La inteligencia artificial y la ciberseguridad están cada vez más vinculadas. Sin embargo, cuando se habla de ambas, el discurso suele centrarse principalmente en un aspecto de esta relación: cómo la IA puede hacer que los ciberataques sean más rápidos, automatizados y escalables.
Phishing generado mediante IA, descubrimiento de vulnerabilidades, ingeniería social, malware, automatización de campañas y, más recientemente, agentes de IA capaces de ejecutar actividades ofensivas de forma autónoma: la atención prestada a estos riesgos está justificada. Pero solo representan una parte de la transformación en curso.
Si la Inteligencia Artificial aumenta la velocidad y las capacidades de los atacantes, ¿por qué no debería hacer lo mismo por quienes deben proteger redes, usuarios y datos?
Esta es precisamente la otra cara de la Inteligencia Artificial y el Machine Learning para la seguridad. La IA y el Machine Learning también se están convirtiendo en herramientas cada vez más relevantes para la ciberdefensa, ya que permiten analizar enormes cantidades de información, detectar anomalías, clasificar posibles amenazas y acelerar la detección y la respuesta.
En las siguientes secciones veremos, por tanto, por qué la IA está modificando el actual panorama de las ciberamenazas, pero, sobre todo, cambiaremos de perspectiva. Analizaremos cómo pueden utilizarse la Inteligencia Artificial y el Machine Learning en la ciberseguridad, cuáles son sus principales aplicaciones en la detección de amenazas y por qué estas tecnologías desempeñan un papel especialmente interesante en la seguridad DNS y en la clasificación de dominios potencialmente peligrosos.
Porque la IA no solo está cambiando la forma de atacar. También está cambiando la forma de defenderse.
IA y ciberseguridad: por qué hoy se habla sobre todo de los riesgos
La Inteligencia Artificial está reduciendo algunas de las barreras que tradicionalmente limitaban la velocidad y la escala de las operaciones cibernéticas.
Un atacante puede utilizar sistemas basados en IA para respaldar actividades de reconocimiento, analizar vulnerabilidades, generar contenidos para campañas de phishing e ingeniería social o automatizar determinadas fases de una cadena de ataque.
Con la evolución de la IA agéntica, el escenario adquiere aún más relevancia: un sistema no se limita necesariamente a generar un resultado, sino que puede planificar y ejecutar secuencias de acciones para alcanzar un objetivo determinado.
Un caso reciente ilustra claramente esta evolución.
En julio de 2026, Hugging Face comunicó haber sufrido una intrusión especialmente significativa: sus sistemas no fueron vulnerados directamente por un operador humano, sino por un agente autónomo de IA basado en modelos de OpenAI.
OpenAI había utilizado el agente en una prueba interna diseñada para evaluar sus capacidades en materia de ciberseguridad, con el objetivo de identificar y explotar vulnerabilidades de software. Sin embargo, durante la ejecución del benchmark, el sistema consiguió superar los límites del entorno aislado en el que debía permanecer confinado, aprovechando una vulnerabilidad zero-day para acceder a Internet. Desde allí, comprometió otro entorno externo y lo utilizó como punto de partida para penetrar en la infraestructura de Hugging Face.
Según la reconstrucción técnica de Hugging Face, el agente continuó el ataque de forma autónoma, identificando vulnerabilidades, ejecutando código, recopilando credenciales y desplazándose por la infraestructura. En total, se reconstruyeron aproximadamente 17.600 acciones ejecutadas a velocidad de máquina.
Por un lado, el caso muestra un nuevo escenario de riesgo en el que un agente de IA consiguió salir de forma autónoma de su entorno de prueba y vulnerar sistemas externos reales. Por otro, el incidente pone de manifiesto uno de los factores que más influirán en la evolución del riesgo cibernético: la velocidad de máquina.
Muchas de las técnicas utilizadas por los atacantes no son necesariamente nuevas. Lo que cambia es la posibilidad de ejecutar, repetir y adaptar determinadas actividades con una velocidad y una capacidad de escalado difíciles de alcanzar únicamente mediante la intervención humana.
El Center for Strategic and International Studies (CSIS) también destaca que los modelos de IA de frontera están aumentando rápidamente sus capacidades en actividades informáticas, incluida la identificación de vulnerabilidades y la ejecución de operaciones cibernéticas a mayor escala y velocidad.
Por tanto, el riesgo es real.
