Entrevistas
Oran Moyal, cofundador y director de tecnología de Ocean Security: serie de entrevistas

Puntos claveEl estatus nativo de IA es organizacional más que técnico porque cambia cómo cada…
Ver más
- El estatus nativo de IA es organizacional más que técnico porque cambia cómo cada equipo maneja el trabajo.
- Acelerar tareas individuales falla cuando las transferencias y aprobaciones siguen siendo los verdaderos cuellos de botella entre pasos.
- Los agentes necesitan permisos impuestos y validación independiente porque las instrucciones por sí solas no son controles de seguridad.
Oran Moyal es cofundador y director de tecnología de Ocean Security, donde desarrolla IA agéntica para investigar amenazas sofisticadas por correo electrónico. Su trayectoria abarca la investigación y el desarrollo en ciberseguridad, la ingeniería social ofensiva y la seguridad empresarial. En 2024 cofundó Ocean junto con Shay Shwartz, basándose en su experiencia analizando cómo los atacantes aprovechan las comunicaciones de confianza y cómo los sistemas de seguridad pueden responder a amenazas cada vez más selectivas.
Ocean Security desarrolla una plataforma de seguridad del correo electrónico basada en agentes, diseñada para investigar el phishing selectivo, el fraude por suplantación del correo empresarial y el fraude financiero. Sus agentes de IA especializados analizan el contexto de las comunicaciones y la intención del remitente para ayudar a los equipos de seguridad a detectar amenazas en interacciones empresariales que parecen legítimas. En esta entrevista, Moyal habla de qué hace que una organización sea nativa en IA, cómo rediseñar los flujos de trabajo en torno a los agentes y por qué los requisitos claros, la validación independiente, los permisos aplicados y el criterio humano siguen siendo fundamentales para una automatización eficaz.
Antes de cofundar Ocean en 2024, trabajó durante años en investigación y desarrollo de ciberseguridad, incluso en las Fuerzas de Defensa de Israel y en VisibleRisk / Microsoft Security. ¿Qué experiencias lo llevaron a fundar Ocean y cómo influyó la aparición de la IA en su visión de la empresa desde el principio?
Antes, una campaña de phishing selectivo requería un equipo dedicado y semanas de investigación y preparación manuales. Cuando surgió la IA generativa, nos dimos cuenta de que todos los empleados de todas las empresas estaban expuestos a devastadores ataques de phishing al nivel de los Estados nación. De la noche a la mañana, una suscripción de 20 dólares dio a todos los atacantes capacidades propias de un Estado nación.
Shay y yo tenemos amplia experiencia en ingeniería social desde el lado ofensivo, y ambos hemos creado y expandido empresas de seguridad empresarial, así que sabíamos que las herramientas heredadas no podrían seguir el ritmo. Buscan infracciones de reglas y anomalías, pero estos ataques se ocultan en las comunicaciones empresariales habituales: conversaciones reales, cuentas de confianza y servicios legítimos. Nada parece anormal. Por eso, en 2024 fundamos Ocean para ayudar a las empresas a adaptarse a esta nueva amenaza con una solución de seguridad del correo electrónico basada en IA que analiza el contexto y la intención del remitente en tiempo real, de forma muy similar a como lo haría un investigador humano, antes de que se produzca una vulneración.
Muchas organizaciones se describen como «nativas en IA» simplemente porque han adoptado herramientas de IA o automatizado ciertos procesos. En su opinión, ¿qué distingue fundamentalmente a una organización verdaderamente nativa en IA de otra que solo ha integrado la IA en sus operaciones actuales?
Muchas empresas se consideran nativas en IA porque han comprado herramientas de IA. Eso es adoptar tecnología. Ser nativa en IA cambia la manera en que la empresa aborda el trabajo cotidiano y resuelve los cuellos de botella.
Todo empieza por cómo responden los líderes ante un cuello de botella. La reacción tradicional es: «Esto lleva demasiado tiempo; contratemos a alguien para que se encargue». Una organización nativa en IA se pregunta primero: «¿Cómo puede la IA agilizar toda esta función?». Si se repite esa pregunta en cada equipo, toda la empresa empieza a funcionar de otra manera.
