Imagina una única inyección de avisos multiturno que lude todo tu conjunto de seguridad para autorizar una transferencia bancaria fraudulenta de un millón de dólares. En el mundo de las finanzas donde tanto está en juego, los cortafuegos tradicionales ya no bastan para frenar ataques a adversarios complejos. La mayoría de instituciones financieras marcan casillas mientras sus agentes de E.A. son secuestrados. El antiguo modelo de pruebas manuales asume que puedes predecir cada interacción humana. Pero en realidad, el año 2026 estará definido por 250 a 100 mil transferencias fraudulentas activadas por una única inyección de avisos multiturno. Tus cortafuegos heredados se crearon para datos estáticos, lo que significa que son inútiles contraataques de segmentación de datos que vacían las cuentas de a poco. Al final de esta sesión, tendrás el modelo para un guantelete multimodelo que protege los flujos de trabajo autónomos. Suscríbete al podcast M365FM para adelantarte a los riesgos de la era de los agentes antes de la fecha límite de agosto de 2026. Estamos yendo más allá del cumplimiento básico y construyendo un marco de trabajo de equipo rojo resiliente que protege las transacciones confidenciales contra la próxima generación de ataques adversarios. Estamos implementando agentes para la detección de fraudes y la supervisión de ACH en este momento, pero la propiedad está fragmentada y toda situación es un desastre. Tienes equipos de seguridad que observan el perímetro, equipos de TI que observan la infraestructura y equipos de IA que observan los modelos, pero nadie observa a la agencia. Solo el 28% de las organizaciones pueden rastear la acción de un agente hasta un patrocinador humano específico, lo cual es una estadística aterradora si lo piensas por un segundo. Si un agente autoriza un pago, 3 de cada 4 empresas no pueden decirte quién fue el responsable de la lógica de esa máquina en ese momento. La suposición que la supervisión comercialmente razonable es suficiente, pero ya no lo es, porque los cambios en la regla NACHA de 2026 ahora exigen una justificación documentada para cada decisión de pago impulsada por IA. No puedes limitarte a decir que lo hizo el algoritmo y tienes que demostrar exactamente por qué cada vez. Públicas al agente, le das acceso a la API y lo conectas a tus sistemas bancarios centrales, pero entonces pierdes el hilo de la rendición de cuentas. Esto no es un error técnico, es un vacío de gobernanza. La identidad de la gente se está convirtiendo en un fantasma de la máquina. Damos a estos sistemas las claves para almacenar y permitirles mover dinero o aprobar préstamos, pero los tratamos como si fueran scripts aislados. En realidad son actores autónomos y cuando un agente falla no solo se produce un error del sistema, sino un evento de responsabilidad civil masivo. El panorama de 2026 es implacable, porque los preguntan si tienes una política, sino si tu política realmente funciona en tiempo de ejecución. Si no puedes vincular una transacción a un patrocinador, estás incumpliendo las normas y es así de simple. La mayoría de las empresas siguen utilizando claves API estáticas para estos agentes, lo que equivale a dar una llave maestra a un desconocido y esperar que no abra la puerta equivocada. Debes conocer el protocolo de tu agente y vincular cada llamada de la herramienta a la herramienta a una creencia específica. Pero aquí está el problema. La mayoría de las organizaciones ni siquiera saben cuántos agentes tienen y como resultado estamos viendo un aumento masivo de la IA en la sombra. Los empleados están creando sus propios agentes para automatizar sus flujos de trabajo y los están conectando a bases de datos internas al tiempo que les dan acceso a datos confidenciales de los clientes. Están haciendo todo esto sin ninguna supervisión y esto crea una superficie de ataque masiva que es propicia para la explotación. Un atacante no necesita vulnerar su cortafuegos y puede secuestrar a un agente mal protegido y puede utilizarlo para desfiltrar datos o activar transacciones no autorizadas. Pueden usarlo para eludir sus controles internos y, dado que solo el 28% de sus transacciones tienen trazabilidad, pueden hacerlo sin dejar