La paciencia es una virtud en el ámbito de la IA

En los casi dos años desde que se lanzó ChatGPT, la inteligencia artificial generativa ha recorrido todo un ciclo de hiperespectación tecnológica, desde expectativas altas y cambiantes para la sociedad hasta alimentar una reciente corrección del mercado de valores. Pero dentro de la industria de la ciberseguridad en particular, la emoción en torno a la Inteligencia Artificial Generativa (IA genérica) sigue estando justificada; solo puede tomar un poco más de tiempo de lo que los inversores y analistas anticiparon para cambiar completamente el sector.

La señal más clara y reciente del cambio en la hiperespectación fue en la Conferencia Black Hat USA a principios de agosto, en la que la inteligencia artificial generativa jugó un papel muy pequeño en los lanzamientos de productos, demostraciones y creación de entusiasmo. En comparación con la Conferencia RSA solo cuatro meses antes, que presentó a los mismos proveedores, el enfoque de Black Hat en la IA fue negligible, lo que razonablemente llevaría a los observadores neutrales a creer que la industria está pasando a algo más o que la IA se ha convertido en una commodity. Pero eso no es exactamente el caso.

Esto es lo que quiero decir. El beneficio transformador de aplicar la inteligencia artificial generativa dentro de la industria de la ciberseguridad probablemente no provendrá de chatbots genéricos o de la superposición rápida de la IA sobre modelos de procesamiento de datos. Estos son los bloques de construcción para casos de uso más avanzados y eficientes, pero en este momento no están especializados para la industria de la seguridad, y como resultado no están impulsando una nueva ola de resultados de seguridad óptimos para los clientes. Más bien, la transformación real que la IA proporcionará a la industria de la seguridad tendrá lugar cuando los modelos de IA se personalicen y ajusten para casos de uso de seguridad.

Los casos de uso actuales de la IA en la seguridad emplean en gran medida ingeniería de prompts y Generación con Recuperación, que es un marco de IA que básicamente permite que los grandes modelos de lenguaje (LLM) accedan a recursos de datos adicionales fuera de sus datos de entrenamiento, combinando las mejores partes de la IA generativa y la recuperación de bases de datos. La utilidad de estos varía mucho dependiendo del caso de uso y de cómo bien el procesamiento de datos existente del proveedor apoya el caso de uso; no son “mágicos”. Esto es cierto para otras aplicaciones que requieren datos y experiencia propietarios que no son prevalentes en Internet, como el diagnóstico médico y el trabajo legal. Parece probable que las empresas ajusten las tuberías de procesamiento de datos y los sistemas de acceso a datos para optimizar los casos de uso de la IA generativa. Además, las empresas de IA generativa están fomentando el desarrollo de modelos especialmente ajustados, aunque todavía no se ha visto cómo funcionará esto para usos donde la calidad y el detalle son esenciales.

Hay varias razones por las que esta especialización tardará en surtir efecto en la industria de la seguridad. Una razón principal es que personalizar estos modelos requiere muchos humanos en el bucle durante el entrenamiento que son expertos en materia en ciberseguridad y IA, dos industrias que luchan por contratar suficiente talento. La industria de la ciberseguridad tiene una escasez de aproximadamente cuatro millones de profesionales en todo el mundo, según el Foro Económico Mundial, y Reuters estima que habrá una brecha de contratación del 50% para puestos relacionados con la IA en el futuro cercano.

Sin una abundancia de expertos disponibles, el trabajo preciso necesario para adaptar los modelos de IA para que funcionen dentro de un contexto de seguridad se verá ralentizado. El costo de realizar la ciencia de datos necesaria para entrenar estos modelos también limita el número de organizaciones que tienen los recursos para realizar investigaciones sobre la modelización de IA personalizada. Se necesitan millones de dólares para costear la potencia de procesamiento que requieren los modelos de IA de vanguardia, y ese dinero debe provenir de alguna parte. Incluso cuando una organización tiene los recursos y el equipo para impulsar la investigación sobre la personalización de la IA, el progreso real no ocurre de la noche a la mañana. Tomará tiempo descubrir cómo mejorar los modelos de IA para beneficiar a los profesionales y analistas de la seguridad, y como con cualquier herramienta nueva, habrá una curva de aprendizaje cuando se introduzcan procesadores de lenguaje natural de seguridad, chatbots y otras integraciones asistidas por IA.

La inteligencia artificial generativa sigue estando en condiciones de cambiar el mundo de la ciberseguridad a un nuevo paradigma, donde las capacidades ofensivas de la IA que los adversarios y actores de amenazas aprovechan competirán con los modelos de IA de los proveedores de seguridad construidos para detectar y monitorear amenazas. La investigación y el desarrollo necesarios para impulsar ese cambio simplemente tomarán un poco más de tiempo de lo que la comunidad tecnológica en general ha anticipado.