La verdadera transformación nativa en IA es organizativa, no técnica. Si se acelera un departamento, el cuello de botella simplemente se desplaza al siguiente, y la empresa termina avanzando al ritmo de su función más lenta. Las organizaciones nativas en IA se transforman en conjunto, de modo que la información circula más rápido, los ciclos de retroalimentación se acortan y los equipos trabajan como un sistema interconectado.
En este modelo, cambia el valor que aportan las personas. A medida que la IA asume más trabajo, las habilidades más escasas son establecer un rumbo claro, definir la intención y aplicar el criterio. Las personas y los agentes trabajan codo a codo. La IA se ocupa de una mayor parte de la ejecución, y las personas deciden qué vale la pena desarrollar y por qué.
El objetivo es que todos los equipos hagan más con los mismos recursos, avancen más rápido y colaboren mejor, sin comprometer la calidad.
Ha sostenido que las mejoras de productividad impulsadas por la IA pueden desaparecer rápidamente cuando los flujos de trabajo subyacentes son ineficientes. ¿Cuáles son los cuellos de botella operativos más habituales que impiden a las empresas aprovechar plenamente los beneficios de la IA, y cómo deberían abordar los líderes el rediseño de estos flujos de trabajo?
Acelerar tareas individuales no acelera automáticamente a toda la organización. Si los procesos, las dependencias y la comunicación entre equipos siguen igual, gran parte de la productividad que genera la IA se pierde por el camino.
Los cuellos de botella más habituales no son técnicos. Se deben a requisitos poco claros que provocan repetición del trabajo, traspasos lentos entre equipos y tareas que quedan a la espera de aprobación. La IA acelera cada etapa, pero el tiempo se pierde entre una y otra.
Los líderes deberían empezar por medir en qué se emplea realmente el tiempo, porque el verdadero cuello de botella a menudo no es el que todos suponen. Después, deberían rediseñar el flujo de trabajo de principio a fin y corregir los traspasos, las definiciones y los ciclos de retroalimentación, en lugar de centrarse únicamente en tareas individuales. Por último, deberían vincular cada iniciativa de IA con los KPI de los que los equipos ya son responsables.
Y, sobre todo, los líderes deben cambiar de mentalidad. La automatización y la aceleración deberían ser la norma. En lugar de aceptar los procesos existentes, los equipos deberían cuestionar continuamente cómo se hacen las cosas para avanzar más rápido y aumentar su impacto sin comprometer la calidad.
Uno de los principios que usted destaca es la importancia de definir claramente los requisitos antes de incorporar agentes de IA a un flujo de trabajo. ¿Cómo deberían replantearse las organizaciones la manera de definir tareas, comunicar expectativas y establecer criterios de éxito cuando los agentes de IA son responsables de ejecutar una parte importante del trabajo?
Cuando los agentes de IA realizan gran parte del trabajo, las organizaciones deben replantearse cómo comunican y definen las tareas. Una solicitud imprecisa no detiene a un agente: este hace suposiciones, y cada suposición errónea genera más trabajo que hay que rehacer.
Lo pienso en tres niveles:
Tareas, objetivos y contexto claros. El agente necesita entender qué hay que hacer, por qué es importante y cuál es el contexto. Antes de empezar el trabajo, debería poder preguntar sobre cualquier aspecto que no esté claro, para resolver las dudas desde el principio en lugar de descubrirlas cuando el trabajo ya está a medio hacer.
Autovalidación. Los criterios de éxito deben definirse de antemano y de modo que el agente pueda comprobarlos por sí mismo. En el desarrollo de software, por ejemplo, un agente debería poder ejecutar el código, probar que funciona según lo previsto y confirmar que supera las pruebas antes de que alguien lo revise.
Las personas como última instancia. Las personas deberían recibir un resultado que el agente ya haya perfeccionado mediante varias iteraciones, de acuerdo con los criterios acordados. Su función es aplicar su criterio, no corregir errores básicos.
Cuanto más clara sea la definición, menos tiempo humano necesitará cada resultado.