rastro. Tenemos que dejar de pensar en los agentes como herramientas y empezar a pensar en ellos como identidades. Si no puede auditar el razonamiento, no puede confiar en el resultado y esa es la nueva norma para 2026. Las reglas de Natcha son solo el comienzo de un cambio global hacia normas basadas en la eficacia y ya no se trata del proceso, sino del resultado. Si un agente aprueba una transferencia a CH fraudulenta, la institución queda en el anzuelo y no puede esconderse tras la caja negra de un proveedor. Tienes que ser capaz de reconstruir la ruta de decisión en 60 minutos, pero la verdad es que la mayoría de ustedes todavía no pueden hacerlo. Están volando a ciegas en un entorno de alta velocidad y la crisis de identidad de los agentes autónomos es el mayor riesgo para la estabilidad financiera en los próximos 18 meses. Es la brecha entre lo que estamos implementando y lo que realmente podemos controlar, pero el problema es más profundo que solo quién es el propietario de la gente. Se trata de cómo se infectan los propios modelos, el patrón de infección entre modelos. Solíamos pensar que el uso de múltiples modelos proporcionaba una red de seguridad natural. La lógica era simple. Si un modelo tenía un sesgo o un defecto, los demás lo detectarían. Lo llamamos diversidad modelo. Pero en el panorama de 2026, esa suposición se ha desmantelado por completo. Una nueva investigación nos muestra algo mucho más inquietante. ¿Ajustar un solo modelo en tareas inseguras no solo se queda dentro de ese modelo? En realidad, infecta modelos no relacionados en su cadena. ¿Esto no es una teoría? Vemos que los desajustes de GPT-4 escalan a derivados de Kueniyama con una tasa de replicación del 50%. Es una propagación viral de la vulnerabilidad en todo el ecosistema. ¿Crees que estás construyendo un sistema redundante utilizando diferentes proveedores? En realidad, solo estás creando más nodos para que la misma infección viaje a través de ellos. Es una puerta trasera en la cadena de suministro que ningún testman no hallará. La mayoría de los equipos de seguridad siguen buscando vulnerabilidades de código tradicional. Buscan desbordamientos de buffer e inyecciones de SQL. Pero la nueva amenaza es semántica. Está incrustada en los pesos de los propios modelos. Los atacantes ahora están utilizando una técnica llamada concentración adversaria. No necesitan vulnerar a tu servidor. Solo necesitan plantar un documento malicioso en tu base de conocimiento. Debido a cómo funcionan las incrustaciones de vectores, ese documento puede actuar como un pozo de gravedad. Extrae el 84% de tus consultas de trapo. Crees que tu base de datos de vectores es una biblioteca. Crees que es un repositorio estructurado de verdad. En realidad se está convirtiendo en una trampa para tus flujos de trabajo autónomos. Cuando tu agente va a recuperar el contexto para procesar una transferencia bancaria, no solo está obteniendo datos. Está obteniendo instrucciones envenenadas. El modelo no ve la diferencia entre una factura legítima y una inyección de aviso oculto. Aquí es donde la estrategia multimodelo fracasa. Si tu modelo principal recupera datos envenenados, pases el razonamiento al modelo secundario. Dado que estos modelos comparten datos de entrenamiento fundamentales y arquitecturas de transformadores similares comparten los mismos puntos ciegos, la infección se replica. El segundo modelo valida el error del primer modelo porque es susceptible a la misma trampa lógica. Estamos viendo tasas de éxito para estas inyecciones basadas en juegos de rol que alcanzan casi el 90% en entornos financieros. Los modelos se convencen entre sí para autorizar el fraude. Esta propagación entre modelos es el asesino silencioso de la seguridad de la IA. Puede que tengas el mejor cortafuegos del mundo. Puede que hayas cifrado tu base de datos con los estándares más altos. Nada de eso importa si la lógica del razonamiento en sí está comprometida. Los atacantes no están tratando de romper tu cifrado. Están tratando de romper la comprensión de la realidad de tu modelo. Están utilizando trucos de codificación y trampas lógicas que lo de los filtros de texto tradicional. Si una imagen de un recibo contiene