Ivanti Blog: Inteligencia artificial

La realidad imperfecta de la gestión de datos para la IA (y qué hacer al respecto)

Tue, 12 May 2026 16:23:42 Z

Los datos nunca estarán completamente limpios. Es solo cuestión de grado.

Lo asimilé el primer día de mi máster en ciencia de datos, cuando un profesor nos advirtió de que aproximadamente el 80 % de nuestro tiempo se dedicaría al preprocesamiento y la limpieza, no a crear modelos.

Años después, como directora principal de producto de IA, aprendizaje automático y analítica en Ivanti, he comprobado que esa orientación sigue siendo extraordinariamente válida en la práctica.

Mientras mi equipo y yo trabajamos para sacar la IA del laboratorio y llevarla a producción para los equipos de TI y seguridad, la gestión de datos para la IA importa más que nunca. Informe Technology at Work 2025 de Ivanti reveló que el 42 % de los trabajadores de oficina utilizan herramientas de IA generativa en el trabajo, 16 puntos más en un solo año. Entre los profesionales de TI, la adopción alcanzó el 74 %.

El interés existe. También la duda. Muchos responsables de TI saben que sus datos no están limpios, sus sistemas están fragmentados y su gobernanza no está al día. La buena noticia: no necesita datos perfectos para adoptar la IA.

Necesita una estrategia clara de gestión de datos para la IA basada en lo que ya tiene.

Por qué los datos de TI nunca son perfectos

En la TI empresarial, los problemas de calidad de los datos no son anomalías. Son la realidad de base de la IA y la gestión de datos. Los tickets se clasifican de forma incoherente. Los inventarios de activos están incompletos. La información crítica reside en silos repartidos por distintos sistemas. Y el texto no estructurado de los tickets de soporte y las respuestas a encuestas se resiste a una categorización ordenada.

La investigación de Ivanti confirma hasta qué punto llega este problema. Nuestro Informe Autonomous Endpoint Management Advantage 2026 reveló que el 89 % de los profesionales de TI afirman que los datos en silos afectan negativamente a las operaciones, y el 39 % señala que los silos provocan un uso ineficiente de los recursos.

Nuestro Informe Tech at Work cuenta una historia similar:

El 38 % de los profesionales de TI citan la complejidad tecnológica como una barrera significativa para unas operaciones eficaces, cuatro puntos más que el año anterior.
Casi la mitad (46 %) afirma que las nuevas implementaciones de software en realidad aumentan el volumen de tickets en lugar de reducir el ruido.

Si a esto añadimos que el 48 % de las organizaciones sigue ejecutando software al final de su vida útil, la situación queda clara: es un entorno de datos imperfecto por diseño.

Como me explicó David Pickering, director de marketing de producto de Ivanti: cuando los datos tienen formatos distintos según el sistema, se introducen de manera incoherente, están aislados por departamento y se han visto condicionados por años de adquisiciones, los flujos de trabajo de IA agéntica que abarcan esos sistemas pronto se encuentran con problemas. No puede decirle a una IA en qué datos debe confiar si usted mismo no lo sabe. Y sin esa base, incluso las automatizaciones bien diseñadas acabarán fallando por las costuras.

En otras palabras: «si entra basura, sale basura» sigue siendo válido. Pero los datos impecables no van a llegar pronto. Cualquier enfoque serio de la gestión de datos maestros y el aprendizaje automático debe tener en cuenta el desorden, no esperar a que se resuelva por sí solo.

El marco de decisión: elegir su estrategia de gestión de datos

Existen dos vías principales para la gestión de datos para la IA en TI. Ambas son válidas, ambas implican concesiones y muchas organizaciones utilizarán las dos para distintos casos de uso.

Vía 1: limpieza manual/programática

Cuando mi equipo introdujo la clasificación de tickets en el sistema ITSM de Ivanti, estábamos entrenando un modelo para categorizar solicitudes de servicio. Eso exigía datos de entrenamiento limpios y bien etiquetados. Así que incorporamos un paso al flujo de trabajo que daba a los administradores la oportunidad de revisar y limpiar los datos antes de que alimentaran el modelo. Esa revisión humana supuso una diferencia medible en la precisión.

Esta vía funciona mejor cuando se entrena o ajusta un modelo personalizado, se ingieren datos en una base de conocimientos o se trabaja con conjuntos de datos estructurados en los que pueden definirse estándares de calidad. La contrapartida es el tiempo y los recursos. El resultado es una alta precisión y un control total.

También funciona mejor cuando ya existe una higiene de datos básica. Muchas organizaciones aún no han llegado a ese punto: solo el 35 % realiza un seguimiento de la antigüedad del dispositivo o de su ubicación, y solo el 37 % realiza un seguimiento del estado de los parches.

Vía 2: procesamiento con IA generativa

A veces la limpieza manual no es viable. Lo aprendí trabajando en la analítica de encuestas de Ivanti. Las respuestas a encuestas son algunos de los datos más desordenados con los que se encuentra cualquier equipo de TI: texto libre, formatos incoherentes y niveles de detalle muy variables. Limpiarlos manualmente a escala no es realista.

En su lugar, utilizamos grandes modelos de lenguaje para identificar temas, patrones y sentimiento en entradas incompletas y no estructuradas. Podíamos resumir encuestas completas, señalar factores de satisfacción y sacar a la luz información práctica rápidamente.

Esta vía es ideal para datos no estructurados de gran volumen, situaciones en las que la limpieza manual sencillamente no es posible o cualquier escenario en el que el coste de la limpieza supere el valor del resultado. Requiere acceso a grandes modelos de lenguaje capaces y validar que el caso de uso encaja.

Elegir entre las dos estrategias

La decisión depende del volumen y la variedad de los datos, las limitaciones de tiempo, los requisitos de precisión y el nivel de control que necesite sobre dónde van sus datos y cómo se procesan.

¿Está ajustando un modelo en el que la precisión es crítica? Invierta en limpieza. ¿Trabaja con grandes volúmenes de entradas no estructuradas donde la velocidad importa? Apóyese en la IA generativa. El objetivo es elegir de forma deliberada, no quedarse inmóvil porque los datos no sean perfectos.

Crear una infraestructura preparada para la IA para la gestión de datos

Los servicios en la nube son esenciales en este punto, y no lo digo a la ligera. Cuando mi equipo creó una puntuación de experiencia digital para medir, cuantificar y mejorar la experiencia digital de los empleados, la nube fue el habilitador crítico. Actuó como nuestro centro de integración, reuniendo tickets de servicio, telemetría de dispositivos, rendimiento de aplicaciones y señales de seguridad.

Ese nivel de integración de múltiples fuentes no es viable a escala sin infraestructura en la nube. La nube también nos permitió ejecutar un modelo de IA híbrido que procesa simultáneamente texto y telemetría numérica. Dar soporte a miles de dispositivos y usuarios con ese nivel de complejidad no es viable en instalaciones locales.

Más allá de la computación, una infraestructura preparada para la IA implica abordar la gestión de datos maestros para el aprendizaje automático. Las organizaciones necesitan una única fuente de verdad en todos sus sistemas. Los formatos de datos deben estandarizarse, especialmente cuando el crecimiento mediante adquisiciones introduce plataformas heredadas con convenciones diferentes.

La gobernanza de datos complica aún más el panorama. Normativas como el RGPD y la CCPA imponen requisitos estrictos sobre cómo se procesan los datos personales y dónde pueden transmitirse. Para las organizaciones globales, eso significa que los pipelines de IA deben tener en cuenta las diferencias jurisdiccionales regionales, especialmente al evaluar si utilizar servicios de IA externos o mantener el procesamiento internamente.

Nuestra investigación sobre Autonomous Endpoint Management reveló que solo el 32 % de los profesionales de TI utilizan un sistema de gestión unificada de endpoints. Sin una visibilidad consolidada, la IA y la automatización no pueden alcanzar todo su potencial. La gestión eficaz de datos para la IA empieza por la visibilidad: no puede automatizar lo que no puede ver.

Buenas prácticas para equipos de TI que implementan IA

En lo que respecta a la gestión de datos para la IA, adoptar herramientas sin desarrollar los procesos que las respalden es uno de los errores más comunes que veo.

Establecer prácticas de gestión del conocimiento

La plataforma ITSM de Ivanti utiliza IA para generar artículos de conocimiento a partir de tickets anteriores y resoluciones de incidentes. La mejora de productividad es real. Pero no elimina la necesidad de disciplina de gestión.

Los artículos siguen requiriendo cadencias de revisión y aprobación, control de versiones y una propiedad clara.

A pesar de que el 86 % de los profesionales de TI está de acuerdo en que la IA es importante para unas operaciones eficientes, menos de la mitad la utiliza en escenarios de alto valor como el mantenimiento predictivo o la respuesta automatizada a incidentes. La brecha en la IA y la gestión de datos no es tecnológica. Es de madurez de procesos.

Validación y gobernanza

La validación es tan importante en el lado de la salida como la calidad de los datos en el lado de la entrada. Los resultados generados por IA deben comprobarse, especialmente a medida que las organizaciones avanzan hacia la IA agéntica, en la que los sistemas autónomos actúan sobre decisiones en tiempo real. La cuestión no es solo si los datos que vuelven parecen correctos. Es si el sistema está tomando las acciones adecuadas.

Medir el rendimiento de la IA también importa: con qué frecuencia se utiliza, qué precisión tiene y dónde falla. Informe State of Cybersecurity 2026 de Ivanti reveló que el 92 % de los profesionales de seguridad afirman que la automatización reduce de forma eficaz el tiempo medio de respuesta. Sin embargo, esa eficacia depende de una supervisión y un ajuste continuos.

Usar la IA como catalizador de mejores prácticas de datos

La IA no se limita a consumir buenas prácticas de datos. Las impulsa. Al reducir las barreras para la creación y el análisis de contenido, la IA libera a los equipos para crear los marcos de gobernanza que habían pospuesto. Cuando generar un artículo de conocimiento lleva minutos en lugar de horas, el equipo puede invertir ese tiempo en flujos de aprobación y aseguramiento de la calidad.

Esto resulta especialmente valioso cuando los técnicos júnior reciben orientación de IA en tiempo real, lo que les permite contribuir a un nivel superior mientras el personal sénior se centra en la estrategia.

Nuestro Informe Autonomous Endpoint Management Advantage reveló que el 62 % de los profesionales de TI se sienten desbordados por las operaciones del día a día, y uno de cada cuatro afirma que un compañero ha dimitido debido al agotamiento. La IA que amplía la experiencia humana ayuda a los equipos a escalar sin ese coste.

El camino no siempre está claro, pero la estrategia sí puede estarlo

Los datos perfectos son un mito. Eso no debería detenerle.

Limpieza manual para casos de uso estructurados y de alta precisión. IA generativa para escenarios no estructurados y de gran volumen. Ambos requieren una inversión deliberada en infraestructura en la nube, gobernanza y desarrollo de procesos.

A medida que los modelos de IA sigan evolucionando e incorporen no solo reconocimiento estadístico de patrones, sino también reglas explícitas y razonamiento estructurado, la barrera para una gestión de datos preparada para la IA seguirá reduciéndose. Las organizaciones que actúen ahora, con una visión clara de las imperfecciones de sus datos y equipadas con una estrategia para gestionarlas, capturarán el mayor valor.

Estamos en un apocalipsis de los parches. Eso significa que estas tres excusas de TI ya no sirven.

Wed, 29 Apr 2026 14:00:07 Z

El 7 de abril, Anthropic anunció que su modelo Claude Mythos Preview había identificado de forma autónoma miles de vulnerabilidades zero-day de gravedad alta y crítica en todos los principales sistemas operativos y navegadores web. Más del 99 % de ellas seguían sin parchear el día de su divulgación.

Dos semanas después, el 21 de abril, Mozilla afirmó que había utilizado el mismo modelo para encontrar y parchear 271 vulnerabilidades en la versión más reciente de Firefox. La propia evaluación de Mozilla: «Hasta ahora no hemos encontrado ninguna categoría ni complejidad de vulnerabilidad que los humanos puedan encontrar y este modelo no».

271 es la primera oleada. Chrome, Edge, Windows, macOS, Linux, FreeBSD: el fallo de ejecución remota de código de 17 años de antigüedad en FreeBSD que divulgó el equipo rojo de Anthropic (CVE-2026-4747) es un ejemplo temprano de lo que está por venir. Todos los proveedores bajo el paraguas del Project Glasswing de Anthropic están en disposición de publicar correcciones a un ritmo que el sector no había visto antes. Todas esas correcciones se convierten en CVE públicas con parches disponibles, que acaban en el mismo lugar: su entorno.

La historia de la contención también presenta una grieta. El 21 de abril, Bloomberg informó de que un grupo vinculado a Discord obtuvo acceso no autorizado a Mythos a través del entorno de un proveedor externo. Anthropic afirma que la actividad no fue más allá de ese proveedor. Independientemente de que una capacidad similar esté ya en manos de atacantes o no, el margen defensivo es más corto de lo que sugería el anuncio del 7 de abril.

Mythos llegó a un mundo que ya avanzaba en esa dirección. El informe Global Threat Report 2026 de CrowdStrike documentó un aumento interanual del 89 % en los ataques habilitados por IA en 2025. Esa tendencia es anterior a Mythos.

Llamémoslo apocalipsis de los parches. Un apocalipsis operativo en sentido estricto, en el que el volumen y la cadencia de CVE públicas con parches disponibles están a punto de superar la forma en que trabajan actualmente la mayoría de los equipos de TI y seguridad.

NIST ya está notando los efectos del apocalipsis de los parches. En abril, la agencia anunció un cambio importante en las operaciones de la National Vulnerability Database (NVD) en respuesta a un aumento del 263 % en las solicitudes. NIST dejará de proporcionar enriquecimiento detallado para todas las vulnerabilidades enviadas y, en su lugar, solo lo hará para las vulnerabilidades que cumplan criterios de alto riesgo, como las incluidas en el catálogo Known Exploited Vulnerabilities de CISA o las que afecten a software gubernamental crítico. NIST se apoyará en las CVE Numbering Authorities (CNA), como Ivanti, en lugar de realizar su propia evaluación independiente.

Desde el anuncio, he escuchado tres versiones de la misma respuesta por parte de clientes y colegas. Las tres son variaciones de un programa diseñado para un mundo que avanzaba más despacio.

«Tenemos un escáner de vulnerabilidades»

Qualys, Rapid7 y Tenable realizan bien el descubrimiento de vulnerabilidades. Los escáneres encuentran, señalan, puntúan y enumeran. El despliegue, la verificación, la gestión de reinicios y la reversión quedan fuera de su alcance. Ese trabajo sigue teniendo que realizarse en algún lugar. En la mayoría de los programas, se lleva a cabo en una herramienta distinta, con un equipo distinto y a una cadencia distinta.

Con la ventana de explotación reducida ahora a horas y la cola de Glasswing a punto de duplicar el backlog, un escáner que genera 587 vulnerabilidades críticas y entrega la lista a un equipo humano es un lastre. La medida práctica es conectar el escáner que ya tiene a un motor de remediación que pueda actuar automáticamente sobre sus hallazgos. Una plataforma de gestión autónoma de endpoints (AEM), con despliegue por anillos y reversión, e inteligencia de vulnerabilidades para aportar contexto basado en el riesgo a decisiones de remediación eficientes, de modo que la lista se reduzca sin que una persona tenga que tomar cada decisión.

«Gestionamos las aprobaciones a través de nuestro sistema de tickets»

Hablando de personas que tienen que tomar decisiones… Los procesos de aprobación largos y lineales van a ralentizar considerablemente el proceso de remediación. ¿Cuándo fue la última vez que tuvo que decidir si iba a desplegar la última actualización del sistema operativo o del navegador?

Las organizaciones ya saben que van a desplegar estas actualizaciones. A menudo, el proceso de aprobación se debe a políticas internas complejas y a una falta de alineación en torno a los resultados de seguridad. ¿El resultado? Un proceso muy lineal que requiere el escáner de vulnerabilidades mencionado anteriormente, un analista que apruebe lo que ya se sabe que debe hacerse, tickets enviados a los responsables de negocio para su aprobación y acumulados en bandejas de entrada a la espera de aprobación y, en última instancia, tiempo valioso desperdiciado en una decisión que, en esencia, ya estaba bien entendida y no era necesario tomar.

El cambio del mercado hacia la gestión de la exposición aborda este proceso de forma muy distinta, centrándose en definir el apetito de riesgo de una organización y supervisar su postura de riesgo. La próxima vez que se publique una actualización del sistema operativo Windows, ya sabrá que la desplegará, el calendario en que lo hará y los SLA y métricas de cumplimiento con los que medirá el éxito. Lo que realmente quiere saber es:

1. ¿Debemos avanzar más rápido porque la actualización incluye vulnerabilidades explotadas conocidas?

