidades no humanas. La supervisión de la privacidad desde el diseño y la integración de una amplia gama de herramientas puntuales son ahora imprescindibles, sobre todo porque se considera que los incidentes internos son más difíciles de detectar que los externos (una conclusión orientativa derivada de los proveedores que debe tratarse como contexto, no como una métrica objetiva).

La pregunta más habitual de los compradores es en qué se diferencia la gestión del riesgo interno de otras categorías relacionadas. En resumen: la prevención de la pérdida de datos (DLP) supervisa el movimiento de datos; el análisis del comportamiento de los usuarios detecta anomalías en el comportamiento; un programa contra amenazas internas se centra en los actores maliciosos; y la gestión del riesgo interno es el marco de gobernanza que abarca todos ellos. Por lo tanto, una solución de gestión del riesgo interno no es tanto un producto único como un programa que puede recurrir a varias funcionalidades.

Tabla 5 — Gestión del riesgo interno frente a DLP frente a UEBA frente al programa de amenazas internas. Ámbito: comparación conceptual de cuatro enfoques relacionados, pero distintos, para gestionar la actividad interna.

Para las organizaciones que estén eligiendo un enfoque, el consejo práctico es dar prioridad a la gobernanza, centrarse en la detección de amenazas basada en el comportamiento que abarque todas las identidades, e insistir en la cobertura de las identidades de máquina y el uso de la IA en cuentas no corporativas —los dos puntos ciegos que las herramientas tradicionales pasan por alto—.

Cómo Vectra AI el riesgo interno

Vectra AI de la premisa de que el sistema ya está comprometido: los adversarios inteligentes —y los usuarios descuidados— encontrarán la manera de hacer un uso indebido del acceso de confianza, por lo que la cuestión es cuán rápido se puede detectar. Esto implica tratar cada identidad (ya sea humana, una cuenta de servicio o un agente de IA) como una vía potencial, y detectar las señales de comportamiento indicativas de un uso indebido en cloud de red, de identidad y cloud , en lugar de basarse únicamente en reglas de datos. Attack Signal Intelligence diseñado para separar esa señal real del ruido, de modo que los equipos pequeños puedan actuar en lo que realmente importa.

Tendencias futuras y consideraciones emergentes

El panorama de la ciberseguridad sigue evolucionando rápidamente, y el riesgo interno ocupa un lugar destacado entre los nuevos retos. En los próximos 12 a 24 meses, las organizaciones deben prepararse para una serie de cambios que redefinirán la forma en que se diseñan, evalúan y regulan los programas.

La IA en la sombra pasa a ser una categoría regulada, y deja de ser una simple nota al pie. El análisis del DBIR de Verizon de 2026, basado en 858 440 incidentes de DLP relacionados con la IA, ha elevado la IA en la sombra de la categoría de anécdota a la de una de las principales acciones internas cuantificadas (Verizon, 2026). Cabe esperar que la DLP con reconocimiento de IA y la gobernanza del uso de GenAI se conviertan en componentes estándar de los programas, y que el próximo ciclo de informes refine —y probablemente aumente— estas cifras. Las organizaciones que aún no pueden detectar el uso de IA en cuentas no corporativas en dispositivos gestionados deben considerar esa carencia como una prioridad de inversión a corto plazo.

La gestión de identidades no humanas pasa a ocupar un lugar central. A medida que las identidades de máquinas y los agentes de IA proliferan en proporciones que oscilan, según los informes, entre aproximadamente 45:1 y 500:1, el reto de la gestión pasa de las personas a las identidades que actúan en su nombre. La expectativa razonable es una consolidación en torno al inventario, el alcance y la gestión del ciclo de vida de las identidades no humanas, extendiendo la misma disciplina de privilegios mínimos que zero trust aplicó a las cuentas humanas. Las directrices federales de EE. UU. que tratan a los agentes de IA como personas con acceso privilegiado (CISA, 2025) indican hacia dónde se dirigen las expectativas del sector privado.

La presión normativa se intensifica, especialmente en la UE. Las normas de aplicación de la NIS2 siguen madurando en los Estados miembros a lo largo de 2025 y 2026, y la responsabilidad de los directivos, junto con la obligación de notificar en plazos escalonados de 24 horas, 72 horas y un mes, aumentan la presión sobre las entidades esenciales (iGDPR, 2024-25). Los programas multinacionales deberían invertir ahora en un sistema de supervisión de la privacidad desde el diseño que cumpla con las obligaciones de la NIS2 sin infringir el principio de proporcionalidad del RGPD, un equilibrio que será cada vez más difícil de alcanzar de forma retroactiva.

Para los responsables de seguridad y GRC, la lista de comprobación para la preparación es siempre la misma: realizar un inventario y gestionar las identidades no humanas junto con las humanas, implementar sistemas de supervisión que detecten el uso de la IA generativa, aplicar controles de «privilegios mínimos» y de «anulación manual» a todos los agentes de IA, y ampliar la cobertura de riesgos internos a las autorizaciones OAuth de SaaS. Dada la volatilidad de los datos internos relacionados con la IA, conviene revisar los supuestos del programa aproximadamente cada seis meses, a medida que se publican los nuevos ciclos de informes.

Conclusión

La gestión del riesgo interno ha pasado de ser una cuestión marginal a convertirse en una disciplina de nivel directivo, impulsada por un coste medio anual de 19,5 millones de dólares y un modelo de amenazas que ahora abarca desde empleados descuidados hasta actores maliciosos, pasando por cuentas comprometidas y agentes de IA autónomos. El hilo conductor de esta guía es sencillo: el riesgo interno es mucho más amplio que la amenaza interna, la mayoría negligente es la responsable de la mayor parte del coste, y la gobernanza debe preceder a las herramientas.

Las organizaciones que se sitúen a la cabeza harán tres cosas. Establecerán una responsabilidad interfuncional y la integrarán en el modelo de cuatro pasos de la CISA. Medirán su madurez mediante la autoevaluación gratuita IRMPE y presentarán indicadores clave de rendimiento (KPI) listos para el consejo de administración. Y eliminarán los puntos ciegos de la era de la IA —la IA en la sombra y las identidades no humanas— que las herramientas tradicionales no pueden detectar. La detección basada en el comportamiento y consciente de la identidad en la red, las identidades y cloud lo que convierte un documento de políticas en un programa que realmente reduce el riesgo.

Para profundizar en el subconjunto de amenazas maliciosas, en los análisis de comportamiento que sustentan la detección moderna o en cómo un enfoque basado en la hipótesis de compromiso permite detectar el uso indebido por parte de personas internas, consulta las guías temáticas relacionadas Vectra AI que se incluyen a continuación.

‍