texto de bajo contraste con un comando de anulación de administrador, su sistema multimodal lo leerá, lo procesará y lo ejecutará. Así es como ocurrió esa transferencia de 250 mil dólares. No fue un hackeo de la red. Fue un hackeo del contexto. Tenemos que aceptar que estos modelos son estocásticos e impredecibles. No son software determinista. No se pueden proteger con reglas estáticas. La vulnerabilidad no está en el código. Está en el mecanismo de atención. Está en la forma en que el modelo difumina la línea entre los datos y las instrucciones. Cuando apilas varios modelos uno encima de otro sin un marco adversario, solo estás apilando capas de vidrio. No estás construyendo una bobea. Estás construyendo una cadena frágil donde una grieta destroza toda la estructura. Para detener esto, tenemos que alejarnos de la idea de las pruebas. Tenemos que avanzar hacia un modelo de guerra continua. Tenemos que dejar de preguntarnos si el modelo es seguro y empezar a intentar vulnerar. Para detener la infección, tenemos que construir guantelé. Arquitectura del guantelé que no es modal. Las pruebas manuales son una reliquia. Si sigues confiando en que los humanos se sienten en una sala e intentan engañar a tu IA, ya has perdido. Los humanos son lentos. Los modelos son estocásticos. No puedes predecir cada permutación de un ataque multiturno con una hoja de cálculo y un equipo de consultores. Para cuando tu equipo rojo encuentra una vulnerabilidad, el modelo subyacente se ha actualizado o la superficie de ataque ha cambiado. Por eso falla el modelo antiguo. Es estático. Es reactivo. En el mundo de alto riesgo de las finanzas de 2026, necesitamos algo que se mueva a la velocidad de la amenaza. Necesitamos el guantelé. La arquitectura del guantelé multimodal se basa en un principio simple y brutal que enfrenta a diversos LLM entre sí en un juego de suma cero. No solo estás probando el sistema. Estás creando una olla a presión evolutiva. Tomas un modelo de atacante, algo altamente capaz como una variante especializada de GPT, y le asignas un objetivo, eludir al defensor. El defensor es tu agente de producción, el que gestiona esas transferencias a CH y aprobaciones de préstamos. Entra en un bucle automatizado contigo. El atacante genera inyecciones de avisos sofisticadas de varios pasos y el defensor. Intenta mantener su alineación. Esto no es solo una simulación, es un régimen de entrenamiento. Utilizamos lo que llamamos la combinación 50-50. Cuando estás ajustando tus agentes financieros, no puedes limitarte a utilizar datos limpios y perfectos de tus sistemas bancarios centrales. Eso hace que el modelo sea frágil. En cambio, saturas el conjunto de entrenamientos. La mitad de los datos están limpios, pero la otra mitad consiste en ejemplos contradictorios generados durante las sesiones de prueba. Esto incluye de todo, desde trampas lógicas de corte de salami, hasta esas anulaciones multimodales ocultas que aumentan. El resultado es un aumento del 70% de la resiliencia. Estás vacunando efectivamente a tu guía contra los mismos exploits que actualmente están eludiendo tus cortafuegos, pero aquí está el cambio estructural. No solo estás buscando errores, no estás tratando de encontrar una cadena de texto específica que rompemos. Estás reforzando la lógica del razón en sí. En el desafío, utilizamos un entrenamiento reforzado del caden. Obligamos al defensor a mostrar su trabajo. Si el atacante intenta utilizar una inyección basada en un juego de roles para autorizar una transferencia, el defensor tiene que explicar su razonamiento en cada paso. Si el razonamiento comienza a desviarse hacia una acción no autorizada, el desafío lo marca de inmediato. Estás enseñando al modelo a reconocer la sensación de un intento de coerción. Esta arquitectura resuelve el problema de la diversidad. Al utilizar diferentes familias de modelos, tal vez un modelo antrópico para el defensor y un modelo basado en metadatos para el atacante, te aseguras de que los puntos ciegos no se superpongan. Estás utilizando las fortalezas de una arquitectura para exponer las debilidades de otra, que es un ciclo continuo. A medida que el atacante se vuelve más listo, el defensor se endurece. Es una capa