2. ¿La actualización está afectando a las operaciones y debemos ralentizar el ritmo (afortunadamente, la plataforma de gestión autónoma de endpoints incluye despliegue por anillos con reversión)?

«Tenemos Intune»

Microsoft Intune tiene dos límites de alcance que importan en este contexto.

En primer lugar, solo gestiona los dispositivos inscritos en él. Los endpoints no inscritos y no gestionados —servidores, portátiles de contratistas, TI en la sombra, dispositivos perimetrales desatendidos— quedan completamente fuera de su visibilidad. Durante periodos de mayor volumen de vulnerabilidades, esos puntos ciegos se multiplican más rápido de lo que los equipos pueden gestionar manualmente.

En segundo lugar, aunque Intune simplifica el despliegue y las actualizaciones de aplicaciones, su cobertura de aplicaciones de terceros y su profundidad de priorización son más limitadas de lo que la mayoría de los administradores cree. Intune puede indicarle qué está desactualizado, pero no qué aumenta realmente su exposición––lo que obliga a los equipos a parchearlo todo de forma reactiva o a basarse en conjeturas cuando el tiempo escasea.

La mayoría de los entornos empresariales no son exclusivamente Windows, no están plenamente inscritos ni ejecutan una pila de aplicaciones pequeña y homogénea. Cuando se disparan las divulgaciones de vulnerabilidades, canalizar así la aplicación de parches deja brechas y se convierte en un riesgo sistémico.

Mantenga Intune. Combínelo con una capa de descubrimiento y remediación que encuentre los activos que Intune no puede ver, priorice las vulnerabilidades más importantes y aplique parches con confianza en las aplicaciones que Intune no cubre.

Qué hacer al respecto

La automatización es el modelo operativo. Debe estar integrada en el flujo de trabajo.

Los profesionales conocen el principio desde hace tiempo. Se manifiesta en tres ámbitos:

Triaje continuo. Las vulnerabilidades explotadas conocidas pueden seguir una vía de respuesta a zero-days, especialmente en las partes menos seguras de la organización, como los sistemas de usuario final. Además, establezca y defina aplicaciones concretas, como navegadores y aplicaciones de telecomunicaciones, para que se actualicen por una vía prioritaria que se revise semanalmente o incluso a diario. Todo lo demás puede esperar a la ventana de mantenimiento habitual.
Despliegue por anillos con reversión automatizada. Anillo de pruebas, anillo de primeros usuarios, producción amplia, misión crítica. La secuencia es poco llamativa, pero funciona para la mayoría de las tareas de mantenimiento. Lo que ha cambiado es que determinadas actualizaciones tendrán que comprimirse para ajustarse a la ventana de explotación, en lugar de esperar al mantenimiento mensual. El anillo de pruebas debe estar automatizado e instrumentado; una lista de comprobación manual no puede moverse a esa velocidad.
Verificación de ciclo cerrado. El parche no se considera desplegado hasta que se verifica su instalación en el endpoint, y la CVE no se cierra hasta que un nuevo análisis lo confirma. La mayoría de los equipos se saltan ese paso, por eso las evidencias de cumplimiento se convierten en una urgencia la semana anterior a la auditoría. Por eso esta semana hemos lanzado el cumplimiento continuo en nuestra plataforma: para que las evidencias de cumplimiento se generen de forma continua y automática a medida que se despliegan los parches, con la automatización encargándose de las decisiones de priorización para las que la mayoría de los equipos no tiene capacidad.

Las 271 vulnerabilidades de Firefox de Mozilla son un anticipo. Todos los grandes proveedores de software bajo Glasswing están a punto de empezar a corregir más vulnerabilidades y a un ritmo acelerado, y los atacantes con la misma clase de capacidad buscarán exactamente esas brechas siempre que obtengan acceso a un modelo similar. La carrera armamentística de IA resultante tendrá un efecto directo en el número y la frecuencia de las actualizaciones que las organizaciones tendrán que remediar, y a un ritmo acelerado. La automatización es lo que permite sostener un programa. A los equipos que todavía se limitan a aplicar parches mensualmente les espera una etapa complicada.

Si dirige un programa de TI o seguridad, merece la pena realizar la autoevaluación ahora. Tome el último parche crítico que desplegó. Mejor aún: si se publicara un zero-day un viernes, ¿podría remediarlo antes del lunes? Mida el tiempo desde la publicación de la CVE hasta la instalación verificada en el último endpoint. Si esa cifra se mide en semanas, el apocalipsis de los parches va a alcanzarle.

Ivanti lanza IA agentiva basada en el sistema de registro en el que confía

Mon, 20 Apr 2026 22:00:02 Z

Los inversores y las empresas por fin se plantean la pregunta que venían evitando: ¿qué compañías de software sobrevivirán a la revolución de la IA y cuáles quedarán obsoletas por ella? La respuesta empieza a estar clara. Las empresas que actúan como sistema de registro, la fuente autorizada de verdad de la que depende la propia IA, son esenciales.

Hoy, Ivanti anuncia el lanzamiento controlado de Ivanti Neurons AI Self-Service Agent, nuestra primera solución de IA autónoma. Partimos de una posición de fortaleza estratégica e introducimos esta nueva solución inicialmente dentro de nuestro marco de gestión de servicios de TI (ITSM), sobre la base de nuestra larga trayectoria en automatización inteligente mediante flujos de trabajo integrados, nuestra infraestructura de bots Neurons, herramientas de IA generativa y, ahora, un agente autónomo plenamente conversacional.

Construir la base para escalar la IA

No faltan debates sobre lo que la IA llegará a hacer, pero ese potencial no significa nada sin una base sólida que lo sustente.

Operacionalizar la IA autónoma y escalar su impacto en toda una organización requiere cinco capacidades fundamentales.

Saber qué existe: la IA debe operar con datos de descubrimiento precisos, no con suposiciones. Sin visibilidad en tiempo real de dispositivos, usuarios, configuraciones y dependencias, las acciones autónomas se vuelven peligrosas.
Mantener la memoria institucional: la IA necesita un contexto duradero que sobreviva al cambio organizativo. Las relaciones, el historial y las dependencias deben preservarse en un sistema de registro.
Asumir la responsabilidad: cada acción autónoma necesita una propiedad clara y una trazabilidad de las decisiones. Cuando la IA actúa en nombre de la organización, alguien debe rendir cuentas.
Aplicar las políticas: la IA debe distinguir entre lo que es técnicamente posible y lo que la organización permite. La optimización sin gobernanza genera riesgos de cumplimiento.
Garantizar la auditabilidad: cada acción o decisión tomada mediante IA debe ser trazable, explicable y defendible en una auditoría.

No se trata de una limitación de ningún modelo, sino de la naturaleza de cómo funciona la IA. La IA es potente, pero opera sobre datos. Y si esos datos están fragmentados, son imprecisos o carecen de gobernanza, la IA que se construya sobre ellos también lo estará.

Esto es precisamente lo que la Ivanti Neurons Platform se creó para proporcionar. Nuestra Neurons Platform actúa como un sólido sistema de registro y panel de control para las operaciones de TI y seguridad. Nuestro Discovery Engine establece la verdad de referencia. Nuestra CMDB preserva relaciones, dependencias e historial de cambios. Nuestras capacidades de Gestión de activos de TI (ITAM) asignan propiedad, ciclo de vida y responsabilidad. Nuestro Software Estate Management aplica lo que está permitido frente a lo que simplemente se ha detectado.

Esto es más que arquitectura de producto. Es la base que su organización necesita para operar de forma segura e inteligente.

El camino hacia la prestación autónoma de servicios

La IA agentiva no se creó de la noche a la mañana. En Ivanti, hemos avanzado hacia este objetivo de forma deliberada, con un enfoque constante en la confianza, la gobernanza y la repetibilidad.

Nuestro camino hacia la prestación autónoma de servicios ha sido estratégico e intencionado.

Automatización tradicional: estableció flujos de trabajo basados en reglas que ejecutan tareas predefinidas de forma secuencial.

IA cognitiva: incorporó inteligencia mediante bots, aprendizaje automático y analítica predictiva, ayudando a TI a pasar de un enfoque reactivo a uno proactivo.

IA generativa: introdujo grandes modelos lingüísticos e interacción en lenguaje natural.

IA conversacional: profundizó las interacciones al añadir reconocimiento de intención, detección de sentimiento y barreras de seguridad, transformando la IA de una herramienta en un colaborador interactivo.

Y ahora, agentes autónomos que no solo responden, sino que orquestan acciones entre sistemas mientras mantienen la gobernanza en cada paso.

Cada etapa se construyó sobre la anterior. Y cada etapa aportó valor empresarial real solo porque se basaba en datos precisos, gobernanza y responsabilidad. Esa base es lo que hace posible el anuncio de hoy.

Presentamos Ivanti Neurons AI Self-Service Agent

El problema es conocido por cualquier responsable de TI: los empleados tienen dificultades para encontrar respuestas dispersas en sistemas de conocimiento desconectados. Los tickets básicos saturan el service desk. Los usuarios abandonan portales confusos por frustración. Los equipos de TI quedan atrapados en una cinta continua de tickets, realizando trabajo repetitivo en lugar de proyectos estratégicos que realmente impulsan el negocio. Los portales tradicionales de autoservicio no han resuelto este problema. Son rígidos, frustrantes y, a menudo, crean más problemas de los que solucionan.

Ivanti Neurons AI Self-Service Agent es diferente. Todos hemos visto chatbots, pero esto es otra cosa. Es un verdadero agente de IA conversacional. Conversa, investiga, resuelve y escala solo cuando es necesario. La primera versión se centra en la búsqueda inteligente de conocimiento, la escalación de incidentes y la capacidad de solicitar algo a TI mediante lenguaje natural. Resulta tan sencillo como enviar un mensaje a un amigo.

Esta versión inicial ofrece tres capacidades ejecutadas de forma excepcional: búsqueda inteligente de conocimiento, escalación de incidentes cuando el conocimiento no es suficiente y la posibilidad de solicitar servicios desde un catálogo sin la complejidad de los formularios de los portales de autoservicio.

Sabemos que el tiempo, la rapidez y la precisión no son negociables en la era digital, y hemos creado estas capacidades teniendo esto presente. AI Self-Service Agent interactúa mediante conversación natural, formula las preguntas adecuadas, consulta fuentes internas y externas aprobadas, y muestra respuestas verificadas. Si este proceso por sí solo no resuelve el problema, el agente escala y captura un incidente estructurado a partir de la conversación sin exigir al usuario que repita su solicitud, garantizando una experiencia de usuario sin fricciones.

Esta solución está construida sobre un marco de IA diseñado para crecer con ella a medida que ejecutamos nuestra visión completa de la gestión autónoma de endpoints.

Impulsar resultados reales y medibles en lo que más importa

Este lanzamiento impulsa directamente resultados estratégicos para nuestros clientes: mejora de la productividad de TI, mejora de la experiencia digital del empleado y unión de equipos y funciones de negocio en una única plataforma unificada. Así se traduce en la práctica:

Para el negocio, esto significa ganancias de productividad medibles, menor coste por ticket y una TI que actúa como motor de resultados estratégicos, en lugar de como un cuello de botella operativo.

La autonomía requiere una base en la que pueda confiar

Lo que hace que nuestro enfoque de la IA autónoma sea fiable y alcanzable es que AI Self-Service Agent está construido sobre un sistema de registro como parte de la Ivanti Neurons Platform. Esto garantiza que:

Nuestra IA agentiva no improvisa (es decir, no alucina). Opera a partir de datos de descubrimiento precisos, información de activos validada y flujos de trabajo gobernados.
Sabe qué dispositivos existen, quién es su propietario, qué software está permitido y qué políticas se aplican.
Mantiene un estado duradero y aplica la responsabilidad en cada acción que realiza.

El modelo operativo es sencillo, pero potente: detectar continuamente los problemas antes de que afecten a los usuarios. Decidir utilizando datos fiables del sistema de registro. Actuar mediante automatización gobernada dentro de límites definidos.

Esta es la diferencia entre una IA que genera respuestas y una IA en la que las organizaciones pueden confiar en producción, a escala empresarial.

El futuro que estamos construyendo

Este lanzamiento es tanto un hito como una base para lo que viene. Estamos creando capacidades autónomas sobre el sistema de registro del que depende la propia IA. Eso hace que nuestra plataforma sea más resiliente, que nuestras relaciones con los clientes sean más duraderas y que el valor que aportamos se fortalezca con el tiempo.

El futuro de TI es anticipatorio, autónomo y estratégico. Los responsables de TI no son simples gestores reactivos de tickets. Son orquestadores de infraestructuras inteligentes y autorreparables. Los agentes autónomos se encargan de lo rutinario, aprenden continuamente y escalan lo complejo a expertos humanos, todo ello dentro de barreras de gobernanza que el sistema de registro aplica.

Hemos dedicado años a construir hasta llegar a este momento. Estoy orgulloso de lo que nuestro equipo ha conseguido, y aún más ilusionado por lo que viene a continuación.

Del inventario a la inteligencia: cómo la IA y la automatización mejoran la visibilidad de los endpoints

Fri, 03 Apr 2026 13:00:09 Z

La visibilidad de los endpoints siempre ha sido fundamental para TI y seguridad. No se puede proteger, aplicar parches ni dar soporte a lo que no se ve.

Pero, a medida que los entornos se han vuelto más distribuidos y complejos, también ha evolucionado lo que significa la visibilidad. Ya no basta con saber que un dispositivo existe: los equipos de TI y las organizaciones en su conjunto necesitan comprender su estado, su postura de riesgo y su impacto tanto en la seguridad como en la experiencia del usuario.

Aquí es donde la IA y la automatización de endpoints empiezan a marcar una diferencia práctica. Al llevar la visibilidad de los endpoints del inventario estático a la inteligencia continua, las organizaciones pueden pasar del descubrimiento reactivo a operaciones proactivas e incluso autónomas.

Por qué las prácticas tradicionales de descubrimiento se quedan cortas

Las prácticas tradicionales de descubrimiento se diseñaron para una realidad de TI muy distinta. Su enfoque está concebido para entornos relativamente estáticos, perímetros claramente definidos y procesos manuales. Esa estrategia no escala bien en el mundo híbrido y centrado en la nube actual.

Los flujos de trabajo de descubrimiento manual suelen generar inventarios incompletos o desactualizados. El Autonomous Endpoint Management Advantage Report 2026 de Ivanti refuerza esta realidad: solo el 52 % de las organizaciones afirma utilizar hoy una solución de gestión de endpoints, lo que deja a muchos entornos con una visibilidad centralizada limitada y puntos ciegos persistentes en dispositivos no gestionados o en la TI en la sombra.

En la práctica, esta fragmentación aparece de formas muy habituales. Los equipos suelen gestionar varios inventarios a la vez: uno procedente de una herramienta de gestión de clientes local, otro de una plataforma MDM y otro de sistemas de identidad o acceso, lo que deja brechas que se amplían a medida que los entornos se vuelven más complejos.

Retos habituales en el descubrimiento manual de dispositivos

El descubrimiento manual depende en gran medida de la intervención humana, lo que introduce incoherencias y errores. A medida que los entornos se vuelven más distribuidos, estos procesos tienen dificultades para evolucionar con ellos, lo que complica mantener inventarios precisos cuando se añaden, reasignan o acceden remotamente a los dispositivos. Conciliar cambios en grandes parques se vuelve lento y frágil, y aumenta la probabilidad de que algunos dispositivos desaparezcan por completo del radar.

Con el tiempo, estas limitaciones se agravan. El descubrimiento pasa a ser episódico en lugar de continuo, y la visibilidad va por detrás de la realidad. Para cuando se concilian los inventarios, el entorno ya ha cambiado.

Brechas de visibilidad y riesgos de seguridad

Estas brechas no son teóricas. La investigación de Ivanti muestra que muchas organizaciones siguen teniendo dificultades con la visibilidad de los endpoints básica incluso después de desplegar varias herramientas de gestión. Los datos de endpoints existen en escáneres, plataformas MDM y sistemas de acceso, pero rara vez están centralizados, se actualizan de forma continua o son de confianza para todos los equipos. Como resultado, la TI en la sombra, los dispositivos no gestionados y las rutas de acceso desconocidas siguen siendo fuentes persistentes de riesgo de seguridad y cumplimiento.

Los puntos ciegos generan un riesgo real. Muchas organizaciones tienen dificultades para identificar qué dispositivos son vulnerables o incluso cuáles acceden activamente a sus entornos.