Pero observar el impacto de la IA en la ciberseguridad exclusivamente desde el punto de vista del atacante significa ignorar la mitad de la transformación en curso.
Inteligencia Artificial y Machine Learning para la seguridad: la otra cara de la IA
La misma capacidad para analizar rápidamente grandes cantidades de datos puede utilizarse en la dirección opuesta: identificar y combatir las amenazas.
Inteligencia Artificial y Machine Learning no son sinónimos.
La Inteligencia Artificial engloba un conjunto más amplio de tecnologías diseñadas para realizar actividades que requieren capacidades como el análisis, la interpretación, la toma de decisiones o la generación de información.
El Machine Learning, en cambio, es un ámbito de la IA en el que los algoritmos y modelos identifican patrones en los datos y utilizan lo aprendido para realizar clasificaciones o predicciones, incluso sobre nuevos datos de entrada.
Aplicado a la ciberseguridad, este enfoque adquiere una relevancia especial.
Una infraestructura digital genera continuamente consultas DNS, eventos de red, registros de seguridad, solicitudes de acceso y otras formas de telemetría. Analizar manualmente este volumen de información no es sostenible.
La IA y el Machine Learning pueden ayudar a los sistemas de seguridad a:
- reconocer patrones asociados a posibles amenazas;
- detectar anomalías respecto a los comportamientos esperados;
- correlacionar señales procedentes de grandes volúmenes de datos de seguridad;
- clasificar automáticamente elementos potencialmente sospechosos;
- acelerar la detección, la investigación y la respuesta.
La cuestión, por tanto, no es determinar si la IA constituye intrínsecamente una amenaza o una solución. La verdadera cuestión es quién consigue utilizarla mejor y con mayor rapidez.
Protección DNS de última generación, totalmente basada en la nube y en la inteligencia artificial, y fácil de activar.
Por qué el Machine Learning es cada vez más importante en la ciberdefensa
La ciberseguridad actual debe afrontar un problema estructural: la escala.
Cada día se generan enormes volúmenes de eventos, solicitudes, nuevos dominios, URL, archivos y comunicaciones. Al mismo tiempo, las infraestructuras maliciosas pueden cambiar rápidamente, mientras los atacantes modifican sus técnicas e indicadores para eludir los controles.
¿Puede un sistema de seguridad basado exclusivamente en reglas estáticas reaccionar con la misma rapidez que una amenaza cada vez más automatizada?
Cada vez menos.
Las listas negras y las reglas predefinidas siguen desempeñando un papel en la ciberseguridad, pero trabajan principalmente con conocimientos ya adquiridos: un elemento determinado debe haber sido previamente identificado, analizado y clasificado.
El Machine Learning incorpora un nivel adicional de capacidad.
Mediante el análisis de patrones y características recurrentes, los modelos pueden ayudar a identificar elementos sospechosos y facilitar su clasificación. Esto permite que los sistemas de ciberdefensa trabajen con volúmenes de datos difíciles de gestionar exclusivamente mediante actividades manuales.
Esto no significa eliminar el papel del experto en ciberseguridad.
Significa aumentar su capacidad operativa.
El objetivo es combinar conocimientos humanos, inteligencia de amenazas, automatización y capacidad computacional para reducir el tiempo que transcurre entre la aparición de una posible amenaza y su identificación.
Y cuando los ataques operan cada vez más a menudo a velocidad de máquina, el tiempo de detección se convierte en sí mismo en un factor de seguridad.
Cinco aplicaciones de la IA y el Machine Learning en la ciberseguridad
El uso de la Inteligencia Artificial y el Machine Learning para la seguridad abarca actualmente diferentes niveles de la ciberdefensa. Veamos cinco aplicaciones especialmente relevantes.
1. Detección de amenazas
Los sistemas basados en Machine Learning pueden analizar grandes cantidades de datos en busca de patrones relacionados con comportamientos potencialmente maliciosos.
La principal ventaja reside en su capacidad para procesar y correlacionar una cantidad de información superior a la que podría gestionarse manualmente, ayudando a los equipos de seguridad a identificar las señales más relevantes.
2. Detección de anomalías
No todas las amenazas presentan de inmediato un indicador conocido.
La detección de anomalías permite identificar eventos o comportamientos que se desvían de una línea base esperada. Una anomalía no equivale automáticamente a un ataque, pero puede constituir una señal que deba analizarse y correlacionarse con otros indicadores.
