Durante la mayor parte de la última década, la detección y respuesta gestionadas fueron la respuesta a un problema real. Los equipos de seguridad no podían contar con personal las 24 horas del día, no podían contratar suficientes analistas y necesitaban a alguien más para manejar la cola de alertas. MDR intervino. Funcionó bastante bien. Hasta ahora.
El panorama de amenazas ha cambiado más rápido de lo que el modelo MDR puede adaptarse. Los atacantes utilizan la IA para moverse más rápido, generar phishing a escala más convincente, automatizar el reconocimiento y crear variantes de malware que evadan la detección basada en firmas. La superficie de ataque se ha expandido desde el punto final hasta la nube, la identidad y la red simultáneamente. Y, sin embargo, MDR sigue haciendo lo que siempre hizo. Dirigir alertas a analistas humanos que clasifican lo que pueden, en el orden en que pueden llegar a ello.
Eso ya no es suficiente. Los datos que compartimos a continuación lo demuestran y los líderes de seguridad podrían considerar explorar si han superado su MDR.
La promesa 24 horas al día, 7 días a la semana de MDR no cubre el 60% de sus alertas
MDR prometió cobertura humana 24 horas al día, 7 días a la semana. Lo que proporcionó fue una capacidad humana 24 horas al día, 7 días a la semana para clasificar alertas de alta gravedad. Esos no son lo mismo.
En toda la industria, aproximadamente el 60 % de las alertas no se revisan. Eso no es una falla de desempeño. Los equipos humanos, ya sean internos o subcontratados a un MDR, no pueden procesar el volumen de alertas que generan los entornos modernos. Entonces hacen lo que hace cualquier persona racional. Ellos priorizan. Los P1 y P2 trabajan. Los P3 y P4 se acumulan.
Pero aquí es exactamente donde se esconden los atacantes.
Un análisis de 25 millones de alertas en empresas globales en 2025 encontró que casi el 1% de las amenazas reales se originan en alertas informativas y de baja gravedad. En una empresa que genera 450.000 alertas al año, eso se traduce en aproximadamente 54 incidentes reales por año, aproximadamente uno por semana, en la cola sin prioridad donde nadie está mirando.
Las brechas que se esconden en ese atraso no son teóricas. Están sucediendo ahora mismo, en organizaciones que creen que tienen cobertura.
Nota: Las matemáticas detrás de la afirmación anterior suponen 450.000 alertas anuales, de las cuales el 60% no se investigan y de ellas, el 2% son incidentes reales. De esos incidentes reales, el 1% se originan en alertas de baja gravedad.
La calidad de la investigación varía según quién esté de turno
Incluso en el caso de las alertas que se revisan, la calidad de la investigación del MDR no es consistente. Está limitado por la experiencia del analista de turno, la profundidad de la cola en ese momento, la hora del día y si el equipo cuenta con todo el personal. Un P1 a las 3 a.m. recibe una investigación diferente que la misma alerta a las 10 a.m.
Esto no es una crítica a los analistas del MDR. Es una descripción de lo que sucede cuando cualquier proceso ejecutado por humanos se ejecuta a gran volumen, bajo presión, las 24 horas del día. La variación es inevitable.
Las consecuencias son reales. Cuando una investigación es superficial, las amenazas se clasifican como ruido. Cuando el seguimiento es inconsistente, el movimiento lateral en la etapa inicial parece un comportamiento rutinario. El atacante que recibió una alerta de baja gravedad sigue moviéndose sin ser detectado porque nadie tuvo el tiempo ni el contexto para conectar las señales.
La ingeniería de detección no es un circuito cerrado
En la mayoría de las implementaciones de MDR, la ingeniería de detección es un ejercicio periódico. Las reglas se ajustan cuando los clientes se quejan del volumen de alertas. Se agrega nueva cobertura cuando un CVE importante es noticia. De lo contrario, la postura de detección se desvía.
El problema central es arquitectónico. La ingeniería de investigación y detección MDR opera en silos separados. Cuando un analista investiga una alerta y la cierra como un falso positivo, esa información rara vez retroalimenta el sistema de detección. Las reglas rotas permanecen rotas. Las reglas ruidosas siguen generando ruido. Llegan nuevas técnicas de ataque sin detecciones coincidentes.