Cuando los equipos no pueden comprender de forma fiable la exposición de los dispositivos o los patrones de acceso, las decisiones de seguridad se toman con datos incompletos o desactualizados, lo que aumenta el riesgo y retrasa la remediación. De hecho, el informe de Ivanti mencionado anteriormente destaca lo habituales que son estos puntos ciegos:

El 45 % de las organizaciones indica que tiene dificultades para identificar la TI en la sombra
El 41 % tiene dificultades para identificar vulnerabilidades en todos los dispositivos
El 35 % afirma que los puntos ciegos en los datos dificultan determinar el cumplimiento de parches.

Descubrimiento de dispositivos frente a supervisión del estado de los dispositivos

El descubrimiento es solo el primer paso. Saber que un dispositivo existe no indica si es seguro, cumple las normas o incluso funciona correctamente. Ahí es donde la supervisión del estado del dispositivo se vuelve crítica.

El descubrimiento indica qué está presente. La supervisión del estado añade el contexto que realmente importa, desde el rendimiento y la desviación de la configuración hasta la postura general de seguridad. La investigación del informe Securing the Borderless Digital Landscape 2025 de Ivanti subraya lo significativas que siguen siendo estas brechas de visibilidad: dos de cada cinco profesionales de TI (38 %) afirman que carecen de datos suficientes sobre los dispositivos que acceden a la red, y el 45 % indica que tiene una visibilidad insuficiente de la TI en la sombra.

El BYOD y los dispositivos perimetrales, en especial, son motivo de preocupación. Pueden estar conectados y seguir suponiendo un riesgo significativo. Pueden carecer de parches críticos, ejecutar software obsoleto, desviarse de los estándares de configuración o sufrir problemas de rendimiento que afectan a los usuarios.

Los datos de presencia responden a la pregunta: «¿Está ahí?». Los datos de estado responden: «¿Es seguro, cumple las normas y se puede utilizar?». Sin información sobre el estado, las organizaciones gestionan los endpoints prácticamente a ciegas.

Indicadores clave del estado de los endpoints

Para gestionar los endpoints de forma proactiva, las organizaciones necesitan visibilidad continua de los indicadores clave de estado.

Esto incluye:

Versiones del sistema operativo y de las aplicaciones
Estado de parches y antivirus
Desviación de la configuración
Postura general de seguridad

Las señales de experiencia del usuario, como bloqueos, latencia y degradación del rendimiento, también proporcionan indicios tempranos de que algo no va bien.

Las plataformas modernas unifican estas señales en una sola vista, lo que permite a los equipos de TI y seguridad comprender no solo qué dispositivos existen, sino cómo funcionan y dónde está surgiendo el riesgo.

El riesgo de hacer seguimiento solo de la presencia de dispositivos

Cuando las organizaciones se centran únicamente en la presencia de dispositivos, se exponen tanto a riesgos de seguridad como operativos. La visibilidad sin contexto provoca una detección tardía, requisitos de cumplimiento incumplidos y una gestión reactiva.

Impactos negativos en la seguridad y el cumplimiento

Hacer seguimiento solo de la presencia aumenta la probabilidad de que el malware, las configuraciones incorrectas o las infracciones de políticas pasen desapercibidas. Los dispositivos que no están inscritos en la gestión o que no cumplen las normas pueden seguir accediendo a recursos sensibles, lo que crea brechas en la aplicación de controles. Cuando las decisiones de acceso no están vinculadas al estado del dispositivo, la aplicación de controles se vuelve incoherente por defecto.

Una visibilidad, acceso y seguridad sólidos de los endpoints garantizan que solo los dispositivos gestionados y conformes puedan acceder a sistemas y datos sensibles.

Vincular el acceso al estado de gestión y cumplimiento es fundamental. El acceso condicional, la VPN y los controles de confianza cero solo son eficaces cuando la visibilidad y la inscripción se aplican de forma coherente en todos los endpoints.

La gestión de parches es una de las áreas en las que la visibilidad limitada genera mayor presión operativa. Nuestra investigación sobre TI y seguridad muestra que muchos equipos de TI tienen dificultades para hacer seguimiento del estado de los parches en todo su parque de endpoints y para mantener el cumplimiento a medida que los entornos se vuelven más distribuidos. Por ejemplo, entre las personas encuestadas,

el 38 % de los profesionales de TI y seguridad afirma que tiene dificultades para hacer seguimiento del estado y los despliegues de parches.
El 35 % de los equipos tiene dificultades para mantener el cumplimiento.

Estos retos no se deben únicamente a la disponibilidad de parches. Surgen de brechas de visibilidad sobre el estado del dispositivo, la propiedad y la exposición real, lo que dificulta priorizar y verificar la remediación.

Ineficiencias operativas

Desde una perspectiva operativa, la visibilidad limitada genera ineficiencia. Los equipos de TI dedican tiempo a resolver problemas que la automatización podría solucionar, a localizar dispositivos que deberían haberse descubierto automáticamente y a reaccionar ante incidentes en lugar de prevenirlos.

Sin datos de estado, los equipos se ven obligados a trabajar en modo reactivo, respondiendo a los problemas después de que afecten a los usuarios en lugar de abordarlos de forma proactiva.

Aquí es exactamente donde la IA y la automatización pueden empezar a cambiar la situación.

Cómo la IA y la automatización de endpoints mejoran la visibilidad de los endpoints

La IA y la automatización convierten la visibilidad de los endpoints de un ejercicio puntual de descubrimiento en una capacidad continua y autosostenida. Permiten a los equipos unificar datos, detectar anomalías y mantener inventarios precisos sin esfuerzo manual.

Telemetría unificada en múltiples fuentes

Las plataformas modernas de gestión de endpoints con capacidades de IA y automatización consolidan la telemetría procedente de herramientas de descubrimiento, UEM, MDM, aplicación de parches, vulnerabilidades y seguridad en una vista unificada y actualizada de forma continua. Esta telemetría unificada elimina la necesidad de conciliar inventarios aislados y proporciona una vista compartida y fiable tanto para TI como para seguridad.

Al normalizar los datos en dispositivos de escritorio, móviles, servidores e IoT, las organizaciones obtienen una visibilidad integral que facilita una toma de decisiones más rápida y segura.

Nuestra investigación sobre gestión autónoma de endpoints (AEM) también muestra que las organizaciones avanzan más cuando la visibilidad de los endpoints se trata como un objetivo compartido. Los equipos que realizan seguimiento de métricas como el tiempo hasta el descubrimiento, el porcentaje de endpoints plenamente gestionados y la duración de la exposición mediante paneles compartidos están mejor preparados para alinear a TI y seguridad en torno a los mismos datos. Esta visibilidad compartida transforma la gestión de endpoints de informes aislados en un proceso coordinado y basado en datos.

Automatización con IA y bots autónomos

La automatización desempeña un papel fundamental para mantener la visibilidad actualizada. Los bots con IA pueden redescubrir dispositivos automáticamente, conciliar duplicados, actualizar la propiedad y la ubicación, y detectar anomalías en todo el entorno.

Cuando los agentes dejan de informar o los perfiles fallan, los flujos de trabajo automatizados pueden repararlos o reinstalarlos sin intervención humana. Esto garantiza que la visibilidad no se degrade con el tiempo y reduce la carga operativa de los equipos de TI.

Flujos de trabajo de autorrecuperación para la productividad de TI

Los flujos de trabajo de autorrecuperación llevan la automatización al propio endpoint. Problemas habituales como actualizaciones fallidas, servicios detenidos o desviaciones de configuración pueden detectarse y resolverse automáticamente, a menudo antes de que los usuarios perciban el problema.

La automatización de endpoints permite que estos flujos de trabajo de autorrecuperación funcionen continuamente en segundo plano, resolviendo problemas habituales sin esperar a la intervención humana.

Al resolver estos problemas sin tickets, las organizaciones reducen el tiempo de inactividad, mejoran la experiencia del usuario y liberan al personal de TI para que se centre en iniciativas de mayor valor. De hecho, más de dos tercios de los equipos de TI creen hoy que la IA y la automatización en ITSM les permitirán ofrecer mejores experiencias de servicio y disponer de más tiempo para apoyar los objetivos empresariales.

Impacto más amplio en la seguridad, la productividad y la experiencia del usuario

Cuando la IA y la automatización se integran en la visibilidad de los endpoints, los beneficios van más allá de las operaciones de TI. La postura de seguridad mejora, los usuarios experimentan menos interrupciones y la productividad aumenta.

Al combinar la visibilidad y el control de los endpoints, las organizaciones pueden reducir el riesgo sin dejar de respaldar la productividad y los modelos operativos flexibles.

Cerrar brechas de visibilidad

La información basada en IA elimina los puntos ciegos al supervisar continuamente la actividad y el estado de los endpoints. En lugar de depender de análisis periódicos o comprobaciones manuales, las organizaciones mantienen conocimiento en tiempo real de su entorno de endpoints.

Esta visibilidad continua transforma la gestión de endpoints de un proyecto de inventario estático en una capacidad viva y dinámica que se adapta a medida que cambia el entorno.

Mejorar las operaciones de TI y la satisfacción del usuario final

La automatización reduce el volumen de tickets y acelera los tiempos de resolución, mientras que la analítica predictiva ayuda a prevenir tiempos de inactividad antes de que afecten a los usuarios. Los despliegues por anillos, las ventanas de mantenimiento y los catálogos de autoservicio permiten implementar cambios con una interrupción mínima.

Cuando los usuarios reciben soporte más rápido y sufren menos interrupciones, disminuye la resistencia a la gestión de endpoints y mejora la adopción. Con el tiempo, esto crea un ciclo de retroalimentación más saludable en el que la visibilidad, la automatización y la experiencia del usuario se refuerzan entre sí en lugar de competir.

Aquí es donde la gestión autónoma de endpoints lleva a las organizaciones al siguiente nivel. La visibilidad pasa a ser continua en lugar de episódica. La automatización mantiene los inventarios precisos, las señales de estado actualizadas y el riesgo visible en tiempo real.

Con datos compartidos y una propiedad clara, los equipos de TI y seguridad dejan de reaccionar a los problemas a posteriori y empiezan a gestionar los endpoints de forma proactiva. Ese cambio del inventario a la inteligencia es lo que habilita la gestión autónoma de endpoints, que se está convirtiendo rápidamente en el estándar de las operaciones de TI modernas.

Cómo la automatización impulsada por IA resuelve los silos en la gestión de parches

Thu, 02 Apr 2026 15:37:11 Z

"¡Vemos 10.000 vulnerabilidades críticas!"

"¡La semana pasada aplicamos todos los parches!"

Esta conversación se produce a diario en los departamentos de TI empresariales. Los equipos de seguridad presentan paneles llenos de alertas rojas. Los equipos de TI muestran informes de despliegue con un 98 % de éxito. Ambos equipos trabajan con datos reales. Ambos tienen toda la razón. Y ambos están completamente a ciegas respecto a lo que realmente ocurre en todo el entorno de endpoints.

No es un problema de personas: sus equipos no son incompetentes. No es un problema de procesos: sus flujos de trabajo no están rotos. Es un problema tecnológico: se pide a dos equipos que gestionen el mismo riesgo con sistemas que les muestran realidades distintas.

Los equipos de seguridad reciben una versión de la realidad a través de escáneres de vulnerabilidades e inteligencia de amenazas. Mientras tanto, los equipos de TI ven las cosas de otra manera al consultar sus informes de gestión de dispositivos y despliegue de parches.

Lo complicado es que ambas visiones pueden ser correctas por separado y, aun así, resultar engañosas en la práctica. Así se llega al bloqueo habitual: seguridad informa de miles de vulnerabilidades críticas; TI informa de que los parches se han desplegado correctamente. La desconexión está en la brecha entre esos sistemas.

Por qué TI y seguridad no están alineados en la aplicación de parches

La mayoría de las organizaciones abordan la desalineación entre TI y seguridad en la aplicación de parches mejorando la comunicación entre TI y seguridad. Programan más reuniones. Crean vías de escalado. Implantan SLA. Y seis meses después, mantienen exactamente la misma discusión con mejores diapositivas de PowerPoint.

Esto es lo que nadie quiere admitir: la colaboración por sí sola no resuelve un problema de fragmentación de datos. Cuando TI y seguridad trabajan con inventarios fundamentalmente distintos de lo que existe, de lo que es vulnerable y de lo que se ha corregido, añadir más carga de coordinación solo ralentiza un proceso que ya no funciona.

Por eso la misma conversación se repite una y otra vez en muchas organizaciones. Ambos equipos confían en sus datos, y ambos tienen “razón” dentro del contexto limitado de las herramientas en las que se apoyan.

Y ese es el problema. Aunque ambas visiones sean “correctas”, ninguna refleja todo el ciclo de vida del riesgo. Los datos de vulnerabilidades no siempre reflejan si los dispositivos afectados están gestionados o son accesibles. Los informes de parches no siempre tienen en cuenta endpoints no gestionados, mal clasificados o recién descubiertos que siguen teniendo acceso a recursos corporativos. Lo que falta es una respuesta fiable a la única pregunta que de verdad importa: ¿qué endpoints están expuestos ahora mismo?

Los silos tecnológicos crean realidades contrapuestas

La mayoría de las empresas gestionan los endpoints mediante una mezcla heterogénea de sistemas que han evolucionado de forma independiente con el tiempo, y cada uno captura solo un fragmento de la realidad.

Un sistema puede revelar una exposición crítica sin saber si el dispositivo está siendo gestionado. Otro puede confirmar que la corrección se ha realizado correctamente sin tener en cuenta endpoints recién descubiertos o mal clasificados que siguen teniendo acceso. ¿El resultado? No existe una forma fiable de seguir el riesgo desde la detección hasta el despliegue y la exposición real.

Piense en esto: según el informe Securing the Borderless Digital Landscape de Ivanti, la organización media gestiona solo el 60 % de sus dispositivos en el perímetro. Eso significa que el 40 % de los posibles puntos de entrada quedan fuera de la visibilidad de TI y de sus flujos de trabajo de parches. Seguridad los ve. TI no. Esa es su brecha de vulnerabilidades. Sin esa continuidad, los equipos se ven obligados a conciliar manualmente visiones parciales. Los datos se debaten en lugar de actuar sobre ellos.

Las distintas visiones de los datos generan fricción

Imagine que es lunes por la mañana: Seguridad descubre un día cero crítico en un cliente VPN ampliamente utilizado. Envía una alerta urgente a TI: "30.000 endpoints vulnerables detectados: aplicar parches de inmediato".

TI comprueba su consola de despliegue: "Cliente VPN ya actualizado en 28.000 dispositivos el jueves pasado".

Ambas afirmaciones son ciertas. Seguridad está escaneando toda la red, incluidos portátiles de contratistas, dispositivos BYOD y sistemas que se conectaron brevemente a la VPN pero que no están bajo la gestión de TI. TI aplicó parches a todo lo que figuraba en su inventario de dispositivos.

Mientras tanto, 2.000 endpoints realmente vulnerables siguen expuestos porque existen en la visión de Seguridad, pero no en la de TI. El parche que debería haber llevado 24 horas ahora requiere tres días de conciliación manual.

Cuando TI y seguridad operan con fuentes de datos distintas, las prioridades de gestión de vulnerabilidades desalineadas son inevitables. Los equipos de seguridad se centran en el número de vulnerabilidades, las puntuaciones de gravedad y la inteligencia de exploits. Los equipos de TI priorizan el éxito del despliegue, la estabilidad del sistema y el impacto en los usuarios. Ambas perspectivas son necesarias, pero, sin un marco de referencia compartido, tiran en direcciones distintas.

Lo que viene después no es solo tensión; es parálisis en la toma de decisiones. La corrección se ralentiza mientras los equipos concilian inventarios, validan hallazgos y discuten sobre el alcance. Las vulnerabilidades permanecen abiertas más tiempo del debido, no porque no haya parches disponibles, sino porque no existe una visión única que conecte detección, despliegue y exposición.

El riesgo de unas prioridades de parcheo desalineadas

La desalineación ralentiza la colaboración, pero, además, crea un riesgo medible que va mucho más allá de la fricción interna.

La investigación de Ivanti sobre la gestión autónoma de endpoints refleja este reto en la práctica:

El 38 % de los profesionales de TI afirman tener dificultades para hacer seguimiento del estado de los parches.
El 35 % tiene problemas para cumplir los plazos de corrección debido a una visibilidad incompleta de los endpoints.

Cuando las vulnerabilidades permanecen abiertas más tiempo del necesario, la ventana de exposición aumenta. Los atacantes no esperan. El catálogo CISA KEV revela una verdad incómoda: el 30 % de las vulnerabilidades que se están explotando activamente en este momento se divulgaron originalmente hace más de cinco años.

No es un problema de parches; es un problema de visibilidad. Las organizaciones no están ignorando los parches disponibles; les faltan los endpoints que todavía los necesitan.

