Microsoft lanzó un modelo de IA que encuentra y arregla solo el 90% de las vulnerabilidades rutinarias de seguridad

Hace unos días cubrimos aquí el incidente en el que dos modelos experimentales de OpenAI se escaparon de un entorno de pruebas controlado y terminaron atacando de verdad la infraestructura de Hugging Face. La misma semana de ese anuncio, Microsoft presentó —el 27 de julio— la otra cara de la moneda: un modelo de IA diseñado específicamente para encontrar y arreglar fallas de seguridad antes de que alguien, humano o agente, las explote.

Se llama MAI-Cyber-1-Flash, y según su propia ficha técnica es un modelo compacto de 5.000 millones de parámetros activos, construido específicamente para flujos de trabajo de seguridad agéntica —es decir, para que otros agentes de IA lo usen como motor especializado dentro de tareas más grandes, no para chatear con un usuario final. Microsoft lo integró dentro de MDASH, su plataforma multi-agente para identificar y remediar vulnerabilidades de software, que puede analizar código, identidades y redes, y ejecutar pruebas reales en tiempo real, no solo lectura estática de código.

El número que más llamó la atención de los analistas fue el resultado en CyberGym, el benchmark de referencia para medir qué tan bien detecta un modelo vulnerabilidades reales: 95,95% de efectividad cuando MAI-Cyber-1-Flash trabaja combinado con GPT-5.4, superando a los modelos especializados en seguridad de Anthropic (Mythos 5), Google (3.5 Flash Cyber) y OpenAI (GPT-5.5 Cyber). La otra cifra relevante es el costo: según reportó CNBC, Microsoft logró esto con una reducción aproximada de 50% en el costo por token frente a los modelos líderes de la competencia — el objetivo declarado no es solo ser el mejor, sino ser considerablemente más barato de operar a gran escala.

En la práctica, Microsoft dice que el modelo gestiona alrededor del 90% de las tareas rutinarias de seguridad de forma autónoma, y solo escala a GPT-5.4 —un modelo más grande y caro— el 10% de casos que resultan demasiado complejos para el modelo especializado. Es la misma lógica de eficiencia que ya vimos en otras partes de la industria este mes: no usar el modelo más grande y costoso para todo, sino un modelo del tamaño correcto para la tarea correcta, reservando el músculo pesado solo para lo que de verdad lo necesita. Junto con el modelo, Microsoft lanzó Perception, un sistema que despliega tres equipos de agentes con roles distintos: unos buscan proactivamente puntos débiles (red), otros defienden en tiempo real (blue), y otros aplican los parches de remediación de forma automatizada (green) — un ciclo completo de detección, defensa y corrección funcionando de manera continua, sin esperar a que un humano revise un reporte semanal.

Vale la pena conectar esto con algo que ya cubrimos en esta sección hace pocos días: 44.000 direcciones IP con cPanel terminaron comprometidas por el ransomware "Sorry" este año, explotando una falla que ya tenía parche disponible semanas antes de que la ola de ataques arrancara en serio. El problema, en ese caso, no fue la sofisticación del atacante — fue que nadie aplicó el parche a tiempo. Herramientas como MAI-Cyber-1-Flash apuntan exactamente a cerrar ese tipo de ventana: automatizar la parte aburrida y repetitiva de encontrar y aplicar el parche antes de que alguien lo explote, en vez de depender de que un administrador humano se acuerde de revisarlo entre todas sus otras tareas.

Esto todavía no es algo que un hosting mediano vaya a tener disponible mañana mismo —por ahora es una herramienta empresarial integrada en la plataforma de seguridad propia de Microsoft, no un producto que se instale en cualquier servidor—, pero marca la dirección hacia la que se mueve la industria: la disciplina de parcheo que hasta ahora dependía enteramente de la memoria y el tiempo de un humano empieza a tener una alternativa automatizada y, según estos números, cada vez más barata de operar.