de seguridad que se mejora a sí misma, que no duerme, no se cansa, y no deja pasar los útiles cambios semánticos que un evaluador humano pasaría por alto. Para una institución financiera, esta es la única manera de satisfacer las próximas auditorías basadas en eficacia. O de mostrar a los reguladores un historial documentado de millones de ataques simulados y cómo su sistema los resistió. Está pasando de un mundo en el que espera estar seguro a un mundo en el que sabe exactamente cuánta presión puede soportar su lógica antes de romperse. Este es el cambio de una defensa pasiva a una guerra activa. Ya no está construyendo un muro, está entrenando a un soldado. Este guantelete se convierte en su principal mecanismo de defensa contra la próxima generación de amenazas adversarias. Transforma su postura de seguridad de una lista de reglas a un sistema dinámico en evolución. Por fin está haciendo coincidir la velocidad de los modelos con la velocidad de la defensa. Esta es la única manera de garantizar que sus flujos de trabajo autónomos sigan siendo resilientes en un mundo en el que las amenazas son tan inteligentes como los sistemas que intentan subvertir ahora. El marco de auditoría de la caja de cristal Agosto de 2026, ya no es solo una fecha aleatoria en un calendario de cumplimiento, porque en realidad es un muro inexpugnable. Este es el momento exacto en el que los requisitos de alto riesgo de la ley de IA de la UE pasan de la teoría a la aplicación activa. Si opera agentes autónomos en el sector financiero, ahora está bajo el microscopio, pero la naturaleza del examen ha cambiado. Los reguladores se están alejando de los estándares de los en procesos, lo que significa que ya no les importa su documentación ni su intención ni su intención. Se están moviendo hacia estándares basados en la eficacia. Quieren ver que su seguridad realmente funciona en el momento del impacto. Este cambio requiere pasar de la caja negra de la IA tradicional a lo que llamamos el marco de auditoría, caja de cristal. Debe poder ver a través de la lógica en tiempo real. La métrica más crítica en esta nueva era es el tiempo de reconstrucción de decisiones. Si un agente mueve dinero, debe poder demostrar exactamente por qué sucedió en menos de 60 minutos. Para la mayoría de las instituciones, la respuesta actual es un rotundo, no porque tienen registros, pero no tienen capacidad de razonamiento. Tienen resultados, pero no tienen el porqué. En un marco de caja de cristal, cada llamada a una herramienta debe vincularse a una credencial de agente. No se trata solo de una clave de API, sino de una identidad verificable que lleva la autoridad de un patrocinador humano. Básicamente está creando una cadena de custodia digital para cada decisión. Si el agente decide renunciar a una tarifa o aprobar una transferencia de alto riesgo, esa decisión debe estar anclada a un conjunto específico de parámetros que un humano ha autorizado. Implementamos esto a través de un concepto llamado autonomía limitada. Los agentes se encargan del trabajo pesado de análisis y ejecución, mientras que los humanos sostienen el interruptor de apagado físico. No se trata solo de un botón que se presiona cuando las cosas van mal, sino de un límite estructural sobre lo que la gente puede hacer sin una nueva verificación explícita. Se definen los límites de la caja de cristal, estableciendo umbrales de riesgo, valor y desviación. Si el agente intenta salirse de esos límites, el sistema congela la transacción y exige una justificación humana. Esto satisface la demanda normativa de supervisión humana en el circuito sin sacrificar la velocidad de los flujos de trabajo autónomos. Le estás dando a la gente margen de maniobra, pero mantienes la correa visible. Los riesgos de no superar esta auditoría son catastróficos. Estamos hablando de una multa del 7% por facturación global y para un banco importante es una cifra que puede amenazar la existencia misma de la institución, de la institución. No puedes permitirte tener un quizás cuando aparezcan los auditores. Necesitas un registro de auditoría inviolable que muestre la ruta de razonamiento de cada acción de la gente. Esto significa registrar el objetivo, el contexto