Ventanas de exposición prolongadas y riesgo de brecha

La fragmentación amplía las ventanas de exposición de formas sutiles. Los dispositivos que nunca se registraron en plataformas de gestión, como BYOD en la sombra, dispositivos de contratistas no protegidos o endpoints remotos fuera del perímetro tradicional, suelen pasar desapercibidos.

Una investigación de Ivanti muestra que solo uno de cada tres empleadores ha implementado acceso de red de confianza cero para trabajadores remotos, lo que deja importantes brechas de visibilidad en entornos distribuidos. Aparecen endpoints recién descubiertos después de generar los informes de parches. Los sistemas dejan de cumplir las políticas entre ciclos de escaneo. Cada retraso agrava el riesgo y amplía el tiempo del que disponen los atacantes para convertir en armas debilidades conocidas.

Problemas habituales tras aplicar parches y sobrecarga de tickets de TI

Incluso cuando los parches se despliegan según lo previsto, el parcheo manual suele generar problemas posteriores. Actualizaciones fallidas, agentes dañados, problemas de rendimiento y reinicios inesperados provocan tickets de soporte y correcciones de emergencia. Lo que empieza como una tarea de seguridad se convierte rápidamente en una carga operativa.

Los equipos de TI dedican tiempo a resolver fallos previsibles en lugar de mejorar la postura de los endpoints. Los equipos de seguridad ven los retrasos como riesgo no resuelto. Los usuarios asocian la aplicación de parches con interrupciones. Esa fricción persiste entre equipos, incluso cuando sus objetivos están alineados.

Transformar la gestión de parches con la gestión autónoma de endpoints

La IA y la automatización abordan las desconexiones fundamentales en la gestión de parches al unificar la visibilidad y reducir la coordinación manual. Cuando el descubrimiento de endpoints, los datos de vulnerabilidades, el estado de los dispositivos y el estado de los parches se correlacionan en una vista unificada, los equipos de TI y seguridad pueden trabajar con los mismos hechos en lugar de conciliar datos parciales entre herramientas.

La gestión autónoma de endpoints (AEM) aporta claridad al caos mediante inteligencia de IA y automatización para ofrecer a TI y seguridad una visión única y continuamente actualizada de los endpoints, su estado y su exposición.

Cómo la IA mejora las decisiones de parcheo

La IA mejora las decisiones de parcheo al priorizar las vulnerabilidades en función del riesgo real, no solo de las puntuaciones de gravedad. Al tener en cuenta la actividad de exploits, la criticidad de los activos y el contexto de exposición, los equipos pueden alinearse sobre qué parchear primero y concentrar sus esfuerzos donde reduzcan el riesgo con mayor rapidez.

Con la gestión autónoma de endpoints, ese mismo escenario del lunes por la mañana se desarrolla de otra forma:

La vulnerabilidad se detecta y la IA la cruza de inmediato con un inventario unificado de endpoints. Identifica 1.560 dispositivos que ejecutan la versión vulnerable, incluidos 217 dispositivos que antes no estaban gestionados.

Los flujos de trabajo automatizados de parches actúan simultáneamente: registran los dispositivos no gestionados y priorizan la aplicación de parches en función del riesgo de exposición y la criticidad de los activos. Después programan el despliegue durante ventanas de bajo uso e inician un despliegue por anillos.

Para cuando el equipo de seguridad envía la alerta, TI ya dispone de un panel en tiempo real que muestra la corrección en curso, con el mismo recuento de dispositivos, los mismos datos de exposición y la misma lógica de priorización. No hace falta conciliación.

Cómo la automatización acelera la corrección

La automatización convierte entonces esas decisiones en acción. Los flujos de trabajo de parches pueden orquestarse de principio a fin: identificando los dispositivos afectados, desplegando actualizaciones y validando la corrección sin intervención manual constante.

La programación inteligente de parches basada en IA minimiza el impacto en los usuarios al alinear los despliegues con los patrones de uso de los dispositivos, las ventanas de mantenimiento y las restricciones operativas. Los despliegues por anillos permiten validar los parches en grupos más pequeños antes de un despliegue más amplio, lo que reduce las interrupciones y acelera la corrección. El resultado es una aplicación de parches más rápida, menos tiempo de inactividad y un proceso más predecible para ambos equipos.

Los flujos de trabajo de autorreparación detectan y resuelven automáticamente problemas habituales, como reiniciar servicios, reinstalar agentes o corregir configuraciones erróneas. Estos flujos de trabajo evitan incidentes prevenibles antes de que se conviertan en tickets de soporte.

De los debates sobre datos a la inteligencia unificada y la visibilidad compartida

Las plataformas impulsadas por IA unifican la visibilidad de endpoints al correlacionar datos de descubrimiento, contexto de vulnerabilidades, estado del dispositivo y estado de los parches en un único registro de endpoint, con controles de registro y acceso que garantizan que los dispositivos se descubran y gestionen continuamente durante todo su ciclo de vida. Los equipos de TI y seguridad ven los mismos dispositivos, la misma exposición y el mismo estado de corrección en tiempo real.

Esta inteligencia unificada elimina los debates sobre qué datos son correctos y los sustituye por un acuerdo sobre qué riesgos abordar primero. Al integrar la corrección en flujos de trabajo de endpoints más amplios, los equipos reducen el esfuerzo manual y mantienen resultados de parcheo coherentes a escala. Al integrar la corrección en flujos de trabajo de endpoints más amplios, los equipos reducen el esfuerzo manual y mantienen resultados de parcheo coherentes a escala.

Propiedad compartida de los parches: impulsar la colaboración entre TI y seguridad

La IA y la automatización solo mejoran la gestión de parches cuando van acompañadas de una propiedad compartida. Cuando los equipos de TI y seguridad operan con los mismos datos de endpoints y flujos de trabajo de corrección, la responsabilidad pasa de defender informes individuales a reducir conjuntamente la exposición.

Un proceso de parches basado en datos empieza con objetivos comunes. En lugar de medir el éxito en herramientas aisladas, las organizaciones alinean a TI y seguridad en torno a métricas compartidas que reflejan el riesgo real y el impacto operativo. Esta medición compartida aporta claridad sobre las prioridades y elimina ambigüedades en torno a la propiedad.

Una colaboración eficaz depende de métricas en las que ambos equipos confíen y sobre las que actúen conjuntamente. Entre los KPI habituales se incluyen:

Tiempo medio de corrección (MTTR): con qué rapidez se resuelven las vulnerabilidades críticas
Tasas de cumplimiento de parches: tanto en endpoints gestionados como en endpoints previamente no gestionados
Duración de la exposición: cuánto tiempo permanecen abiertas las vulnerabilidades de alto riesgo
Visibilidad de endpoints: porcentaje de dispositivos completamente descubiertos y gestionados

Estas métricas cambian las conversaciones del volumen de parches a resultados de riesgo medibles y ayudan a los equipos a centrarse en los resultados en lugar de en la actividad.

La propiedad conjunta requiere flujos de trabajo que abarquen todo el ciclo de vida de los parches. Las plataformas impulsadas por IA lo facilitan automatizando tareas rutinarias y sacando a la luz excepciones que requieren criterio humano.

Los líderes de TI y seguridad definen límites para la automatización, incluidos umbrales de aprobación, requisitos de pruebas y restricciones de despliegue. Dentro de esos límites, la automatización ejecuta la corrección de forma coherente y a escala, sin coordinación manual constante. Con el tiempo, aumenta la confianza en el proceso, disminuye la carga de coordinación y la aplicación de parches se convierte en una responsabilidad operativa cooperativa, en lugar de un punto de fricción.

Visite nuestra página de soluciones para descubrir cómo las soluciones de gestión autónoma de endpoints de Ivanti ofrecen a los equipos de TI y seguridad la visibilidad unificada que necesitan para eliminar los silos de parcheo y cerrar vulnerabilidades con mayor rapidez.

Cómo implementar un marco de gobernanza de la IA con barreras de protección seguras, éticas y fiables

Tue, 24 Feb 2026 13:00:02 Z

Durante mi etapa en Ivanti, he comprobado de primera mano cómo la IA actúa como multiplicador de fuerza en las organizaciones empresariales. Cuando se despliega de forma estratégica, la IA acelera la toma de decisiones y la ejecución operativa a escala de una manera que los equipos sencillamente no pueden mantener manualmente. Sin embargo, sin barreras de protección de la IA claras y aplicables, implementar la IA expone a las organizaciones a nuevos riesgos graves.

Informe sobre el estado de la ciberseguridad 2026 de Ivanti destaca una desconexión creciente que he observado en todo el sector: el optimismo en torno a la IA aumenta, pero la gobernanza y la preparación no avanzan al mismo ritmo. Actualmente, solo el 50 % de las organizaciones afirma contar con barreras de protección formales para guiar el despliegue y el funcionamiento de sistemas y agentes de IA.

A medida que la adopción avanza más rápido que la gobernanza, veo que las organizaciones se enfrentan a riesgos internos cada vez mayores: uso de IA en la sombra, calidad de datos inconsistente, resultados sesgados y formación desigual de los empleados, por citar algunos.

Desde mi perspectiva, que abarca las áreas jurídica, de seguridad y de RR. HH., puedo afirmar lo siguiente: la gobernanza de la IA no es un ejercicio abstracto de cumplimiento. Es un requisito esencial para la confianza, la responsabilidad y el control.

El estado de la IA empresarial: un terreno arriesgado y sin reglas claras

La IA responsable a escala requiere una gobernanza deliberada con barreras de protección aplicables para todos los empleados. Si se ignora esto, el uso de IA en la sombra seguirá creciendo. Nuestro informe de investigación Technology at Work 2025 reveló que el 46 % de los empleados de oficina utilizan IA que no proporciona su empresa. Más preocupante aún: casi un tercio de los empleados (32 %) oculta a sus empleadores el uso de herramientas de IA en el trabajo.

Demasiadas organizaciones están desplegando IA sin una gobernanza general, y las consecuencias de este enfoque son reales. Las organizaciones pueden exponer datos sensibles. Pueden incumplir obligaciones normativas. Esto podría erosionar la confianza del mercado. Un equipo despliega una plataforma de IA sin las barreras de protección adecuadas y, de repente, aparecen resultados sesgados o un rendimiento degradado. Sin supervisión humana, los sistemas de IA generan recomendaciones inexactas o desencadenan acciones inapropiadas. Esto crea una peligrosa falsa confianza en los resultados impulsados por la IA.

¿Qué es un marco de gobernanza de la IA?

Un marco de gobernanza de la IA es la hoja de ruta que define cómo diseñamos, desplegamos y supervisamos los sistemas de IA durante todo su ciclo de vida. Su propósito es alinear el uso de la IA con los objetivos empresariales, las obligaciones legales y la tolerancia al riesgo de la organización, incorporando transparencia y responsabilidad desde el primer día.

En Ivanti, nuestro marco aclara:

Quién es responsable de las decisiones y los resultados de la IA
Cómo se identifican los riesgos, se evalúan y se mitigan
Qué barreras de protección deben estar implementadas antes de que los sistemas de IA entren en producción
Cómo el rendimiento, el comportamiento y el impacto de la IA se supervisan a lo largo del tiempo

En la práctica, la gobernanza permite escalar. Los marcos claros nos permiten ir más allá de pilotos fragmentados y operacionalizar la IA en toda la empresa. Sin ellos, la adopción se estanca.

Nuestra postura es sencilla: la gobernanza no bloquea la innovación. Hace que la innovación sea sostenible.

3 capas de barreras de protección de la IA en un marco de gobernanza de la IA

Como parte del Consejo de Gobernanza de la IA de Ivanti, he aprendido que un marco integral requiere varias capas de barreras de protección. Cada una aborda una categoría de riesgo distinta. Juntas, constituyen la base para un uso seguro y fiable de la IA.

Barreras de protección técnicas

Las barreras de protección técnicas mantienen los sistemas de IA dentro de parámetros operativos y de seguridad predefinidos.

Barreras de protección de datos: Las barreras de protección de datos protegen la integridad de los datos y garantizan que los sistemas de IA se entrenen y operen con entradas fiables. Estas barreras de protección suelen ser responsabilidad de los equipos de datos y seguridad, que establecen estándares para el origen, la validación, los controles de acceso y la supervisión continua de la calidad de los datos. La mala calidad de los datos sigue siendo una barrera importante para el despliegue eficaz de la IA, especialmente en seguridad, donde datos incompletos, sesgados o no validados pueden distorsionar los resultados y degradar la precisión de la detección con el tiempo.

Barreras de protección de modelos: Las barreras de protección de modelos abordan la robustez, la explicabilidad y la detección de sesgos para garantizar que los sistemas de IA se comporten como está previsto a lo largo del tiempo. Estas barreras de protección suelen diseñarlas los equipos de seguridad, ciencia de datos y plataforma, que definen requisitos de prueba para la deriva, el sesgo y la degradación del rendimiento antes del despliegue y de forma continua después, especialmente a medida que los modelos se reentrenan o se exponen a datos operativos cambiantes.

Barreras de protección de aplicaciones y resultados: Las barreras de protección de aplicaciones y resultados validan los resultados generados por la IA, especialmente en escenarios de apoyo a la toma de decisiones o de respuesta automatizada. Estas barreras de protección suelen implementarlas los equipos de seguridad y operaciones, que definen umbrales de aprobación, vías de escalado y controles con intervención humana. Sin ellas, los sistemas pueden generar recomendaciones inexactas o realizar acciones inapropiadas, reforzando una falsa confianza en la automatización.

Barreras de protección de infraestructura: las barreras de protección de infraestructura protegen los sistemas que alojan y respaldan las cargas de trabajo de IA y suelen ser responsabilidad de los equipos de TI y seguridad. Estos equipos aplican prácticas de despliegue seguro, controles de acceso, registro y auditabilidad en entornos cloud y locales, al tiempo que garantizan que los servicios de IA se integren en la supervisión de seguridad existente y en los flujos de trabajo de respuesta a incidentes.

Barreras de protección éticas

Las barreras de protección éticas alinean el comportamiento de la IA con los estándares organizativos y definen la responsabilidad cuando la IA afecta a personas, clientes o resultados empresariales.

El Consejo de Gobernanza de la IA de Ivanti desempeña aquí un papel central. Abordamos las zonas grises de los agentes autónomos. Reunimos a líderes jurídicos, de seguridad, de RR. HH. y de negocio para definir el uso aceptable, las vías de escalado y la responsabilidad. ¿Cuándo deben intervenir las personas? ¿Cómo se auditan las decisiones? ¿Quién asume en última instancia el resultado cuando algo sale mal?

Cuando falta esa gobernanza, las consecuencias se agravan rápidamente.

Incidentes recientes muestran el coste de unas barreras de protección éticas poco claras. Por ejemplo, Grok, un chatbot de IA desarrollado por xAI, recibió críticas generalizadas tras generar imágenes inapropiadas de personas reales sin su consentimiento. El fallo no fue solo técnico: también estuvo relacionado con la gobernanza, debido a límites éticos que no estaban suficientemente definidos.

El mismo problema surge dentro de las empresas. Cuando la IA bloquea una cuenta de usuario, marca a un empleado o restringe el acceso de un cliente, debemos saber quién es responsable de la decisión si es errónea. Tanto si la IA se utiliza en seguridad, RR. HH. o sistemas orientados al cliente, los principios éticos son coherentes. La gobernanza garantiza que la responsabilidad esté definida antes de que la automatización cause daños.

Barreras de protección normativas y legales

Las barreras de protección normativas y legales garantizan que el uso de la IA cumpla las regulaciones globales en evolución, las normas sectoriales y las leyes de protección de datos. Dado que estos requisitos cambian rápidamente, los equipos no pueden operar en silos funcionales.

El área jurídica debe liderar la gobernanza de la IA desde el principio. En Ivanti, trabajamos estrechamente con seguridad y TI para interpretar las obligaciones y traducirlas en controles aplicables. El éxito depende de alinearse desde el inicio para garantizar que los requisitos de cumplimiento se incorporen al diseño y al despliegue de la IA.

Incidentes recientes muestran por qué las barreras de protección normativas no pueden dejarse para más adelante. Los reguladores europeos y del Reino Unido confirmaron que las operaciones de reconocimiento facial de Clearview AI, basadas en la recopilación automatizada de miles de millones de imágenes, estaban sujetas a leyes de privacidad como el RGPD y adoptaron medidas de aplicación por infracciones, lo que demuestra el riesgo legal al que se enfrentan las organizaciones cuando la gobernanza no se alinea con las expectativas normativas.

La lección es clara. Los equipos jurídicos y de desarrollo de productos deben trabajar juntos desde el principio para incorporar las obligaciones normativas al diseño, el despliegue y las operaciones de la IA. La gobernanza garantiza que los requisitos de cumplimiento se apliquen por defecto, no de forma retroactiva cuando comienza el escrutinio regulatorio.