El objetivo es reducir el ruido y aumentar la capacidad para identificar aquello que merece atención.
3. Detección de phishing y contenido malicioso
El Machine Learning y la IA pueden contribuir al análisis de correos electrónicos, URL, dominios, contenidos y otros indicadores utilizados en las campañas de phishing.
Se trata de una capacidad especialmente importante en un momento en el que la propia IA generativa permite a los atacantes crear comunicaciones más creíbles y personalizadas.
En otras palabras, la IA puede aumentar la calidad de la ingeniería social. Pero, al mismo tiempo, también puede mejorar la capacidad de los sistemas de seguridad para identificar sus señales.
4. Inteligencia de amenazas y clasificación
Uno de los retos de la inteligencia de amenazas no consiste únicamente en recopilar información, sino en transformar enormes cantidades de datos en información útil.
La IA y el Machine Learning pueden facilitar la correlación y clasificación de señales, contribuyendo a acelerar la identificación de posibles amenazas y la actualización de los sistemas de protección.
5. Seguridad DNS y clasificación de dominios
El DNS constituye un punto especialmente estratégico para la ciberdefensa.
Antes de conectarse a un recurso de Internet mediante su nombre de dominio, un dispositivo normalmente debe realizar una consulta DNS para determinar la dirección IP asociada.
Esto crea una oportunidad: evaluar el destino solicitado antes de establecer la conexión con un recurso potencialmente peligroso.
Y es precisamente aquí donde la IA y el Machine Learning pueden aportar una contribución importante.
IA, Machine Learning y seguridad DNS: bloquear la amenaza antes de la conexión
Un filtro de contenidos DNS aplica políticas de seguridad directamente al proceso de resolución DNS.
Cuando un usuario o dispositivo intenta acceder a un dominio, el sistema puede comprobar la solicitud y determinar si debe permitir o bloquear el acceso en función de la información disponible y de las políticas configuradas.
Este modelo resulta especialmente eficaz contra una amplia categoría de amenazas web, ya que permite intervenir antes de que se establezca la conexión con un destino clasificado como peligroso.
Pero existe un problema: Internet cambia continuamente.
Cada día se crean nuevos dominios y recursos. Algunos tienen fines legítimos; otros pueden utilizarse para phishing, malware, operaciones de comando y control u otras actividades maliciosas.
Una lista negra tradicional puede bloquear eficazmente un dominio que ya se conoce como peligroso.
Pero ¿qué ocurre cuando ese dominio es nuevo y todavía no figura en las bases de datos utilizadas por el sistema de seguridad?
Aquí es donde adquiere valor la capacidad de análisis y clasificación continuos.
El Machine Learning, los algoritmos de clasificación y la inteligencia de amenazas pueden contribuir a analizar nuevos dominios e identificar con mayor rapidez aquellos que presentan características sospechosas.
Por tanto, no se trata únicamente de conocer las amenazas del pasado.
El reto consiste en reducir el tiempo necesario para reconocer las amenazas que están surgiendo en este momento.
Protección DNS de última generación, totalmente basada en la nube y en la inteligencia artificial, y fácil de activar.
Cómo utiliza FlashStart la IA y el Machine Learning en la seguridad DNS
El uso de la Inteligencia Artificial en la ciberdefensa no es únicamente una perspectiva de futuro. Ya forma parte de las tecnologías utilizadas para proteger la navegación.
El motor de FlashStart utiliza ampliamente IA y Machine Learning para detectar y clasificar dominios sospechosos, integrando estas capacidades en su sistema de filtrado de contenidos DNS.
La escala operativa ayuda a comprender por qué la automatización es tan importante.
FlashStart verifica diariamente más de 200.000 sitios web nuevos y su infraestructura gestiona miles de millones de consultas DNS, combinando el filtrado con una red Anycast diseñada para mantener un alto rendimiento del servicio. Además, el benchmark independiente DNSPerf ha clasificado a FlashStart como el resolvedor DNS más rápido del mundo.
En este contexto, el Machine Learning y la clasificación automatizada permiten trabajar con un objetivo fundamental: identificar rápidamente los destinos potencialmente maliciosos e impedir que usuarios y dispositivos accedan a ellos.
Sin embargo, la seguridad no puede comprometer el rendimiento de la red.