recuperado, las llamadas a la herramienta y el resultado final de una manera que no se pueda alterar. Estás construyendo una bóveda paradójica en sí. Y esta es la única manera de sobrevivir al panorama normativo de 2026. Tienes que poder abrir la caja y mostrar el mecanismo interno. Este marco también te protege de los ataques de corte de salamí que comentamos. Supervisando los lapsos de razonamiento con el tiempo, la caja de cristal detecta cuando la lógica de un agente se erosiona poco a poco. Busca contradicciones en la política o cambios de tono que sugieran que se está produciendo una inyección de varios pasos. Ofrece la visibilidad que necesitas para detectar la desviación antes de que sea una violación. Ya no solo reaccionas a una alerta, sino que observas el estado del razonamiento en sí. Configurar esto parece costoso y complejo y requiere un replanteamiento completo de tu arquitectura de datos y tu modelo de gobernanza. Pero cuando consideras la alternativa, el costo de la caja de cristal se convierte en la mejor inversión que jamás harás. La transición a este modelo es el puente entre la automatización temeraria y las finanzas resilientes y auditables. Es el cambio de la esperanza a la prueba. Roy, guerra proactiva versus limpieza reactiva. Echemos un vistazo a las frías y duras matemáticas de 2026 en el sector financiero. El costo promedio de una violación de datos ahora se acerca a los 5,8 millones de dólares. Esa cifra no es solo un titular destinado a sustarte, sino que representa la sangría real de la informática forense y los honorarios legales y las sanciones regulatorias. También debes considerar la rotación masiva de clientes de alto patrimonio que pierden la frente o infraestructura en el momento en que sus datos llegan a la web oscura. Cuando observas el balance, la limpieza reactiva es la forma más cara de gestionar un banco. Estás pagando una prima por el fracaso. La guerra proactiva, por otro lado, ofrece una relación de evitación de costes de 6-1. Por cada dólar que gastas en el guantelete multimodal, ahorras 6 dólares en costes de limpieza y multas. No se trata solo de una métrica de seguridad, sino de una estrategia de eficiencia fundamental para la empresa financiera moderna. Las pruebas manuales son un coste irrecuperable, pagas por el tiempo de una persona, éste encuentra algunos errores superficiales y luego pasa al siguiente proyecto. Ese conocimiento es estático y no mejora la lógica central del modelo ni su resiliencia con el tiempo. El trabajo en equipo multimodal es un activo estratégico. Estás creando una biblioteca de inteligencia adversaria que se acumula. Estás reforzando tu propiedad intelectual. Estás creando un foso alrededor de tus flujos de trabajo autónomos que los competidores simplemente no pueden igualar. Esta es la diferencia entre un centro de costes y una ventaja estratégica. Mientras ellos marcan casillas, o estás construyendo una fortaleza que aprende de cada ataque, estás convirtiendo tu presupuesto de seguridad de un gasto en una mejora de capital de largo plazo. El mercado ya lo está descontando. Las aseguradoras cibernéticas ya no ofrecen tarifas fijas únicas porque están analizando tus registros de pruebas adversas. Si puedes proporcionar pruebas documentadas de un equipo rojo multimodal continuo, estamos viendo reducciones de primas de hasta el 20%. Las aseguradoras saben que un modelo reforzado implica menos riesgo. Básicamente, están subvencionando tus actualizaciones de seguridad porque reduce el riesgo a un pago masivo. Si no haces esto, en la práctica estás pagando un impuesto de vulnerabilidad en tu seguro todos los meses. Estás dejando dinero sobre la mesa el tiempo que aumenta tu exposición. Más allá de las primas, tenemos que hablar del radio de explosión. Una postura reactiva asume que puedes contener la brecha después de que se produzca, pero en un entorno de agentes es una fantasía peligrosa. Una infección en un solo corpus correcto puede propagarse a todos los sistemas conectados de tu cadáver. Al implementar el guantelete, fuerzas un aislamiento estructural de tus datos. Aprende a cifrar tus incrustaciones y a delimitar tu recuperación, de modo que incluso si un agente es