Gobernanza de la IA frente a gestión de riesgos de la IA

La gobernanza y la gestión de riesgos están estrechamente relacionadas, pero son distintas. Mi visión es la siguiente: la gobernanza establece las reglas y las estructuras de responsabilidad. La gestión de riesgos se centra en identificar y mitigar amenazas específicas relacionadas con la IA durante todo el ciclo de vida del sistema.

Los riesgos habituales de la IA incluyen la fuga de datos, los sesgos, los resultados poco fiables, la dependencia excesiva de decisiones automatizadas y las debilidades de seguridad introducidas mediante herramientas o integraciones no gestionadas. A medida que los sistemas de IA se vuelven más autónomos, estos riesgos se agravan.

Integrar la mitigación de riesgos de la IA en la gobernanza garantiza que los riesgos no se aborden de forma aislada. Los evaluamos junto con el impacto empresarial, la resiliencia operativa y el apetito de riesgo de la organización. Esto nos permite priorizar los controles donde más importan y evitar restricciones generalizadas que ralentizan el progreso sin reducir el riesgo.

Desafíos al escalar la gobernanza de la IA

Muchas organizaciones comienzan con pilotos de IA limitados en equipos individuales. Escalar hacia una adopción en toda la empresa plantea nuevos desafíos

Los silos son la forma más rápida de socavar la gobernanza. Los equipos de seguridad, TI, jurídico y negocio suelen operar con supuestos contradictorios. Necesitamos una responsabilidad compartida entre equipos. Como explica mi compañero Sterling Parker, una visión de éxito requiere implicar a las partes interesadas de toda la empresa para evitar la proliferación descontrolada de la IA.

Esta transición exige un modelo operativo centrado en las personas. Nuestro órgano de gobernanza define claramente dónde puede la IA ampliar las funciones existentes, dónde se requiere formación adicional y dónde sigue siendo esencial la supervisión humana. La retroalimentación continua de los empleados ayuda a garantizar que la IA se aplique allí donde aporta valor, sin crear brechas de responsabilidad o confianza. Priorizamos el desarrollo de competencias para sustituir el miedo por una adopción activa.

Nuestra investigación sobre ciberseguridad muestra que las organizaciones maduras abordan estos desafíos de forma diferente. Las organizaciones que se consideran las más avanzadas en ciberseguridad (Nivel 4) tienen casi 3 veces más probabilidades de utilizar barreras de protección de la IA integrales que las organizaciones con un nivel intermedio de madurez en ciberseguridad (Nivel 2).

Invierten pronto en gobernanza, alinean al liderazgo en torno a marcos compartidos y tratan la IA como una capacidad estratégica, no como una colección de herramientas. Estas organizaciones tienen muchas más probabilidades de operacionalizar la IA en toda la empresa manteniendo la confianza y el control.

Cómo implementar una IA responsable

Construir el marco es solo el punto de partida. La ejecución es donde la gobernanza de la IA cobra vida.

Empiece con políticas claras sobre uso aceptable y escalado. Deben ser prácticas y estar vinculadas directamente a sus estructuras de riesgo existentes.

La gobernanza debe ser accesible. La IA responsable es un mandato para toda la empresa, no un silo especializado. La formación específica garantiza que cada usuario comprenda su papel a la hora de mantener estas barreras de protección.

Adopte un enfoque gobernado para la habilitación de la IA. «La habilitación gobernada» asume que la IA ya se utiliza en toda la empresa y define dónde y cómo puede operar de forma segura. Requiere supervisión y aplicación continuas para garantizar que los sistemas sigan alineados con la política a medida que evolucionan el uso y los riesgos. Es una disciplina continua, no un proyecto puntual.

El futuro de la IA responsable empieza ahora

La IA está transformando la forma en que operan las organizaciones a un ritmo que no puede ignorarse. La cuestión ya no es si adoptarla, sino cómo escalarla de forma segura. Las organizaciones con una gobernanza sólida escalan sin sacrificar la confianza. Las que se retrasan amplían la brecha entre amenaza y preparación.

En Ivanti, estamos comprometidos con la creación de una gobernanza de la IA que permita innovar y, al mismo tiempo, proteja lo que más importa: nuestra gente, nuestros clientes y nuestras operativas. Es un trabajo fundamental, y el momento de actuar es ahora.

Para obtener más información sobre la brecha en el despliegue de la IA y cómo las organizaciones líderes la están cerrando, consulte el Informe sobre el estado de la ciberseguridad 2026 de Ivanti.

Cómo la IA agéntica para ITOps genera valor a escala

Mon, 05 Jan 2026 17:00:02 Z

Esta es una paradoja de la era de la IA: las organizaciones están fascinadas por la promesa de la IA como clave para impulsar la productividad y la transformación empresarial, y los equipos de TI respaldan plenamente las ventajas que la IA y la automatización ofrecen; sin embargo, esas mismas organizaciones son las que están frenando esa transformación.

Aunque la mayoría de los profesionales de TI defienden la adopción de la IA, las barreras operativas, culturales y presupuestarias impiden que las empresas implementen la IA a escala. El resultado: la mayoría de las compañías aún no han operacionalizado casos de uso innovadores de IA y automatización que aporten verdadero valor de negocio.

Eso no significa que la mayoría de las compañías no utilicen IA, pero lo hacen principalmente para completar tareas de menor nivel e impulsar la productividad individual. Aunque este es un paso importante, las empresas tendrán que pensar con mayor ambición y a más largo plazo para obtener un ROI significativo y una verdadera transformación digital de sus inversiones en IA.

Automatización y resultados frente a autonomía de la IA agéntica

Los equipos de TI van por delante en lo que respecta a la adopción de la IA generativa. El 84 % de los profesionales de TI utiliza herramientas de IA generativa en el trabajo, según un informe de investigación de Ivanti de 2025. Ese mismo estudio muestra que los profesionales de TI también tienen una actitud muy positiva hacia la IA y la automatización:

El 83 % espera que la IA impulse la productividad durante el próximo año.
El 70 % afirma que hará que su trabajo resulte más satisfactorio.

Sin embargo, pese a todos esos avances, las empresas no están aprovechando el potencial más profundo de la tecnología impulsada por IA. Muchos equipos dominan la automatización a nivel de tarea (enrutamiento de tickets, restablecimiento de contraseñas, resumen de registros), pero pocos han adoptado la IA agéntica, que va más allá de la ejecución para incorporar razonamiento y optimización autónomos.

Esa brecha entre automatización y transformación refleja un problema más amplio que se observa en todos los sectores. Aunque la mayoría de las organizaciones ya utilizan la IA en cierta medida, solo unas pocas han visto un impacto empresarial medible de sus herramientas de IA. McKinsey se ha referido a esta situación como «la paradoja de la IA generativa».

Esta desconexión entre las aplicaciones de IA y el ROI se ve reforzada por un informe del MIT publicado en agosto de 2025, que indica que un asombroso 95 % de las organizaciones no obtuvo ningún retorno de la IA generativa pese a invertir entre 30 000 y 40 000 millones de dólares en ella.

La razón del problema es clara: la IA generativa crea. Produce contenido, automatiza tareas y acelera flujos de trabajo. Sin embargo, no aprende, razona ni se adapta por sí sola. La siguiente fase de la IA empresarial estará impulsada por sistemas capaces de interpretar, predecir y actuar de forma dinámica: lo que ahora se define como IA agéntica.

La investigación de Ivanti subraya además que la mayoría de las compañías aún no han integrado casos de uso de IA más complejos en sus flujos de trabajo de TI.

Aunque el 67 % de las organizaciones automatiza el enrutamiento de tickets, menos de un tercio aplica la IA al análisis de causa raíz u otros casos de uso predictivos. Esto indica que la mayoría de los equipos sigue priorizando la automatización estándar de tareas, en lugar de permitir que los sistemas piensen y actúen de forma autónoma mediante IA agéntica.

Los equipos de TI suelen emplear la automatización estándar y las herramientas de IA generativa para mejorar la productividad individual y gestionar tareas repetitivas de bajo nivel a mayor velocidad que con la intervención humana por sí sola. La capacidad de aumentar la eficiencia con menos tiempo y recursos es una ventaja fundamental de la IA, especialmente para equipos de TI bajo presión a los que siempre se les pide hacer más con menos. Pero las mejoras de eficiencia son solo una parte de la ecuación.

Los datos de Ivanti también revelan un problema organizativo más profundo: casi la mitad de los equipos de TI afirma que sus organizaciones carecen de resiliencia, es decir, de la capacidad de adaptarse rápidamente al cambio, recuperarse de las interrupciones y mantener la continuidad del negocio sin una intervención manual excesiva.

La verdadera agilidad empresarial exige soluciones de IA autónomas y adaptativas que puedan anticipar problemas, razonar sobre posibles soluciones y aprender de forma continua a ofrecer los resultados más óptimos.

Aquí es donde muchas organizaciones líderes están recurriendo a la IA agéntica. Los agentes de IA autónomos ofrecen a los equipos la oportunidad de redefinir las operaciones de TI tradicionales, pasando de una automatización reactiva a una colaboración proactiva y orientada a objetivos. Comprender que transformar ITOps con IA significa pasar de logros aislados de automatización a inteligencia en todo el sistema.

Casos de uso de IA agéntica de alto impacto en ITSM e ITOps

La IA agéntica ya está generando resultados al reducir el tiempo de inactividad, recortar costes y mejorar la agilidad organizativa.

A continuación se presentan cinco casos de uso de la IA agéntica en TI de alto impacto:

1. Remediación autónoma de incidentes

La remediación autónoma es el punto en el que la IA empieza a pasar del soporte a la estrategia. En las operaciones de TI tradicionales, identificar y solucionar un problema puede requerir horas de triaje y escalado humanos.

Con la IA agéntica, esos mismos incidentes pueden detectarse, diagnosticarse y resolverse en tiempo real, a menudo antes de que los usuarios perciban cualquier interrupción.

La IA agéntica no solo detecta anomalías dentro de ese entorno de TI y diagnostica la causa raíz, sino que diseña soluciones de forma inteligente y después ejecuta correcciones sin intervención humana. Además, el aprendizaje automático permite a la IA aprender de incidentes anteriores y utilizar esa experiencia para perfeccionar y mejorar continuamente los esfuerzos de respuesta en el futuro.

2. Prevención proactiva de problemas

La prevención proactiva de problemas se produce cuando la IA puede anticipar posibles problemas tecnológicos en lugar de limitarse a reaccionar ante ellos. En lugar de resolver un problema conocido, la IA agéntica supervisa continuamente patrones de datos y detecta señales de alerta temprana en forma de pequeñas desviaciones que podrían evolucionar hasta convertirse en interrupciones del servicio o problemas de seguridad.

En otras palabras, orienta ITOps hacia la prevención proactiva, supervisando indicadores adelantados y abordando los problemas antes de que se vuelvan significativos.

3. Gestión del ciclo de vida de extremo a extremo

Los agentes de IA autónomos proporcionarán un enfoque más completo y eficaz para la gestión del ciclo de vida de los activos.

Esta visión de la automatización basada en el ciclo de vida va más allá de tickets o incidentes individuales para abarcar todas las fases de las operaciones de TI.

Desde la incorporación de nuevos dispositivos hasta la aplicación de parches y el desmantelamiento de infraestructuras obsoletas, la IA agéntica garantiza que los sistemas sigan siendo seguros, conformes y rentables.

No solo corrige problemas, sino que también detecta, diagnostica y optimiza los sistemas de TI desde el aprovisionamiento hasta la retirada. Actúa como un motor de mejora continua, aprendiendo de patrones en todo el ecosistema de TI para optimizar recursos de forma proactiva, agilizar actualizaciones y reducir la carga a largo plazo sobre el personal de TI.

4. Gestión dinámica de cambios y versiones

La gestión de cambios y versiones dinámica es donde la IA agéntica demuestra realmente sus capacidades de orquestación. En la mayoría de las empresas, la gestión de cambios sigue siendo un proceso con muchas fricciones, que requiere coordinación entre múltiples equipos, herramientas y entornos.

La automatización agéntica transforma esto al permitir que los agentes de IA colaboren en flujos de trabajo complejos, incluida la respuesta a incidentes de ciberseguridad y el despliegue de software, trabajando juntos con una supervisión humana mínima para resolver incidentes, aprovisionar recursos y garantizar el cumplimiento.

Estos agentes actúan como coordinadores inteligentes: sincronizan actualizaciones entre sistemas, validan configuraciones y revierten cambios automáticamente cuando se producen anomalías. El resultado son ciclos de cambio más rápidos, seguros y predecibles, que liberan a los equipos de TI para centrarse en la innovación en lugar de en la resolución de incidencias que consume muchos recursos.

5. Gestión autónoma de recursos y capacidad

La gestión de recursos y capacidad es una de las dimensiones más críticas, y a menudo pasadas por alto, del rendimiento de TI. Con IA, las empresas pueden anticipar futuras necesidades de recursos analizando tendencias históricas de uso, fluctuaciones de carga de trabajo y picos de demanda. Los sistemas agénticos pueden asignar automáticamente potencia de cómputo, almacenamiento y ancho de banda antes de que aparezcan cuellos de botella, manteniendo un rendimiento óptimo sin supervisión humana constante.

Con el tiempo, estos sistemas autoajustables aprenden de los datos operativos para afinar continuamente la capacidad, reduciendo el desperdicio, minimizando costes y garantizando la continuidad del servicio incluso durante picos inesperados.

La investigación del informe de IBM El ascenso estratégico de la IA agéntica subraya este ritmo de cambio: para 2027, el doble de ejecutivos espera que los agentes de IA tomen decisiones autónomas en los flujos de trabajo. Hoy, solo el 24 % de los ejecutivos indica ese nivel de autonomía; dentro de dos años, el 67 % espera que sea la norma.

Superar barreras y generar impacto empresarial

Aun así, el progreso suele estancarse; no por falta de intención, sino por barreras estructurales. Los líderes de TI deben superar primero los obstáculos que se interponen en su evolución hacia un trabajo centrado en el valor. Estas barreras son múltiples: técnicas, culturales y operativas.

Incluso las organizaciones de TI más avanzadas en IA pueden carecer de la preparación estructural necesaria para una automatización profunda. Por ejemplo, el informe de Ivanti «2025 Technology at Work Report» reveló que:

El 38 % de los profesionales de TI señala las pilas tecnológicas complejas como un problema para unas operaciones de TI eficaces.
Y el 72 % afirma que sus datos de TI y seguridad están aislados en silos dentro de su organización.

Construir una estrategia de IA sostenible requiere algo más que una actitud positiva: exige alineación entre TI y el negocio en su conjunto. Las organizaciones con éxito son aquellas que alinean los objetivos tecnológicos con resultados tangibles, respaldadas por estructuras de datos claras, procesos unificados y equipos preparados para gestionar nuevos flujos de trabajo impulsados por IA. Sin esa alineación, incluso las mejores herramientas tienen dificultades para generar impacto en toda la empresa.

La investigación de IBM revela otra capa: el 45 % de los ejecutivos cita la falta de visibilidad en la toma de decisiones de la IA como una barrera importante. Este problema de la «caja negra» de la IA no es solo técnico. También tiene que ver con la confianza, la claridad en las comunicaciones y las salvaguardas de la IA. Escalar la IA agéntica requiere marcos de gobernanza en los que las decisiones automatizadas puedan entenderse, auditarse y explicarse.

Esta transformación debe mantener a las personas en el centro: diseñar para la ampliación de capacidades, no para la sustitución.

El modelo operativo de la IA agéntica

Piense en las ITOps agénticas no solo como una mejora de la eficiencia, sino como una redefinición total de los flujos de trabajo de TI tradicionales. Las organizaciones que lideran la siguiente fase de la transformación son las que están replanteándose cómo sus sistemas toman decisiones, colaboran y se adaptan de forma autónoma en toda la empresa.

Ese nivel de transformación digital requiere liderazgo desde la alta dirección. Los CIO y las partes interesadas ejecutivas deben pasar de la experimentación a la ejecución. Deben plantearse la incorporación de la IA agéntica no como un proyecto secundario, sino como un modelo operativo central que alinea tecnología, datos y personas en torno a resultados compartidos.

Ese cambio marca la verdadera prueba que viene.

El ROI futuro de las iniciativas de IA agéntica

Incluso con el aumento de productividad que aporta la tecnología de IA generativa, los equipos de TI no necesitan más herramientas. Necesitan inteligencia que genere resultados medibles. Los equipos deben establecer métricas del antes y el después que conecten con los líderes de TI y de negocio. Más allá de las mejoras de eficiencia (tiempo ahorrado, resolución más rápida, menores costes), mida el ahorro de mano de obra, la reducción de interrupciones que consumen muchos recursos y la disminución de la proliferación de herramientas.