El resultado es una postura de detección que se degrada más rápido de lo que mejora. La cobertura real, medida según el marco MITRE ATT&CK, puede ser mucho menor de lo que suponen los equipos.
No puedes auditar lo que no puedes ver
La mayoría de los servicios MDR son una caja negra. Los clientes reciben escalamientos y resúmenes. No pueden ver la lógica de la investigación, inspeccionar el rastro de evidencia, verificar el veredicto o auditar lo que el analista realmente revisó antes de cerrar un caso.
En una era en la que la rendición de cuentas y la transparencia son requisitos de seguridad, ésta es una verdadera responsabilidad. Cuando se pasa por alto un incidente, no se puede diagnosticar por qué. Cuando un veredicto es incorrecto, no se puede rastrear el razonamiento. Cuando los reguladores preguntan qué se investigó y cómo, no hay respuesta.
Los ahorros de la IA van a parar al proveedor, no a usted
La IA está reduciendo el costo operativo de MDR. Los proveedores lo están utilizando para automatizar partes de la clasificación, reducir las horas de los analistas y aumentar los márgenes. Esas ganancias de eficiencia no llegan a los clientes en forma de precios más bajos o una mayor cobertura. El comprador sigue pagando la misma tarifa o más. El proveedor se queda con los ahorros.
Pero la brecha de cobertura sigue siendo la misma. La restricción de escala humana sigue siendo la misma. Sólo ha mejorado la estructura de costes del proveedor.
No eres dueño de lo que se construyó a tu nombre.
Las reglas de detección, la lógica de clasificación, el historial de casos y los aprendizajes de la investigación se acumulan dentro de la plataforma del proveedor de MDR durante la vigencia del contrato. Cuando finaliza el contrato, ese conocimiento no se traslada contigo. Los años de ajuste, el contexto acumulado sobre su entorno y las mejoras de detección creadas a partir de sus datos quedan en manos del proveedor.
Esto crea dos problemas. En primer lugar, las organizaciones que cambian de proveedor empiezan desde cero, reconstruyendo el conocimiento institucional que tardó años en desarrollarse. En segundo lugar, las organizaciones que quieren llevar las operaciones de seguridad internamente, una tendencia que se está acelerando a medida que maduran las herramientas AI SOC, se encuentran comenzando sin base.
Los proveedores de MDR, por razones obvias, no están incentivados a ayudar a los clientes a desarrollar capacidades internas. Su modelo depende de retener el trabajo.
Su contrato MDR puede impedirle utilizar Claude para su SOC
El bloqueo del conocimiento antes mencionado ya no es sólo un problema de costos de cambio. También es un problema de preparación de la IA. Cuando se intenta implementar un agente de IA para el trabajo SOC, se necesita una base de conocimiento para razonar. Reglas de detección, historial de casos, líneas de base de comportamiento y veredictos forenses. Si se encuentran en la plataforma de su proveedor de MDR, su agente comenzará casi desde cero.
Otras brechas en el MDR que vale la pena señalar
Aparte de lo anterior, MDR tiene una serie de brechas más pequeñas que se agravan con el tiempo. Cada cliente obtiene el mismo manual genérico independientemente de su perfil de riesgo específico, obligaciones de cumplimiento o confidencialidad de los datos. Las herramientas de integración como SOAR, que se suponía que agilizarían los hallazgos de MDR en flujos de trabajo internos, en gran medida no cumplieron esa promesa porque la investigación impulsada por humanos no produce los resultados estructurados y consistentes que requiere la automatización. Y cuando surge un incidente real y un cliente necesita hablar con alguien que comprenda su entorno, a menudo llega a un chatbot de IA o a una cola de emisión de tickets en lugar de a una persona.
Lo que realmente requiere la era de los atacantes impulsados por IA
Los atacantes de 2026 no están esperando a que se despejen las colas de alerta. Las campañas de phishing generadas por IA llegan a las bandejas de entrada con un volumen y una calidad que superan las puertas de enlace convencionales. Los ladrones de credenciales como Agent Tesla y LummaC2 se mueven rápido. Las herramientas EDR están siendo evadidas activamente, y las investigaciones muestran que más de la mitad de los puntos finales comprometidos confirmados ya habían sido marcados como “mitigados” por el proveedor de EDR. El atacante ya ganó una ronda que el defensor no sabía que se estaba jugando.