secuestrado, el resto de la bóveda permanece sellada. Estás creando una estrategia de defensa en profundidad que protege tus activos más confidenciales desde cero. Estás comprando resiliencia. Te estás asegurando de que una sola trampa lógica no se convierta en un colapso sistémico de toda tu operación financiera. Estás construyendo un sistema que pueda recibir un golpe y seguir avanzando. La hoja de ruta de implementación de autorreparación. ¿Cómo empiezas a construir esto en tu entorno? La hoja de ruta no consiste en comprar un nuevo paquete de software. Se trata de rediseñar tu visibilidad. El primer paso es el inventario. Tienes que encontrar tu vida en la sombra. Ahora mismo hay agentes en tu entorno con claves API que tu equipo de seguridad nunca ha visto. Estas fueron creadas por desarrolladores o analistas para resolver un problema específico y están ahí conectadas a tus datos de producción sin ninguna supervisión, sin ninguna supervisión. El problema es simple. No puedes proteger lo que no puedes ver. Necesitas una auditoría total de cada flujo de trabajo autónomo, lo que implica identificar a cada patrocinador humano y cada nivel de permiso en general. Este inventario es el primer paso para recuperar el control sobre tu perímetro digital. Si no hay patrocinador, no hay agente, lo cierras. El segundo paso es pasar de los registros simples al rastreo causal. Los registros de eventos heredados te indican que se produjo una transacción, pero no te dicen el motivo. Debes implementar intervalos de razonamiento de varios pasos. Esto te permite seguir el proceso de pensamiento de la gente a lo largo de toda la cadena de ejecución. Cuando un agente falla, no deberías consultar un seguimiento de la pila. Deberías consultar un mapa causal que muestre exactamente dónde se subvirtió el razonamiento por una entrada adversaria. Necesitas ver la lógica, no solo el resultado para comprender realmente el riesgo. Esta es la base del desafío. Sin el rastreo causal, solo estás adivinando la causa raíz de tus fallos y terminas tratando el síntoma en lugar de la enfermedad. Tercer paso es la implementación de la optimización de las operaciones. Aquí es donde equilibras tu precisión con tu solidez. En un contexto financiero de alto riesgo, no se puede tener un modelo que sea 99% preciso pero 0% robusto frente a una inyección inmediata. Se utilizan los datos del guantelete para ajustar los modelos mediante la minimización de pérdidas sustitutas. Al hacerlo, se le está diciendo explícitamente al modelo que mantenerse alineado bajo presión es tan importante como dar la respuesta correcta. Se está incorporando conciencia adversaria en los pesos de la red neuronal. Se está haciendo que el modelo sea lo suficientemente inteligente como para saber cuándo está siendo manipulado por un mal actor que intente explotar los sistemas autónomos. Esta hoja de ruta transforma el centro de operaciones de seguridad. Se pasa de la fatiga de alertas en la que los humanos se ahogan en miles de advertencias de bajo contexto a la clasificación autónoma. La arquitectura empieza a anticipar ataques porque ya los ha visto un millón de veces en las simulaciones del guantelete. No solo se está reaccionando a la amenaza de hoy. Se están protegiendo los flujos de trabajo autónomos del mañana. Se está pasando de un mundo en el que se navega a través de los riesgos a un mundo en el que se controla el contexto. Este es el cambio definitivo. Si es como se construye una bóveda financiera que realmente resiste en la era de la agencia. Por fin estás construyendo para el mundo tal como es, no como te gustaría que fuera. Empieza ahora. Ahora tienes el marco para pasar de marcar casillas a construir bóvedas digitales. Tu tarea está clara. Audita un flujo de trabajo autónomo esta semana por la trazabilidad. Si no puedes encontrar al propietario humano ese agente es un lastre. Si este cambio de mentalidad te ha ayudado deja una reseña en el podcast M365FM. Ayuda a más líderes a encontrar esta señal en el ruido. Ponte contacto conmigo Mirko Petersenigna. Cuéntame qué riesgos de la IA te quitan el sueño. La área de las pruebas manuales ha terminado. Es hora de construir para la realidad adversa que se avecina.