Cada control introducido en la navegación puede repercutir en la latencia. Por este motivo, una plataforma de seguridad DNS debe combinar capacidad de protección, velocidad y fiabilidad de la infraestructura.
El valor de la IA aplicada a la seguridad DNS debe entenderse, por tanto, dentro de un sistema más amplio: la inteligencia de amenazas, el Machine Learning, el filtrado DNS y la infraestructura deben trabajar conjuntamente, porque una protección eficaz debe ser capaz de reconocer las amenazas sin convertirse en un obstáculo para la productividad y el rendimiento empresarial.
Protección DNS de última generación, totalmente basada en la nube y en la inteligencia artificial, y fácil de activar.
El caso de Hugging Face también muestra la otra cara de la IA
Volvamos por un momento al incidente del que partimos.
La historia del ataque contra Hugging Face contiene un detalle especialmente interesante.
La IA no se utilizó únicamente en el ataque. También se utilizó en la defensa.
Hugging Face declaró que la intrusión se detectó inicialmente mediante un sistema de detección asistida por IA: una pipeline de detección de anomalías utilizaba un triaje basado en LLM sobre la telemetría de seguridad para distinguir las señales relevantes del ruido cotidiano.
Tras identificar el incidente, la empresa también utilizó modelos de IA para analizar más de 17.000 eventos registrados, reconstruir la cronología del ataque, identificar los indicadores de compromiso y determinar qué credenciales se habían visto afectadas. Según Hugging Face, actividades que normalmente habrían requerido varios días se completaron en cuestión de horas.
Probablemente sea una de las representaciones más claras de la transformación que nos espera. Por un lado: atacantes potenciados por IA. Por el otro: ciberdefensa potenciada por IA.
La velocidad de los ataques aumenta. En consecuencia, también debe aumentar la velocidad de detección.
¿IA contra IA? El futuro de la ciberseguridad estará cada vez más automatizado
El futuro de la ciberseguridad no consistirá en una simple confrontación entre seres humanos e Inteligencia Artificial.
Será un ecosistema en el que personas, sistemas automatizados y modelos de IA operarán simultáneamente tanto en el frente ofensivo como en el defensivo.
Los atacantes seguirán utilizando la IA y la automatización para aumentar la escala, la velocidad y las capacidades de sus operaciones. Los equipos defensivos deberán hacer lo mismo.
Esto no significa delegar por completo la ciberseguridad en los algoritmos. La gobernanza, los conocimientos humanos, las políticas, el análisis de riesgos y la capacidad de decisión seguirán siendo fundamentales.
Pero sí significa reconocer un cambio importante: frente a amenazas capaces de operar a velocidad de máquina, la ciberdefensa también debe adquirir capacidades de análisis y respuesta compatibles con esa velocidad.
El CSIS llega a una conclusión similar: el aumento de las capacidades cibernéticas de los modelos de IA hace necesario invertir simultáneamente en las capacidades de IA de los equipos defensivos.
Por tanto, la competencia no será simplemente entre el ser humano y la máquina. Cada vez será más frecuente ver atacantes potenciados por IA frente a defensores potenciados por IA.
Inteligencia Artificial y Machine Learning para la seguridad: del miedo a la protección
La Inteligencia Artificial introduce nuevos riesgos para la ciberseguridad. Ignorarlos sería un error. Pero también sería limitante presentar la IA exclusivamente como una herramienta en manos de los ciberdelincuentes.
La Inteligencia Artificial y el Machine Learning también se están convirtiendo en tecnologías para la ciberdefensa, capaces de reforzar la detección de amenazas, la detección de anomalías, la clasificación, la inteligencia de amenazas y la respuesta ante incidentes.
En la seguridad DNS, esta evolución adquiere un significado concreto: analizar enormes cantidades de solicitudes, clasificar continuamente nuevos dominios y bloquear el acceso a destinos potencialmente maliciosos antes de que se establezca la conexión.
Sobre este principio, FlashStart integra la IA y el Machine Learning en su tecnología de filtrado DNS: transformar las capacidades de análisis y clasificación en protección preventiva de la navegación, manteniendo al mismo tiempo el rendimiento y la fiabilidad.
Cuando los ataques pueden evolucionar a velocidad de máquina, la defensa también debe ser capaz de reaccionar con la misma rapidez. Identificar y clasificar una amenaza a tiempo se convierte así en un factor determinante para garantizar una protección eficaz.