Llegar a este momento requiere un modelo operativo diferente. Uno donde la velocidad de la investigación se mide en segundos, no en horas. Donde se examina cada alerta, independientemente de la gravedad o la hora del día. Donde el resultado sea un veredicto respaldado por evidencia, no el juicio de un analista bajo presión.
Esto es para lo que está diseñado un AI SOC.
Un cambio de modelo operativo donde la IA ejecuta y los humanos supervisan
La idea central detrás de un AI SOC es simple. Sacar la ejecución de la investigación de la cola humana a la IA, para que los humanos puedan centrarse en las decisiones en lugar del descubrimiento.
En la práctica, esto significa que el 100 % de las alertas, incluidas las de punto final, identidad, nube, red, phishing y SIEM, se clasifican e investigan automáticamente. No muestreado. No filtrado por gravedad. Todos. La IA aplica la misma profundidad forense a una alerta P4 a las 3 am que un analista senior aplicaría a una P1 por la tarde.
Los datos de la plataforma de Intezer sobre 25 millones de alertas muestran que esto es posible. Menos del 2% de las alertas requirieron una escalada humana. Más del 98 % que resolvió de forma autónoma lo hizo con una mediana de tiempo de clasificación inferior a un minuto y una precisión del veredicto del 98 %. Para una gran empresa con 450.000 alertas anuales, eso significa que aproximadamente 441.000 alertas por año se investigan y resuelven completamente sin intervención humana y 54 amenazas genuinas que se habrían pasado por alto con la cobertura MDR tradicional ahora se detectan con recomendaciones de acción correctiva.
La profundidad forense es lo que hace que la autonomía de la IA sea confiable
La IA puede resumir una alerta. Eso es útil. La IA puede enriquecerse con inteligencia sobre amenazas. También útil. Pero ninguna de esas actividades es investigación. Están en preprocesamiento.
Una investigación genuina impulsada por IA requiere interrogatorios a nivel forense. Cuando se activa una alerta, la pregunta no es “¿Parece sospechoso?” Es lo que realmente se ejecutó, dónde se originó, qué hizo y ¿hay evidencia de compromiso en la memoria de que la alerta en sí no apareció?
Esto es importante porque las amenazas más peligrosas están diseñadas específicamente para evadir la detección a nivel de superficie. El malware sin archivos vive completamente en la memoria y no escribe nada en el disco. La inyección de código se esconde dentro de procesos legítimos. El robo de credenciales en una etapa temprana parece una autenticación normal. Sin análisis forense de memoria, análisis binario y detección de reutilización de código, una investigación de IA es tan profunda como los datos de alerta que se le entregaron.
La profundidad forense también es lo que crea el umbral de confianza, el punto en el que los veredictos de la IA son precisos y están lo suficientemente respaldados por evidencia como para actuar sin validación humana. Por debajo de ese umbral, la IA ayuda a los analistas. Por encima de este nivel, la IA puede asumir con seguridad toda la carga de trabajo de investigación y escalar sólo cuando las pruebas lo justifiquen.
La ingeniería de detección de circuito cerrado lo cambia todo
Una de las ventajas estructurales más importantes de un verdadero AI SOC es el circuito cerrado entre la investigación y la detección. Cada investigación de alerta genera información sobre la calidad de la detección. ¿Qué reglas funcionan con precisión, cuáles generan ruido y qué técnicas de ataque no tienen cobertura alguna?
Cuando esta retroalimentación fluye continuamente hacia la ingeniería de detección, la postura mejora sin esperar una auditoría anual o una queja del cliente. Se afinan las reglas ruidosas. Se marca la telemetría rota. La nueva cobertura de técnicas emergentes se implementa en días, no en meses. El sistema de detección se vuelve más inteligente junto con el sistema de investigación.