Usted defiende que los agentes de IA puedan validar su propio trabajo antes de que llegue a quienes lo revisan. ¿Cómo es en la práctica un proceso eficaz de validación impulsado por IA y cómo pueden las organizaciones asegurarse de que las comprobaciones automatizadas de calidad no se limiten a reforzar los mismos errores cometidos durante la ejecución?
Un proceso de validación eficaz pone a prueba el trabajo tal como se utilizará realmente. El agente debería ejecutar el sistema real de principio a fin, confirmar que el resultado cumple los criterios de éxito y corregir lo que falle antes de que nada llegue a una persona.
Para evitar que la validación repita los propios errores del agente, hay que tener en cuenta algunos principios:
Separar los criterios de la ejecución. Las personas deben definir cómo se ve el éxito antes de que empiece el trabajo. Si un agente decide qué significa «terminado», será como pedirle que corrija su propio examen.
Establecer límites estrictos. No todas las comprobaciones deberían depender del criterio de un agente. Algunas deben ser pruebas fijas y deterministas que verifiquen parámetros, normas y políticas específicas. Estas le marcan al agente límites claros que no puede eludir mediante razonamientos.
Recurrir a un revisor independiente. Un segundo agente, con contexto nuevo y sin interés en el enfoque original, detecta errores que el primero pasa por alto.
Mostrar pruebas, no solo un veredicto. Los resultados de las pruebas, las capturas de pantalla y las grabaciones permiten ver qué ocurrió, en lugar de confiar en un «aprobado».
Así, la atención humana se centra en los riesgos más altos. El objetivo no es excluir a las personas del proceso, sino asegurarse de que dediquen su tiempo a aplicar su criterio, no a realizar comprobaciones mecánicas.
Las organizaciones tradicionales suelen depender de varias capas de gestión, aprobaciones y traspasos de trabajo entre equipos. ¿Cómo cambia un modelo operativo nativo de IA la colaboración entre los equipos de ingeniería, producto, seguridad y negocio, y qué ocurre con los cargos y las responsabilidades tradicionales a medida que los agentes asumen una mayor parte de la ejecución?
La IA permite que cada persona y cada equipo produzcan más. Pero si los traspasos de trabajo, las aprobaciones y la coordinación siguen igual, esa producción adicional simplemente se acumula a la espera del siguiente paso. La organización no avanza más rápido. Surgen nuevos cuellos de botella. Un modelo operativo nativo de IA debe rediseñar la forma en que colaboran los equipos, no solo la manera de trabajar de cada uno.
El primer paso es replantearse cómo circula la información. Una mayor parte debería fluir mediante la automatización, para reservar las reuniones a las decisiones y no a las actualizaciones. Cuando la información obtenida sobre el terreno llega directamente al equipo de producto, las decisiones se toman más rápido y son más precisas; esto, a su vez, permite definir mejor el trabajo y ejecutarlo mejor.
También hay que replantearse las aprobaciones, y esta es la parte más difícil porque implica cambiar lo que la organización considera normal. Las aprobaciones siguen siendo importantes, pero no deberían tratar todos los cambios de la misma manera. Por ejemplo, añadir una evaluación de riesgos a un proceso de aprobación específico puede reducir las aprobaciones manuales para el trabajo de bajo riesgo y, al mismo tiempo, mantener la revisión humana allí donde importa. Esa es solo una forma de acelerar un proceso sin perder el control.
También se están redefiniendo los cargos. A medida que los agentes asumen una mayor parte de la ejecución, las personas pasan de ser responsables de tareas a ser responsables de resultados. Deben entender todo el contexto, cuestionar las suposiciones e ir más allá de sus límites tradicionales. Las organizaciones que tendrán éxito serán las que rediseñen la manera en que colaboran las personas, no solo las que incorporen más IA.
Ocean utiliza agentes de IA especializados para investigar amenazas sofisticadas por correo electrónico. ¿Cómo ha influido su experiencia desarrollando IA basada en agentes para la ciberseguridad en la forma en que implementa la IA internamente? ¿Y hay lecciones de la creación de sistemas de seguridad autónomos que puedan aplicarse a la gestión de una organización nativa de IA?