Las organizaciones transformadoras observan un mayor impacto en todos los indicadores de negocio, incluida la productividad, la eficiencia, el crecimiento de ingresos, la fortaleza de la marca y la fidelidad de los clientes, que aquellas que limitan la IA a mejoras incrementales e incluso superficiales.

De hecho, las organizaciones que destacan en tres áreas clave de adopción de IA tienen 32 veces más probabilidades de alcanzar un rendimiento empresarial de primer nivel, según el mismo informe de IBM mencionado anteriormente.

Conclusión

Los próximos 12 a 24 meses pondrán a prueba la capacidad de los líderes de TI para convertir la experimentación en valor sostenido. Quienes adopten pronto la IA agéntica construirán organizaciones que aprendan más rápido, se adapten de forma continua, se anticipen a posibles problemas y se recuperen de las interrupciones de manera instintiva.

TI ha demostrado repetidamente que está plenamente dispuesta y comprometida con la adopción de la IA. Ahora debe volver a liderar, y hacerlo con profundidad. La IA agéntica marca la siguiente etapa de madurez: sistemas que aprenden, se autorreparan y se autooptimizan para permitir una mayor agilidad y resiliencia en toda la empresa.

No se trata de «configurar y olvidarse». Los equipos de TI deben crear, entrenar, supervisar, medir y perfeccionar la IA agéntica para garantizar la materialización del valor.

Para obtener más información sobre el papel de la IA como herramienta transformadora para las operaciones de TI y sobre casos de uso innovadores de la IA agéntica y la automatización en TI, consulte el informe de investigación de Ivanti: «IA: el futuro de la automatización de ITSM».

Gestión de costes de TI impulsada por IA: alinear el gasto con el valor estratégico

Wed, 22 Oct 2025 13:00:01 Z

Optimizar los costes de TI es ahora la máxima prioridad para los equipos de TI, según el informe Technology at Work 2025 de Ivanti. Nuestra encuesta reveló que la optimización de costes se citó como un objetivo estratégico crítico para 2025, por delante de la mejora de la ciberseguridad, la inversión en infraestructura y el despliegue de tecnología de IA/ML.

Sin embargo, aunque muchas organizaciones ven la IA y la automatización como herramientas para lograr mejoras operativas a corto plazo, muchas aún no han aprovechado todo el potencial de la IA para transformar la forma en que TI gestiona, predice y optimiza los costes.

Está claro que los equipos de TI ya confían en el valor de la IA en las operaciones diarias. Actualmente, TI lidera la implementación de la IA, con el 36 % de los equipos de TI utilizando IA generativa, según una investigación de McKinsey de marzo de 2025, más que cualquier otra función.

Aunque los equipos de TI utilizan habitualmente la IA para la programación, los tickets de soporte y otras tareas del día a día, muchas organizaciones no ven más allá de estas mejoras de eficiencia a corto plazo. Con demasiada frecuencia, los líderes de TI pasan por alto el potencial sin explotar de la IA para la optimización en toda la empresa.

Este cambio, que pasa de mejoras incrementales de productividad a una optimización estratégica de costes, libera recursos y ofrece a los líderes de TI la flexibilidad necesaria para centrarse en la innovación, la transformación a largo plazo y la alineación constante de las operaciones con una estrategia empresarial que evoluciona rápidamente.

Con los CIO sometidos a una presión creciente para “hacer más con menos”, la optimización de costes de TI impulsada por IA tiene la capacidad de reducir el gasto ineficiente en TI, justificar las inversiones y aportar valor estratégico en toda la organización.

Sin embargo, antes de que esta transformación pueda producirse, las empresas deben comprender primero cuáles son las principales fuentes de gasto ineficiente e identificar las áreas de mayor valor en las que pueden utilizar las capacidades de la IA para asignar mejor los recursos y sacar el máximo partido a su presupuesto de TI.

Principales barreras para la optimización de costes de TI

Los retos de la gestión de costes son sistémicos. El gasto ineficiente en TI es consecuencia de fallos acumulados en sistemas, procesos y estructuras de liderazgo. Más de la mitad de los profesionales de TI afirmó que el gasto ineficiente en TI era un problema importante en su organización, según una investigación de Ivanti de 2025.

El gasto ineficiente en TI es especialmente grave en sectores de gran complejidad, como las telecomunicaciones y el sector público, donde los sistemas heredados y las amplias relaciones con proveedores dificultan el seguimiento y el control del gasto. Estos sectores afrontan una mayor presión para reducir costes, ya que el gasto no controlado limita su capacidad para financiar iniciativas estratégicas y modernizar infraestructuras críticas.

Las revisiones mensuales de proveedores, las conciliaciones presupuestarias trimestrales y las negociaciones anuales de contratos tienen dificultades para seguir el ritmo del dinámico panorama actual de TI. El gasto cloud de una organización puede dispararse de la noche a la mañana, y la complejidad tecnológica aumenta rápidamente debido a la contratación descentralizada, la TI en la sombra y la escasa visibilidad de los activos. Por ejemplo, el 38 % de los profesionales de TI encuestados por Ivanti señaló la “complejidad tecnológica” como una barrera importante para unas operaciones de TI eficaces.

De cara al futuro de ITOps impulsadas por IA, muchos profesionales de TI reconocen el potencial transformador de la IA para afrontar estos retos y eliminar el gasto innecesario.

IA y machine learning para la gestión predictiva de costes

Las revisiones manuales de costes por sí solas miran al pasado, requieren mucho trabajo y son propensas al error humano. La supervisión humana por sí sola no puede reconocer ni analizar patrones que emergen mediante el análisis de datos de IA a gran escala. La gestión de costes impulsada por IA cambia el enfoque. En lugar de informar sobre los excesos de gasto después de que se produzcan, el análisis predictivo con IA puede detectar posibles anomalías y proporcionar a las organizaciones previsiones presupuestarias precisas para evitar gastos redundantes e innecesarios. La IA también puede sacar a la luz herramientas redundantes, destacar costes del ciclo de vida y señalar anomalías de gasto que probablemente pasarían desapercibidas en las revisiones humanas.

Piense en este escenario: puede utilizar la IA para analizar sus datos de gestión de activos de TI con el fin de detectar software adquirido pero no utilizado y licencias de software sin uso, o de examinar tickets de soporte en busca de patrones que muestren cuándo determinados tipos de dispositivos suelen empezar a fallar. Estos insights pueden ayudar a definir ciclos de sustitución más inteligentes, reducir el tiempo de inactividad y garantizar que solo paga por lo que realmente utiliza.

La diferencia de velocidad es notable. Las organizaciones que utilizan la optimización de costes impulsada por IA están observando reducciones medibles en los gastos operativos, mientras que otras siguen recopilando en hojas de cálculo los informes del trimestre anterior.

La visibilidad en tiempo real supera de forma constante a las revisiones reactivas. Cuando se puede predecir y prevenir el desperdicio en lugar de limitarse a documentarlo, es cuando TI pasa de gestionar gastos a crear valor estratégico.

Gestión de costes cloud y gestión de recursos con IA

Los entornos cloud son la principal fuente de desviaciones presupuestarias y desperdicio. Casi nueve de cada diez organizaciones (88 %) observan una variación significativa entre el gasto real y el gasto previsto, y solo el 30 % sabe a dónde se destina su presupuesto cloud, según el informe State of Cloud Costs 2024 de CloudZero.

Los propios datos de Ivanti amplían estos retos de gestión de recursos de TI:

El 39 % de los profesionales de TI citó el hardware obsoleto como una fuente considerable de gasto ineficiente.
El software obsoleto, sin uso y caducado también es un factor importante: casi uno de cada tres profesionales de TI (31 %) afirma que sus organizaciones no hacen seguimiento de las licencias de software no utilizadas o infrautilizadas.
Aún más preocupante: el 48 % de los equipos de TI indicó que sus empresas utilizan software que ha llegado al final de su vida útil (EOL).

La combinación de entornos multicloud, un uso impredecible a lo largo del tiempo, modelos de precios complejos y variables incluso dentro de los mismos servicios, y costes muy diversos deja clara la necesidad de la IA y la automatización.

La tecnología basada en IA puede ayudar a abrirse paso entre esta complejidad. Las soluciones de IA pueden identificar de forma proactiva licencias de software infrautilizadas, recursos cloud sobreaprovisionados y aplicaciones redundantes en distintos entornos que a los analistas humanos les llevaría semanas mapear.

Además, la IA combinada con la automatización de ITSM puede sugerir soluciones al gasto ineficiente en TI mediante recomendaciones inteligentes de ajuste de tamaño y desaprovisionamiento. Los CIO líderes utilizan la gestión estratégica de costes de TI para financiar iniciativas de alto impacto, y la automatización con IA lo hace posible a escala.

La optimización de licencias de software ofrece retornos significativos. La IA compara el uso real del software con los derechos de uso, identifica oportunidades de pasar a niveles inferiores y predice necesidades futuras a partir de patrones de crecimiento. Las organizaciones pagan por lo que utilizan, no por lo que compraron meses atrás.

El impacto de la IA en la optimización de los procesos de TI

Aunque la adopción de la IA aumenta entre los equipos de TI, su impacto en la optimización de costes aún no está tan extendido como los casos de uso básicos, como el mantenimiento predictivo y la automatización de tareas rutinarias de autoservicio, ambos populares según la investigación de Ivanti.

La demora en la adopción generalizada de la IA en ITOps impide que las organizaciones aprovechen los beneficios financieros a largo plazo y las oportunidades de crecimiento estratégico del negocio. Las soluciones de automatización de TI pueden reducir los costes operativos hasta en un 90 %. La tecnología gestiona la clasificación de tickets y automatiza la respuesta ante incidentes, al tiempo que predice fallos del sistema y gestiona el mantenimiento rutinario.

La IA eleva las operaciones de TI, y sus efectos se perciben en toda la empresa. La supervisión del rendimiento de los activos se vuelve inteligente y proactiva. En lugar de umbrales estáticos y comprobaciones programadas, los sistemas de IA analizan continuamente los datos de rendimiento, predicen fallos de hardware y optimizan los calendarios de mantenimiento.

Esto evita tanto los costes del tiempo de inactividad como el gasto innecesario en sustituciones. La automatización de procesos también libera tiempo de TI y reduce los costes derivados del error humano: configuraciones manuales erróneas, parches no aplicados y respuestas tardías causadas por recursos limitados.

Cómo la IA permite a TI aportar valor estratégico

La gestión de costes de TI no es el objetivo final. Es el punto de partida para la transformación estratégica. La IA permite a las empresas optimizar costes a escala al tiempo que libera presupuestos para inversiones de crecimiento.

Las organizaciones que adoptan la IA para la gestión de costes están reposicionando la forma en que sus empresas perciben y aprovechan la tecnología. Cuando cada inversión debe justificar su existencia, la IA permite a los líderes de TI convertirse en arquitectos de valor, no solo en gestores del gasto, al reducir costes y crear valor. La IA favorece una asignación ágil de recursos. Cuando los costes ineficientes se eliminan de forma proactiva, los directivos de TI ganan flexibilidad para financiar oportunidades emergentes y responder a los cambios en las prioridades del negocio.

La visibilidad es igual de importante para transformar TI en un motor estratégico del negocio. La IA proporciona los datos y los insights necesarios para cuantificar el valor empresarial de TI. Cuando las inversiones se supervisan y se vinculan a resultados de negocio, los CIO pueden demostrar el verdadero ROI del departamento de TI y obtener apoyo estratégico.

La verdadera transformación se produce cuando TI pasa del control reactivo del gasto a la creación proactiva de valor. Las operaciones de TI optimizadas con IA se han convertido en la base de la innovación, lo que permite a los equipos experimentar y ofrecer ventajas competitivas.

Para obtener más información sobre los principales retos que contribuyen al gasto ineficiente en TI y sobre cómo la IA y la automatización pueden ayudar a los equipos de TI a aumentar la eficiencia, mejorar la visibilidad de los activos y optimizar la gestión de costes de TI, consulte el informe Technology at Work 2025 de Ivanti.

Mejores prácticas de ciberseguridad con IA: afrontar un desafío de doble filo

Thu, 17 Oct 2024 12:28:03 Z

La inteligencia artificial ya está demostrando su potencial para transformar prácticamente todos los aspectos de la ciberseguridad, tanto para bien como para mal.

Si hay algo que representa la proverbial arma de doble filo, podría ser la IA: puede actuar como una herramienta formidable para crear defensas de ciberseguridad sólidas o comprometerlas peligrosamente si se usa como arma.

¿Por qué es importante la seguridad de la IA?

Las organizaciones deben comprender tanto el potencial como los problemas asociados a la ciberseguridad con IA, dada la ubicuidad de todas las formas de IA en el entorno empresarial global. Su uso por parte de agentes maliciosos ya es motivo de preocupación.

Según McKinsey, la adopción de la IA por parte de las organizaciones aumentó hasta el 72 % en 2024, frente a alrededor del 50 % en años anteriores en múltiples regiones e industrias. Pero la naturaleza compleja y los enormes requisitos de datos de los sistemas de IA también los convierten en objetivos principales para los ciberataques. Por ejemplo, los datos de entrada de los sistemas de IA pueden manipularse de forma encubierta en ataques adversarios para producir resultados incorrectos o perjudiciales.

Una IA comprometida puede tener consecuencias catastróficas, como filtraciones de datos, pérdidas económicas, daños reputacionales e incluso daños físicos. El potencial de uso indebido es enorme, lo que subraya la necesidad crítica de contar con medidas sólidas de seguridad de la IA.

Un estudio del Foro Económico Mundial reveló que casi la mitad de los directivos se preocupan sobre todo por cómo la IA elevará el nivel de riesgo de amenazas como el phishing. El informe de ciberseguridad de 2024 de Ivanti confirmó esas preocupaciones.

A pesar de los riesgos, el mismo informe de Ivanti concluyó que los profesionales de TI y seguridad se muestran en general optimistas respecto al impacto de la ciberseguridad con IA. Casi la mitad (46 %) considera que supone un beneficio neto, mientras que el 44 % cree que su impacto no será ni positivo ni negativo.

Más información: Informe sobre el estado de la ciberseguridad 2024: punto de inflexión

Posibles ciberamenazas de la IA

La IA introduce nuevos vectores de ataque que requieren defensas específicas. Algunos ejemplos son:

Hackeo de sitios web: Los investigadores han descubierto que el gran modelo de lenguaje de OpenAI puede reutilizarse como un agente de hackeo con IA capaz de atacar sitios web de forma autónoma. Los ciberdelincuentes no necesitan conocimientos de hacking, solo la capacidad de indicar correctamente a la IA que haga el trabajo sucio por ellos.
Envenenamiento de datos: Los atacantes pueden manipular los datos utilizados para entrenar modelos de IA, provocando que funcionen incorrectamente. Esto podría implicar la inyección de puntos de datos falsos que influyan en el modelo para que aprenda patrones incorrectos o priorice amenazas inexistentes, o la modificación sutil de puntos de datos existentes para sesgar el modelo de IA hacia resultados que beneficien al atacante.
Técnicas de evasión: La IA podría utilizarse para desarrollar técnicas que evadan la detección por parte de los sistemas de seguridad, como crear correos electrónicos o malware que no parezcan sospechosos para las personas, pero que activen vulnerabilidades o eludan filtros de seguridad.
Ingeniería social avanzada: Puesto que puede analizar grandes conjuntos de datos, una IA puede identificar objetivos basándose en determinados criterios, como comportamientos pasados vulnerables o susceptibilidad a ciertas estafas. Después, puede automatizar y personalizar un ataque utilizando información relevante extraída de perfiles de redes sociales o interacciones anteriores, de modo que resulte más creíble y tenga más probabilidades de engañar al destinatario. Además, la IA generativa puede redactar mensajes de phishing sin errores gramaticales ni de uso para que parezcan legítimos.
Ataques de denegación de servicio (DoS): La IA puede utilizarse para orquestar ataques DoS a gran escala contra los que resulta más difícil defenderse. Al analizar las configuraciones de red, puede detectar vulnerabilidades y después gestionar botnets con mayor eficacia mientras intenta saturar un sistema con tráfico.
Deepfakes: La IA puede generar imitaciones visuales o sonoras convincentes de personas para ataques de suplantación de identidad. Por ejemplo, podría imitar la voz de un alto directivo para engañar a empleados y conseguir que transfieran dinero a cuentas fraudulentas, compartan información confidencial como contraseñas o códigos de acceso, o aprueben facturas o transacciones no autorizadas. Si una empresa utiliza reconocimiento de voz en sus sistemas de seguridad, un deepfake bien elaborado podría engañar estas salvaguardas y acceder a áreas o datos seguros. Una empresa de Hong Kong fue víctima de un robo de 26 millones de dólares mediante una estafa con deepfake.