Así es como la cobertura de MITRE ATT&CK pasa de una línea base estática a un mapa dinámico y mejorado de lo que una organización realmente puede detectar. Es la diferencia entre una cobertura que refleja lo que se creó hace dos años y una cobertura que refleja lo que los atacantes están haciendo hoy.
Precios que se alinean con la cobertura total
La economía de un SOC de IA debe coincidir con la cobertura que proporciona. El precio por alerta, que sigue siendo común entre las herramientas copiloto de IA que dependen en gran medida de los LLM, obliga a los clientes a ser selectivos sobre qué alertas enviar. El resultado es el mismo problema de selección que creó MDR. Las alertas de alta gravedad llaman la atención, las alertas de baja gravedad se acumulan en una cola sin prioridad.
El precio por punto final cambia esto por completo. El costo se fija según la cantidad de puntos finales monitoreados, no según el volumen de alertas. No existe ninguna penalización económica por investigar cada alerta. La cobertura total se convierte en la opción predeterminada, no en una prima.
Esto también es importante para la previsibilidad presupuestaria. Los volúmenes de alerta aumentan de manera impredecible durante incidentes activos o cuando se implementan nuevas detecciones. Los recuentos de puntos finales son estables. Para los equipos financieros que intentan planificar el gasto en seguridad, la diferencia es significativa.
Cómo se ve la propiedad en un AI SOC
Las reglas de detección, el historial de investigación y el contexto organizacional deben pertenecer a la organización, no al proveedor. Esto significa que cada detección implementada en el SIEM de un cliente es la regla del cliente. La evidencia de la investigación está disponible para auditoría en cualquier momento. Si la organización decide ampliar la capacidad interna, crear sus propios agentes de IA o cambiar de herramientas, se lo llevará todo.
Este no es sólo un término del contrato. Es un requisito previo para la madurez de la seguridad y para una adopción más amplia de herramientas de inteligencia artificial como Claude por parte de su equipo de seguridad. Las organizaciones que quieran eventualmente supervisar los sistemas de IA en lugar de subcontratar a proveedores necesitan una base de conocimiento sobre la cual construir. Esa base no puede existir si reside dentro de la plataforma de un proveedor.
La transición de MDR a AI SOC
Pasar de MDR a un AI SOC no es necesariamente una decisión de eliminar y reemplazar para la mayoría de las organizaciones. El camino práctico podría ser primero el aumento. Incorpore una investigación de IA junto con el contrato MDR existente, observe qué muestra la IA que faltaba en el MDR y deje que la comparación construya el caso para una transición limpia en el momento de la renovación.
Cuando el contrato MDR está listo para renovarse, la organización generalmente tiene meses de evidencia que muestra cómo se ve la cobertura de alerta completa, cuál fue la tasa de escalada bajo la clasificación de IA y cuánto costaría mantener el modelo antiguo versus el nuevo. La decisión ya no es teórica.
La pregunta que los líderes de seguridad deben responder
El modelo MDR fue diseñado para un mundo donde los atacantes operaban a velocidad humana y el principal desafío era la dotación de personal. Ese mundo se ha ido. Los atacantes ejecutan campañas asistidas por IA, se mueven a través de entornos más rápido de lo que las colas de clasificación humana pueden responder y se dirigen específicamente al espacio de señales de baja gravedad donde MDR deja puntos ciegos.
La pregunta para todo CISO y líder de seguridad que evalúa sus operaciones actuales es sencilla. Del 60% de las alertas que su equipo no está revisando, ¿qué tan seguro está de que ninguna contiene una amenaza real?
La respuesta, basada en el análisis de Intezer de 25 millones de alertas reales, es que aproximadamente 54 de ellas lo hacen. Cada año. Uno por semana. En el montón que nadie mira.
El AI SOC no promete eliminar todas las amenazas. Ninguna plataforma lo hace. Pero cierra la brecha de cobertura que el modelo MDR estructuralmente no puede cerrar. Cada alerta, cada gravedad, cada hora del día, se investiga con profundidad forense, en menos de un minuto. Así son las operaciones de seguridad en la era de la IA.
¿Encontró interesante este artículo? Consulte la lista de verificación de renovación de MDR 2026 de Intezer.