Un equipo de tres personas genera más hallazgos en una noche con modelos de lenguaje que en un año completo con métodos manuales, según datos de campo de la última década.
Algo cambió en seguridad ofensiva durante los últimos dieciocho meses que la mayoría de las organizaciones todavía no procesó del todo. No es que los atacantes se volvieron más inteligentes — es que la economía del ataque cambió por completo. Los equipos de red teaming que operan con modelos de IA de frontera hoy pueden superar en productividad a operaciones tradicionales mucho más grandes por un margen que debería inquietar a cualquier responsable de seguridad. Según datos agregados por DayBlink Consulting sobre la última década de compromisos y validados por Robert Pimentel como representativos de su experiencia en red teaming, un equipo tradicional de tres a cuatro personas genera entre 60 y 70 hallazgos anuales, mientras que equipos aumentados con IA generan más de 90 hallazgos en un único ejercicio fuera de horario.
La conversación sobre IA en ciberseguridad tiende a fijarse en la defensa — mejor detección de anomalías, triaje más rápido, analistas de SOC asistidos por IA. Ese encuadre pierde la historia más urgente: el lado del ataque de este balance ya fue reescrito. La asimetría que introduce la democratización de modelos de frontera entre adversarios bien equipados y equipos defensivos que dependen de triaje manual es estructural, no anecdótica.
De semanas a minutos en la fase de preparación
La fase de pre-operación que tradicionalmente toma semanas — recolección de inteligencia de fuentes abiertas (OSINT), aprovisionamiento de infraestructura, construcción de organigramas, configuración de servidores de comando y control — ahora se acelera a minutos con IA agéntica. Esto reduce drásticamente el tiempo y el esfuerzo manual necesarios para poner una operación en marcha, aunque las decisiones de infraestructura complejas todavía requieren operadores experimentados. Lo que antes era un arranque emocionante que terminaba en una rutina tediosa ahora se delega casi por completo a sistemas automatizados.
Durante compromisos activos, la IA actúa como un experto en tiempo real bajo demanda. Los operadores la usan de manera interactiva para generar scripts de auditoría personalizados, adaptar estrategias rápidamente y consultar pilas tecnológicas desconocidas sobre la marcha. Se utiliza un flujo de trabajo donde un modelo de lenguaje valida la salida de otro antes de la ejecución para garantizar acciones automatizadas de alta confianza — un patrón conocido como LLM-as-judges que reduce el riesgo de comandos destructivos no intencionados.
Cien hallazgos verdaderos positivos en una sola aplicación
En un engagement de aplicación única, red teaming tradicional identifica entre siete y diez hallazgos, mientras que operaciones aumentadas con IA identifican más de cien hallazgos verdaderos positivos. El escaneo a gran escala con IA puede procesar millones de direcciones IP en dos a tres horas con un costo aproximado de entre 20.000 y 30.000 dólares — algo que con métodos tradicionales requiere secuenciación apropiada y pipelines complejos, o directamente agota el tiempo disponible. En reconocimiento de aplicaciones externas, los métodos tradicionales generan entre 150 y 200 hallazgos válidos anuales, mientras que con IA se obtienen más de cien hallazgos mensuales.
La fase de post-operación — reportes y deconflicto — históricamente ha sido la carga más tediosa de cualquier compromiso. Hoy, nueve a diez meses de logs crudos de comando y control pueden procesarse con un modelo de frontera para generar un reporte integral de deconflicto en menos de veinte minutos. Estas herramientas pueden mapear cada comando ejecutado al marco MITRE ATT&CK, cruzar referencias de inteligencia de amenazas y traducir datos altamente técnicos en narrativas claras y accionables para ejecutivos de nivel directorio. La salida todavía requiere revisión manual — la IA lleva a un primer borrador en minutos en lugar de días, pero un operador necesita verificar hallazgos, validar mapeos ATT&CK y asegurar precisión antes de la entrega.
El juicio crítico como diferenciador definitivo en un campo automatizado
Con la IA automatizando enumeración básica, escaneo y andamiaje, el conjunto de habilidades centrales de red teaming — pensamiento crítico, comprensión arquitectónica, juicio adversarial — es tan valioso como siempre. La IA no reemplaza eso. Pero los operadores que pueden aprovechar la IA junto con esas habilidades superarán a quienes no pueden. El diferenciador no es IA versus no IA — es si tenés el conocimiento fundacional para dirigirla efectivamente y validar lo que te da.
Esto está cambiando fundamentalmente el perfil requerido de un profesional de ciberseguridad exitoso. Como resultado, la industria se está dividiendo rápidamente en dos categorías distintas de practicantes: los de alto rendimiento, que traen pensamiento crítico y juicio adversarial profundo a la IA, entienden exactamente dónde fallan los límites de confianza y dónde las arquitecturas son débiles, y usan la IA para ejecutar sobre estas percepciones de manera eficiente, delegando el trabajo tedioso para enfocarse en explotación compleja; y los que usan la IA como un atajo de copiar y pegar sin sentido, confiando enteramente en salidas no verificadas.
Por qué América Latina queda expuesta por su dependencia de defensas manuales
La asimetría que introduce esta transformación afecta de manera desproporcionada a organizaciones en América Latina que todavía dependen de procesos de triaje manual y equipos de seguridad con recursos limitados. Si un equipo de red teaming de tres personas en una consultora global puede generar más de noventa hallazgos en una noche con modelos de IA, un adversario con los mismos recursos puede hacer lo mismo contra infraestructura crítica en la región. La brecha entre la velocidad de ataque y la capacidad de respuesta defensiva se amplía cuando las organizaciones no tienen acceso a las mismas herramientas de automatización que los atacantes ya están usando.
En sectores como banca, energía y telecomunicaciones en México, Brasil, Argentina y Chile — donde la superficie de ataque externa es amplia y la deuda técnica acumulada es significativa — la capacidad de un adversario de escanear millones de direcciones IP en dos horas por menos de treinta mil dólares representa un cambio de escala que las defensas tradicionales no están equipadas para manejar. No es una lectura especulativa: es la consecuencia directa de que la economía del ataque cambió mientras la economía de la defensa en la región sigue operando con presupuestos y metodologías de hace cinco años.
Nuestro análisis
Lo que estos datos revelan no es una ventaja marginal — es un cambio de orden de magnitud en la productividad ofensiva. Un equipo de red teaming tradicional de cuatro personas que genera setenta hallazgos anuales ahora puede ser superado por un solo operador con acceso a modelos de frontera en un fin de semana. Esa asimetría no es teórica: ya está operando en el campo. La pregunta no es si los adversarios están usando estas herramientas — es cuánto tiempo más las defensas van a seguir operando como si no lo estuvieran.
El patrón que emerge es claro: la automatización de fases tediosas (OSINT, aprovisionamiento, reportes) libera tiempo de operador para tareas de juicio crítico, pero solo si el operador tiene la base técnica para validar lo que la IA produce. La industria se está dividiendo entre quienes pueden dirigir la IA efectivamente y quienes la usan como un atajo sin verificación. Esa división no es solo una cuestión de talento individual — es una cuestión de qué organizaciones van a poder defenderse contra adversarios que ya cerraron esa brecha. ¿Cuánto tiempo más pueden permitirse las organizaciones en América Latina operar con equipos de seguridad que no tienen acceso a las mismas herramientas que los atacantes ya dominan?