Una amenaza “blanda” que plantea la IA es la complacencia. Siempre existe el riesgo de depender en exceso de los sistemas de IA, lo que podría llevar a una menor rigurosidad en su supervisión y actualización. Una de las medidas más importantes para proteger a una empresa frente a los problemas de la IA es la formación y supervisión continuas, tanto si la IA se implementa en ciberseguridad como en otras operaciones. Garantizar que la IA opere teniendo presentes los mejores intereses de la organización exige una vigilancia constante.

Ver: IA generativa para InfoSec y hackers: lo que los equipos de seguridad deben saber

Beneficios de la ciberseguridad con IA

Las soluciones de ciberseguridad con IA aportan el mayor valor a una organización de las siguientes maneras:

Detección de amenazas mejorada

La IA destaca en la identificación de patrones en grandes conjuntos de datos para detectar anomalías indicativas de ciberataques con una precisión sin precedentes. Mientras que los analistas humanos se verían desbordados por el volumen de datos o alertas, la IA mejora la detección y la respuesta tempranas.

Mejora de la respuesta ante incidentes

La IA puede automatizar tareas rutinarias de respuesta ante incidentes, acelerando los tiempos de respuesta y minimizando el error humano. Al analizar incidentes pasados, la IA también puede predecir posibles vectores de ataque para que las organizaciones refuercen sus defensas.

Evaluación y priorización de riesgos

La IA puede evaluar la postura de seguridad de una organización, identificando vulnerabilidades y priorizando los esfuerzos de corrección en función de los niveles de riesgo. Esto ayuda a optimizar la asignación de recursos y a centrarse en áreas críticas.

Consideraciones de seguridad para distintos tipos de IA

Los desafíos de seguridad asociados a la IA varían en función del tipo que se implemente.

Si una empresa utiliza IA generativa, el foco debe estar en proteger los datos de entrenamiento, evitar el envenenamiento de modelos y salvaguardar la propiedad intelectual.

En el caso de la IA débil (o “estrecha”), como los chatbots de atención al cliente, los sistemas de recomendación (como Netflix), el software de reconocimiento de imágenes y los robots de líneas de montaje y quirúrgicos, la organización debe priorizar la seguridad de los datos, la solidez frente a ataques adversarios y la explicabilidad.

La IA “fuerte” autónoma (también conocida como inteligencia artificial general) es un desarrollo en curso que aún no existe. Pero si llega, las empresas deberán centrarse en defender los mecanismos de control y abordar los riesgos existenciales y las implicaciones éticas.

Ver: Cómo transformar la gestión de servicios de TI con IA generativa

Últimos avances en ciberseguridad con IA

La rápida evolución de la IA está impulsando avances correspondientes en ciberseguridad con IA, entre ellos:

Modelado de amenazas con IA generativa: Las herramientas de ciberseguridad con IA pueden simular escenarios de ataque para ayudar a las organizaciones a encontrar y corregir vulnerabilidades de forma proactiva.
Búsqueda de amenazas basada en IA: La IA puede analizar el tráfico de red y los registros del sistema para detectar actividad maliciosa y amenazas potenciales.
Respuesta automatizada ante incidentes: Las soluciones de ciberseguridad con IA pueden automatizar tareas rutinarias de respuesta ante incidentes, como aislar sistemas comprometidos y contener amenazas.
IA para la evaluación de vulnerabilidades: Puede analizar el código de software para encontrar posibles vulnerabilidades, de modo que los desarrolladores puedan crear aplicaciones más seguras.

Cursos de ciberseguridad con IA

Invertir en formación sobre ciberseguridad con IA es crucial para crear una plantilla que entienda cómo utilizar estas herramientas. Numerosas plataformas en línea y universidades ofrecen cursos que cubren diversos aspectos de la seguridad de la IA, desde conocimientos fundamentales hasta temas avanzados.

Los principales proveedores de soluciones de ciberseguridad ofrecerán una amplia variedad de cursos y formación para proporcionar a su equipo las competencias que necesita para sacar el máximo partido a su plataforma.

Mejores prácticas de ciberseguridad con IA

Implementar una estrategia integral para poner la IA en práctica en ciberseguridad es esencial.

1. Establecer políticas de gobernanza de datos y privacidad

En las primeras fases del proceso de adopción, establezca políticas sólidas de gobernanza de datos que cubran la anonimización, el cifrado y otros aspectos. Incluya a todas las partes interesadas relevantes en este proceso.

2. Exigir transparencia en la IA

Desarrolle u obtenga bajo licencia modelos de IA que puedan ofrecer explicaciones claras de sus decisiones, en lugar de utilizar modelos de “caja negra”. Así, los profesionales de seguridad podrán comprender cómo llega la IA a sus conclusiones e identificar posibles sesgos o errores. Estos modelos de “caja de cristal” los proporcionan Fiddler AI, DarwinAI, H2O.ai y herramientas de IBM Watson como AI Fairness 360 y AI Explainability 360.

3. Reforzar una gestión de datos sólida

Los modelos de IA dependen de la calidad de los datos utilizados para el entrenamiento. Asegúrese de utilizar datos diversos, precisos y actualizados para que su IA pueda aprender e identificar amenazas de forma eficaz.
Implante medidas de seguridad sólidas para proteger los datos utilizados en el entrenamiento y el funcionamiento de un modelo de IA, ya que algunos pueden ser sensibles. Cualquier filtración podría exponerlos, comprometer la eficacia de la IA o introducir vulnerabilidades.
Tenga en cuenta los posibles sesgos en sus datos de entrenamiento. Los sesgos pueden llevar a la IA a priorizar determinados tipos de amenazas o pasar por alto otras. Supervise y mitigue periódicamente los sesgos para garantizar que su IA tome decisiones objetivas.

Más información sobre: La importancia de contar con datos precisos para sacar el máximo partido a la IA

4. Proporcionar entrenamiento adversario a los modelos de IA

Exponga los modelos de IA a entradas maliciosas durante la fase de entrenamiento para que puedan reconocer y contrarrestar ataques adversarios como el envenenamiento de datos.

5. Implementar una supervisión continua

Lleve a cabo una supervisión continua y utilice sistemas de detección de amenazas para identificar sesgos y degradación del rendimiento.
Utilice sistemas de detección de anomalías para identificar comportamientos inusuales en sus modelos de IA o patrones de tráfico de red, con el fin de detectar posibles ataques de IA que intenten manipular datos o explotar vulnerabilidades.
Vuelva a entrenar periódicamente sus modelos de ciberseguridad con IA con datos nuevos y actualice los algoritmos para garantizar que sigan siendo eficaces frente a amenazas en evolución.

6. Mantener a las personas dentro del proceso

La IA no es infalible. Mantenga la supervisión humana, con profesionales de seguridad que revisen y validen los resultados de la IA para detectar posibles sesgos, falsos positivos o resultados manipulados que la IA pueda generar.

7. Realizar pruebas y auditorías periódicas

Evalúe de forma rutinaria sus modelos de IA para detectar vulnerabilidades. Como cualquier software, los productos de ciberseguridad con IA pueden tener debilidades que los atacantes podrían explotar. Aplicar parches con rapidez es fundamental.
Los modelos de IA pueden generar falsos positivos, identificando amenazas inexistentes. Adopte estrategias para minimizar los falsos positivos y evitar saturar a los equipos de seguridad con alertas irrelevantes.
Realice pruebas de seguridad frecuentes de sus modelos de IA para identificar debilidades que los atacantes podrían explotar. Las pruebas de penetración diseñadas expresamente para sistemas de IA pueden ser muy valiosas.

8. Contar con un plan de respuesta ante incidentes

Cree un plan integral de respuesta ante incidentes para abordar eficazmente los incidentes de seguridad relacionados con la IA.

9. Dar prioridad a la formación de los empleados

Forme a los empleados sobre los riesgos asociados a la IA y sobre cómo podrían utilizarse tácticas de ingeniería social para manipularlos y conseguir que comprometan sistemas de IA o la seguridad de los datos.
Realice ejercicios de red teaming que simulen ataques basados en IA, lo que ayuda a poner a prueba su postura de seguridad y detectar debilidades que los atacantes podrían explotar.
Colabore con expertos del sector e investigadores de seguridad para mantenerse al día de las amenazas de IA más recientes y de las mejores prácticas para contrarrestarlas.

10. Establecer la gestión de riesgos de IA de terceros

Evalúe cuidadosamente las prácticas de seguridad de los proveedores de IA de terceros. ¿Comparten datos con otras partes o utilizan conjuntos de datos públicos? ¿Siguen los principios de seguridad desde el diseño?

11. Otras mejores prácticas

Integre su solución de IA con fuentes de inteligencia de amenazas para que pueda incorporar datos de amenazas en tiempo real y adelantarse a nuevos vectores de ataque.
Asegúrese de que su solución de IA cumple las normas y regulaciones sectoriales pertinentes. Esto es obligatorio en determinados sectores. Por ejemplo, en los sectores de automoción y fabricación, una IA debe cumplir la norma ISO 26262 de seguridad funcional para automoción, el Reglamento General de Protección de Datos (RGPD) en materia de privacidad de datos y las directrices del National Institute of Standards and Technology. La IA en el ámbito sanitario debe cumplir la Health Insurance Portability and Accountability Act en EE. UU., el RGPD en Europa y la normativa de la FDA para dispositivos médicos basados en IA.
Realice un seguimiento de métricas como las tasas de detección de amenazas, los falsos positivos y los tiempos de respuesta. De este modo, conocerá la eficacia de su IA y las áreas de mejora.

Ganar con un enfoque equilibrado

Para cualquier organización que se adentre en esta audaz nueva frontera de la ciberseguridad con IA, el camino a seguir es un enfoque equilibrado. Aproveche las numerosas fortalezas de la IA, pero manténgase alerta ante sus limitaciones y posibles vulnerabilidades.

Como cualquier tecnología, la IA no es intrínsecamente buena ni mala; la utilizan tanto agentes legítimos como maliciosos. Recuerde siempre tratar la IA como cualquier otra herramienta: respétela por lo que puede hacer para ayudar, pero manténgase prudente ante lo que puede hacer para causar daño.

Leer: La postura de Ivanti sobre la inteligencia artificial

Gestión del conocimiento con IA: cómo usar la IA generativa para bases de conocimiento

Mon, 10 Jun 2024 20:33:57 Z

El interés por la IA generativa se ha disparado desde el lanzamiento de herramientas como ChatGPT, Google Gemini, Microsoft Copilot y otras. Junto con las expectativas llegan preocupaciones sobre la privacidad, la información de identificación personal (PII), la seguridad y la precisión.

Las organizaciones están avanzando con cautela con las herramientas de IA generativa, aunque las consideran un factor transformador. Muchas buscan el “punto óptimo”: aprovechar sus ventajas desde ahora e identificar usos futuros más estratégicos, todo ello sin comprometer la seguridad.

Un área en la que las mejoras pueden ser inmediatas: la gestión del conocimiento, que tradicionalmente ha supuesto un reto para muchas organizaciones. Sin embargo, la gestión del conocimiento basada en IA puede aportar beneficios extraordinarios, especialmente para los equipos de TI atrapados en el mantenimiento manual de bases de conocimiento.

Cómo se cruzan la IA generativa y la gestión del conocimiento

IA generativa se refiere a un tipo de inteligencia artificial que puede crear contenido nuevo, como imágenes, vídeo, texto o música, a partir de datos existentes. Utiliza algoritmos de aprendizaje automático para analizar grandes conjuntos de datos y aprender de ellos, y después usa ese aprendizaje para generar nuevo contenido.

Gestión del conocimiento es el proceso de capturar, organizar y compartir conocimiento dentro de una organización. Implica recopilar información de diversas fuentes, almacenarla en una base de datos centralizada y hacer que sea fácilmente accesible para los empleados cuando la necesiten.

Muchas organizaciones llevan a cabo la gestión del conocimiento de forma manual, lo que da lugar a contenido desactualizado o mal redactado. Al automatizar los procesos de gestión del conocimiento, la IA generativa puede mejorar su eficiencia y eficacia.

Ventajas de la IA generativa en la gestión del conocimiento

Estas son algunas de las formas concretas en que la IA generativa puede lograr estos objetivos:

Automatizar la creación de artículos de conocimiento

La IA generativa puede redactar automáticamente artículos de conocimiento a partir de fuentes de datos existentes, como documentación de productos, tickets de soporte al cliente y materiales de formación para empleados. Esto libera a los profesionales de TI para tareas más estratégicas, como desarrollar nuevas iniciativas de gestión del conocimiento y mejorar los artículos existentes.

Dado que el 56 % de los profesionales de TI afirma que el volumen de tickets del servicio de asistencia ha aumentado, y el 78 % atribuye ese incremento al trabajo híbrido o remoto, mejorar una base de conocimiento puede permitir una resolución de problemas más rápida y eficaz, y liberar a los equipos para que aborden tareas más estratégicas.

Crear contenido más personalizado y atractivo

La IA generativa puede personalizar el contenido para cada usuario con el fin de mejorar su experiencia. Los artículos de conocimiento, en especial los de RR. HH., pueden personalizarse por región o idioma. La capacidad de generar contenido específico para un perfil de empleado mejorará su uso y su experiencia.

Mejorar la calidad del conocimiento

La IA generativa puede identificar y corregir errores, añadir contexto e información adicional a los artículos de conocimiento y archivar información obsoleta. Así, los empleados solo accederán a información precisa y actualizada.

Generar nuevas ideas e información útil

La IA generativa puede combinar el conocimiento existente de nuevas formas. Por ejemplo, RR. HH., Instalaciones y TI podrían tener artículos sobre la incorporación y la salida de empleados. La IA generativa puede usarlos para crear un artículo de conocimiento combinado que cubra los tres departamentos, de modo que el empleado no tenga que buscar en varios artículos.

Resolver problemas con mayor rapidez

La IA generativa puede resolver problemas con rapidez identificando patrones de datos que ayuden a mejorar la toma de decisiones y el rendimiento. Por ejemplo, podría analizar incidentes de TI durante un periodo determinado e identificar una resolución común para problemas similares. Después puede generar un artículo de conocimiento para los agentes del service desk sobre cómo agilizar las resoluciones, o para los empleados sobre cómo hacerlo mediante autoservicio.

Mejorar la precisión de las búsquedas

La IA generativa puede mejorar la precisión de las búsquedas personalizando la entrega de conocimiento en función de las necesidades y preferencias de cada empleado. Dado que un trabajador medio dedica 3,6 horas al día a buscar información, cualquier ahorro de tiempo en este ámbito es una mejora que potencia su experiencia digital.

Potenciar la automatización

La IA generativa puede ayudar a automatizar tareas rutinarias, incluso aquellas que no están directamente relacionadas con la creación de artículos de gestión del conocimiento. El aumento vertiginoso de las cargas de trabajo explica por qué el 92 % de los profesionales de TI considera la automatización “necesaria” o “muy necesaria”, por lo que identificar nuevas formas de optimizar los procesos puede liberarlos de tareas rutinarias para abordar otros trabajos, al tiempo que se reducen costes.

Inconvenientes de la IA generativa en la gestión del conocimiento

La IA generativa aplicada a la gestión del conocimiento tiene el potencial de revolucionar muchos sectores y áreas, pero no está exenta de cuestiones importantes que deben abordarse durante la implementación.

Seguridad y privacidad

Los sistemas de gestión del conocimiento con IA pueden contener información sensible o confidencial, por lo que es fundamental garantizar que estén protegidos frente a ciberamenazas. Además, puede haber preocupaciones de privacidad si la IA genera contenido utilizando información personal o identificativa.

Calidad y precisión

Aunque los modelos de IA generativa pueden producir resultados impresionantes, la calidad y la precisión pueden variar considerablemente en función de la calidad de los datos de entrada y de la complejidad de la tarea.

Riesgo de desinformación

La IA generativa puede llegar a producir información incorrecta o engañosa, con consecuencias graves para TI; por ejemplo, al introducir malware o recomendar erróneamente desactivar funcionalidades utilizadas para proteger el entorno de TI frente a actores maliciosos. Supongamos que un usuario intenta instalar un controlador de impresora y pide ayuda a la IA. Entre sus instrucciones, la IA podría indicarle que desactive el software antivirus o un cortafuegos, abriendo una ventana para la instalación de malware.

Dependencia del contenido generado por IA

Las empresas que dependen demasiado de este contenido podrían no priorizar el contenido generado por personas ni las habilidades de pensamiento crítico, lo que podría provocar una pérdida de experiencia. La supervisión humana sigue siendo esencial para validar y aprobar los resultados generados por IA.

Sesgo de los datos

Los modelos de IA generativa pueden reflejar inadvertidamente sesgos presentes en sus datos de entrenamiento, lo que da lugar a resultados sesgados o inexactos. Esto puede ser un problema en la gestión del conocimiento, donde la precisión es fundamental. Si un modelo de gestión del conocimiento con IA se entrena con datos procedentes principalmente de Estados Unidos, por ejemplo, puede generar resultados menos relevantes para personas de otros países.

