Cloudflare construye un SOC agéntico alrededor de evidencia reproducible

Cloudflare ha descrito una arquitectura para automatizar parte del trabajo de su equipo de operaciones de seguridad sin entregar una investigación completa a un único agente de inteligencia artificial. El sistema, integrado en Managed Defense, combina código determinista, modelos especializados y revisión humana. Su interés técnico no está solo en usar varios agentes, sino en decidir qué partes del proceso no deben quedar bajo el control de un modelo generativo.

El primer prototipo de Cloudflare utilizaba un agente generalista para investigar cada alerta. La experiencia reveló tres problemas previsibles pero importantes. El contexto podía convertirse en autoridad, de modo que una detección —que solo es una hipótesis— se trataba como una prueba. El alcance podía desviarse hacia otra cuenta, periodo o fuente. Además, un tiempo de espera en una consulta podía parecer indistinguible de una búsqueda que no había encontrado resultados. Un prompt más largo no solucionaba ninguno de esos límites.

La arquitectura revisada comienza con una fase de reconocimiento sin modelos. Flujos fijos y versionados recopilan identidad del cliente, historial de detecciones, línea base de tráfico, resultado de las medidas aplicadas y observaciones de red. Cada dato queda asociado a su fuente, versión y marca temporal. El resultado es una instantánea que puede reproducirse. Si dos ejecuciones producen conclusiones distintas, la diferencia puede atribuirse al análisis y no a que cada agente haya consultado datos diferentes en momentos distintos.

Antes de activar el análisis profundo, un modelo ligero de triaje filtra alertas que probablemente sean falsos positivos. Compara el evento con el historial del cliente, las decisiones anteriores de los analistas y la apariencia del tráfico. Las alertas que superan ese filtro pasan a un coordinador que lanza cuatro agentes especializados en paralelo: análisis de tráfico, contexto del cliente, telemetría global e inteligencia de amenazas.

El resultado no se presenta como una respuesta libre. Cada especialista produce hallazgos tipados y el agente de síntesis combina esas conclusiones en un aviso estructurado. El sintetizador no puede recuperar nuevas evidencias ni elegir una clasificación fuera de un vocabulario aprobado. Esa restricción reduce el espacio de error y facilita auditar por qué una recomendación llegó a existir. También evita que el sistema confunda una explicación convincente con una investigación completa, un riesgo habitual cuando un modelo puede hablar mejor de lo que puede demostrar.

Para los equipos de software, el patrón es transferible. Las tareas que requieren límites, permisos, trazabilidad o reproducibilidad deberían resolverse primero con código y datos versionados. Los modelos pueden aportar interpretación, correlación y priorización después de que la aplicación haya fijado el alcance y documentado los huecos de información. Es una arquitectura más laboriosa que conectar un agente a un SIEM, pero permite repetir evaluaciones, comparar cambios y detectar cuándo una consulta falló.

Cloudflare mantiene a los analistas humanos como responsables del juicio final. Esa decisión también es una señal de madurez operativa: la automatización se concentra en reunir pruebas, relacionar alertas y mostrar opciones, mientras que la atribución de impacto y la mitigación siguen teniendo un propietario claro. En sistemas de seguridad, la pregunta útil no es si el agente puede producir una respuesta, sino si puede producir una respuesta cuya evidencia otro equipo pueda revisar y reproducir.