Consideraciones éticas

Entre ellas se incluyen posibles sesgos en los datos de entrenamiento de la gestión del conocimiento con IA, que perpetúen desigualdades existentes.

Obtenga el informe interactivo: AITSM: cómo la IA está redefiniendo la automatización del service desk de TI

Cómo hacer que la gestión del conocimiento con IA funcione

A pesar de las preocupaciones, la gestión del conocimiento con IA generativa puede ser una herramienta muy potente. Al considerar cuidadosamente los posibles inconvenientes y tomar medidas para mitigarlos, las organizaciones pueden aprovechar la IA generativa en la gestión del conocimiento.

Estas son cinco cuestiones que deben tenerse en cuenta al implementar la gestión del conocimiento con IA:

Identificar los tipos de datos utilizados para entrenar el modelo de IA generativa: La identificación de los tipos de datos ayudará a garantizar que los datos utilizados sean precisos y fiables. ¿Va a utilizar artículos de conocimiento existentes, datos de incidentes, datos de problemas o una combinación de tipos?

Garantizar que los datos identificados sean precisos, completos y estén actualizados: La IA generativa es tan buena como los datos con los que se entrena; el principio de “basura entra, basura sale” sigue siendo válido.

Supervisar los resultados de su modelo de gestión del conocimiento con IA generativa: Compruebe si presentan sesgos, desinformación, falta de completitud o imprecisiones para garantizar que la información generada sea fiable.

Desarrollar políticas y procedimientos para gestionar los riesgos: Esto es fundamental para abordar cuestiones como la seguridad de los datos, la privacidad y las consideraciones éticas al usar IA generativa para la gestión del conocimiento.

Establecer un proceso de aprobación: La revisión y la autorización deben realizarse antes de que cualquier resultado generado se comparta públicamente.

Consejos de implementación para la gestión del conocimiento con IA generativa

No cabe duda de que la gestión del conocimiento con IA generativa puede ser una herramienta valiosa, ni de que aún queda mucho por aprender tanto sobre sus ventajas como sobre sus posibles riesgos.

Una organización debe evaluar los posibles impactos y elegir una solución de gestión del conocimiento con IA que satisfaga sus necesidades específicas de privacidad, precisión y seguridad.

Dicho esto, hay algunas prácticas recomendadas adicionales para favorecer una adopción satisfactoria:

Empezar poco a poco y escalar: Lo mejor es empezar con un pequeño proyecto piloto de gestión del conocimiento con IA generativa y, después, escalarlo a medida que adquiera experiencia.

Conseguir el respaldo de las partes interesadas: Es importante conseguir el respaldo de las partes interesadas antes de implementar la IA generativa para garantizar que se use de forma eficaz y que sus resultados sean de confianza.

Mejorar continuamente el modelo: Es fundamental mejorar continuamente su modelo de gestión del conocimiento con IA volviéndolo a entrenar con nuevos datos y abordando cualquier posible problema que pueda surgir.

Cómo utilizar la IA generativa para la gestión del conocimiento

Tue, 27 Jun 2023 14:30:00 Z

En el blog “Cómo puede beneficiar la IA generativa a la gestión del conocimiento”, analizamos las ventajas de la IA para la gestión del conocimiento a la hora de mejorar la calidad, automatizar la creación de contenido y facilitar contenidos más atractivos. La incorporación de la IA generativa al marco de gestión del conocimiento plantea inquietudes en torno a la precisión, los sesgos de los datos, la privacidad y la seguridad.

Ahora es el momento de analizar cómo podemos hacer que funcionen bien conjuntamente...

Cómo utilizar la IA generativa con la gestión del conocimiento

A pesar de las inquietudes que suscita el uso de la IA generativa en las operaciones diarias, esta tecnología puede convertirse en una herramienta potente para optimizar la gestión del conocimiento. Si consideran detenidamente los posibles inconvenientes y toman medidas para mitigarlos, las organizaciones pueden utilizar la IA generativa para mejorar sus prácticas de gestión del conocimiento.

Estos son los cinco aspectos que conviene tener en cuenta al utilizar IA generativa para la gestión del conocimiento:

Asegúrate de identificar el tipo de datosque se utilizarán para entrenar el modelo de IA generativa. Identificar el tipo de datos ayudará a garantizar que los datos utilizados sean precisos y fiables. ¿Vas a utilizar artículos de conocimiento existentes, datos de incidentes, datos de problemas o combinaciones de todos ellos?
Una vez identificado el tipo de datos, la IA generativa solo será tan buena como los datos con los que se entrene. El viejo dicho «si entra basura, sale basura» sigue siendo válido. Asegúrate de que los datos identificados anteriormente sean precisos, completos y estén actualizados.
Supervisar el resultado del modelo de IA generativa para detectar indicios de sesgo, desinformación, falta de exhaustividad e imprecisión. Esto puede ayudar a garantizar que la información generada por el modelo sea fiable.
Desarrollar políticas y procedimientos para gestionar los riesgos asociados al uso de la IA generativa para la gestión del conocimiento. Se trata de un paso importante para garantizar el éxito de tu proyecto. Estas políticas y procedimientos deben abordar cuestiones como la seguridad de los datos, la privacidad y las consideraciones éticas. Deben diseñarse para garantizar que el uso de la IA generativa para la gestión del conocimiento se lleve a cabo de forma responsable y ética.
Establecer un proceso de aprobación antes de compartir públicamente cualquier información de conocimiento, para garantizar que los resultados generados se revisen y autoricen.

Al seguir estos pasos, las organizaciones pueden utilizar la IA generativa para mejorar sus prácticas de gestión del conocimiento y, al mismo tiempo, minimizar los riesgos.

Informe interactivo:AITSM: cómo la IA está redefiniendo la automatización del service desk de TI

Combinar la IA generativa y la gestión del conocimiento con cautela

La eficacia y el impacto de la IA generativa en la gestión del conocimiento dependerán de cómo se utilice e implemente. Es importante evaluar detenidamente las ventajas y los riesgos antes de decidir si incorporarla.

Estos son algunos posibles pros y contras:

Ventajas

1. Generación automática de contenido relevante

La IA generativa puede utilizarse para crear automáticamente artículos de conocimiento a partir de fuentes de datos existentes, como documentación de productos, tickets de soporte al cliente y materiales de formación para empleados.

Con un 32 % de los profesionales de TI que indican un aumento de los tickets del servicio de asistencia desde el paso al trabajo remoto, existe una importante oportunidad para mejorar la base de conocimiento, lo que puede permitir una resolución de incidencias más rápida y eficaz y liberar a los profesionales de TI para que se centren en tareas más estratégicas, como desarrollar nuevas iniciativas de gestión del conocimiento y mejorar la calidad de los artículos de conocimiento existentes.

2. Mayor precisión en las búsquedas

La IA generativa puede ayudar a mejorar la precisión de las búsquedas personalizando la entrega de conocimiento a los empleados en función de sus necesidades y preferencias individuales. Dado que un empleado medio dedica 3,6 horas al día a buscar información, cualquier ahorro de tiempo en la forma en que se le entrega el conocimiento supone una ventaja.

Facilitar un acceso más sencillo y rápido a la información mejorará, en última instancia, la experiencia digital de tus empleados.

3. Automatización mejorada

La IA generativa puede ayudar a automatizar tareas rutinarias, aunque no estén directamente relacionadas con la creación de artículos de gestión del conocimiento.

Con un 85 % de los profesionales de TI que valoran las inversiones en automatización e IA como iniciativas rentables, identificar nuevas formas de optimizar sus procesos puede liberar tiempo para que los profesionales de TI se centren en cuestiones más complejas.

Inconvenientes

1. Riesgo de desinformación

La IA generativa puede llegar a producir información incorrecta o engañosa, lo que puede tener consecuencias graves en el ámbito de TI. Por ejemplo, la introducción de malware o la recomendación errónea de desactivar funcionalidades que se utilizan para proteger el entorno de TI frente a actores maliciosos.

2. Dependencia del contenido generado por IA

Si las empresas dependen demasiado del contenido generado por IA, es posible que no prioricen el contenido generado por personas ni las habilidades de pensamiento crítico, lo que podría provocar una pérdida de conocimiento experto. A pesar de todo el debate en torno a la IA generativa, la supervisión humana sigue siendo necesaria para validar la precisión y aprobar la información generada.

3. Preocupaciones éticas

Existen preocupaciones éticas en torno al uso de la IA generativa, como el posible sesgo en los datos utilizados para entrenar el modelo, que puede perpetuar desigualdades existentes.

No cabe duda de que la IA generativa puede ser una herramienta valiosa para la gestión del conocimiento de TI y, aunque se trata de una nueva tecnología prometedora, aún queda mucho por aprender sobre las ventajas y los riesgos que puede aportar.

Cada organización debe revisar el posible impacto de forma individual y elegir una solución de IA adecuada que responda a sus propias necesidades de privacidad, precisión y seguridad.

Consejos para implementar la IA generativa para la gestión del conocimiento

Empezar poco a poco y escalar

Es mejor comenzar con un pequeño proyecto piloto y, después, ampliar el uso de la IA generativa a medida que se gana experiencia.

Conseguir la aceptación de las partes interesadas

Es importante conseguir la aceptación de las partes interesadas antes de desplegar la IA generativa en producción. Esto ayudará a garantizar que el modelo se utilice de forma eficaz y que sus resultados sean fiables.

Supervisar el rendimiento del modelo

Es importante supervisar el rendimiento del modelo después de desplegarlo en producción. Esto ayudará a identificar posibles problemas del modelo y a mejorar su precisión.

Mejorar continuamente el modelo

Los modelos de IA generativa se mejoran constantemente. Es importante mejorar el modelo de forma continua, volviendo a entrenarlo con nuevos datos y abordando cualquier posible problema que pueda surgir.

Obtén más información sobre este tema: mira nuestro webinar sobre IA generativa para InfoSec y hackers: lo que los equipos de seguridad deben saber.

Cómo la IA generativa puede beneficiar a su gestión del conocimiento

Tue, 20 Jun 2023 15:24:02 Z

Desde el lanzamiento de herramientas como ChatGPT, Google Bard, Amazon Large Language Models y Microsoft Bing, ha crecido el interés por las capacidades de la IA generativa. Junto con las expectativas llegan las preocupaciones sobre la privacidad, la información de identificación personal (PII), la seguridad y, aún más importante, la precisión. Y con razón.

Las organizaciones están avanzando con cautela en la adopción de herramientas de IA generativa, aunque las consideran un elemento transformador. Muchas empresas intentan encontrar el equilibrio adecuado que les permita aprovechar las ventajas actuales e identificar usos más estratégicos de la IA generativa para el futuro, todo ello sin comprometer la seguridad.

Un área en la que una organización puede obtener beneficios inmediatos es la gestión del conocimiento. Esta iniciativa ha supuesto un reto para muchas organizaciones, pero puede impulsar la productividad de los empleados y aportar ventajas significativas a los equipos de soporte, que normalmente mantienen el conocimiento de forma manual.

Cómo se relacionan la IA generativa y la gestión del conocimiento

La IA generativa hace referencia a un tipo de inteligencia artificial que puede crear contenido nuevo, como imágenes, texto o incluso música, a partir de datos existentes. Utiliza algoritmos de aprendizaje automático para analizar grandes conjuntos de datos y aprender de ellos. A partir de ahí, genera nuevo contenido basado en ese análisis.

La gestión del conocimiento, por su parte, es el proceso de capturar, organizar y compartir el conocimiento dentro de una organización. Implica recopilar información de diversas fuentes, almacenarla en una base de datos centralizada y hacer que sea fácilmente accesible para los empleados cuando la necesiten.

Muchas organizaciones mantienen su gestión del conocimiento de forma manual, lo que puede dar lugar a contenido obsoleto o mal redactado. Al automatizar muchas de las tareas implicadas en la gestión del conocimiento, la IA generativa puede ayudar a mejorar la eficiencia y la eficacia de sus procesos de gestión del conocimiento.

Estas son algunas de las formas concretas en que la IA generativa puede optimizar la gestión del conocimiento:

1. Automatizar la creación de artículos de conocimiento

La IA generativa puede crear automáticamente artículos de conocimiento a partir de fuentes de datos existentes, como documentación de productos, tickets de soporte al cliente y materiales de formación para empleados. Esta automatización puede liberar a los profesionales de TI para que se centren en tareas más estratégicas, como desarrollar nuevas iniciativas de gestión del conocimiento y mejorar la calidad de los artículos de conocimiento existentes.

2. Mejorar la calidad del conocimiento

La IA generativa puede mejorar la calidad del conocimiento identificando y corrigiendo errores, archivando información antigua, así como añadiendo contexto e información adicional a los artículos de conocimiento. Esto puede ayudar a garantizar que los empleados tengan acceso a información precisa y actualizada.

3. Generar nuevas ideas e información

La IA generativa puede generar nuevas ideas e información combinando el conocimiento existente de formas nuevas. Por ejemplo, RR. HH., instalaciones y TI pueden tener artículos sobre la incorporación y salida de empleados en una organización.

La IA generativa puede analizarlos y producir un artículo de conocimiento combinado que aborde el proceso integral de incorporación y salida en las tres áreas. Esto puede evitar que un empleado tenga que buscar en tres áreas diferentes.

4. Resolver problemas con mayor rapidez

La IA generativa puede resolver problemas rápidamente identificando patrones y tendencias en los datos. Esto puede ayudar a las organizaciones a tomar mejores decisiones y mejorar su rendimiento general.

Por ejemplo, la IA generativa puede analizar incidentes de TI durante un periodo de tiempo definido e identificar un método común de resolución para un conjunto de problemas habituales. A partir de sus conclusiones, puede generar un artículo de conocimiento para que los agentes del service desk resuelvan las incidencias más rápido y para que los empleados las resuelvan por sí mismos mediante autoservicio.

5. Crear contenido más atractivo

La IA generativa puede crear contenido más atractivo personalizándolo para cada usuario, lo que ayuda a las organizaciones a mejorar la experiencia del cliente. Los artículos de conocimiento, especialmente dentro del conocimiento de RR. HH., se personalizan en función de la región o el idioma. Poder generar contenido específico para su perfil mejorará enormemente el uso y la experiencia del empleado.

¿Cuáles son los inconvenientes de la IA generativa?

Las soluciones de IA generativa combinadas con la gestión del conocimiento tienen el potencial de revolucionar muchos sectores y ámbitos. Sin embargo, también presentan inconvenientes, entre ellos:

1. Seguridad y privacidad

Los sistemas de IA generativa utilizados para la gestión del conocimiento pueden contener información confidencial o sensible. Por ello, es fundamental garantizar que sean seguros y estén protegidos frente a ciberamenazas. Además, puede haber preocupaciones en torno a la privacidad, especialmente si la IA genera contenido que incluye información personal o identificativa.

Por ejemplo, la IA generativa puede crear ataques de malware y phishing de aspecto realista. Estos ataques pueden utilizarse para robar información personal, datos financieros u otra información sensible.

2. Calidad y precisión

Aunque los modelos de IA generativa pueden producir resultados impresionantes, su calidad y precisión pueden variar mucho en función de los datos de entrada y la complejidad de la tarea. El viejo dicho «basura entra, basura sale» sigue siendo aplicable. También puede resultar difícil garantizar que la IA tenga acceso a información precisa y actualizada, lo que puede afectar a la calidad de lo que genera.
Por ejemplo, los datos de entrenamiento de ChatGPT se recopilan de internet y se actualizan periódicamente. Sin embargo, la versión actual de ChatGPT se ha entrenado con datos recopilados hasta septiembre de 2021. Esto significa que ChatGPT puede no ser capaz de responder a preguntas sobre acontecimientos actuales o temas que hayan aparecido en las noticias desde septiembre de 2021.

3. Sesgo de los datos

Los modelos de IA generativa pueden reflejar inadvertidamente los sesgos y prejuicios presentes en los datos con los que se entrenan, lo que da lugar a resultados sesgados o inexactos. Este sesgo de los datos resulta especialmente preocupante en aplicaciones de gestión del conocimiento, donde la precisión es fundamental.
Por ejemplo, si un modelo se entrena con un conjunto de datos de texto procedente predominantemente de Estados Unidos, es posible que sea menos probable que el modelo genere texto relevante para personas de otros países.

La IA generativa ofrece a las organizaciones oportunidades para mejorar la gestión del conocimiento mediante una mayor calidad, contenido atractivo y automatización. Pero también hay precauciones que tener en cuenta. Descubra qué necesita implementar para utilizar con éxito la IA generativa con la gestión del conocimiento en su organización.