La creación de agentes autónomos para la seguridad del correo electrónico ha influido en dos aspectos de cómo usamos la IA internamente.
La primera lección es que el rendimiento de los agentes depende de cuánto entienden el contexto. Un agente de seguridad toma mejores decisiones cuando entiende la organización que protege. Lo mismo ocurre internamente. Para obtener buenos resultados de los agentes, debemos ayudarles a entender realmente cómo funciona la organización, cuál es el propósito de cada tarea y cómo se relaciona con el panorama general.
La segunda lección es que los agentes necesitan una evaluación continua. En producción, evaluamos constantemente cómo rinden nuestros agentes, en qué fallan y qué herramientas o datos les faltan. Aplicamos el mismo enfoque internamente. Necesitamos un espacio específico para probar y entrenar a los agentes, y recibir comentarios sobre ellos. Sin ese espacio, es difícil saber si un agente está mejorando o qué necesita a continuación.
Dirigir una organización nativa de IA se parece mucho a construir un sistema de seguridad autónomo: hay que proporcionar a los agentes un contexto profundo, evaluar continuamente su rendimiento y mantener a las personas involucradas cuando el criterio es importante.
A medida que las organizaciones conceden mayor autonomía a los agentes de IA, surgen preocupaciones relacionadas con la rendición de cuentas, la seguridad y las consecuencias imprevistas. Desde su experiencia en ciberseguridad, ¿cómo deberían establecer las empresas límites de seguridad que permitan a los agentes operar de forma independiente sin comprometer la seguridad ni perder una supervisión humana significativa?
La autonomía es el rumbo que están tomando los agentes, y las organizaciones deberían avanzar paso a paso. Conviene empezar por ámbitos cuyo impacto se comprende bien, demostrar el valor y, después, ampliar su uso.
Los controles de seguridad efectivos no son instrucciones. Decirle a un agente «no hagas esto» no es un control de seguridad. Los controles deben hacerse cumplir: hay que establecer límites estrictos sobre aquello a lo que puede acceder el agente, verificar que no pueda llegar a nada fuera de su ámbito y mantener una supervisión continua que bloquee las acciones que nadie había previsto. Como cualquier otro componente del sistema, deben probarse y validarse periódicamente.
La rendición de cuentas empieza por quien opera el agente. La persona que lo pone en funcionamiento define sus límites: qué puede hacer por su cuenta, qué requiere aprobación y adónde no puede llegar. Pensemos en un agente que responde a amenazas recibidas por correo electrónico. Puede poner en cuarentena mensajes sospechosos por su cuenta, con rapidez y fiabilidad. Para acciones de mayor alcance, como bloquear a un remitente en toda la organización, quien lo opera puede empezar incorporando una etapa de revisión. A medida que el agente acumula un historial de buen desempeño, esos límites pueden ampliarse con confianza. Unos controles de seguridad claros son lo que permite una mayor autonomía.
Esto es aún más importante porque los atacantes están dirigiendo cada vez más sus ataques contra los agentes de IA. La empresa quiere avanzar más rápido, pero los equipos de seguridad todavía no cuentan con un protocolo claro para proteger a los agentes. Por eso, la base debe ser la aplicación estricta de los permisos y la supervisión constante.
Muchas empresas miden la adopción de la IA en función del tiempo ahorrado, las tareas automatizadas o la productividad de los empleados. ¿Qué métricas cree que demuestran realmente si un modelo operativo nativo de IA está generando valor empresarial sostenible, en particular al tener en cuenta el retrabajo, la calidad y los costos de coordinación?
El tiempo ahorrado es una métrica importante y, a menudo, la primera señal clara de que la IA está generando valor. Pero su impacto se aprecia plenamente cuando se combina con métricas que muestran qué hace la organización con ese tiempo y si los beneficios se mantienen a largo plazo.
Calidad. La velocidad solo es una mejora si la calidad se mantiene o mejora. Hay que hacer seguimiento del retrabajo, los defectos y la frecuencia con que deben corregirse los resultados después de su entrega. Cuando la velocidad y la calidad mejoran a la vez, los beneficios son reales y duraderos.
Expansión del negocio. El verdadero valor de una organización nativa de IA reside en lo que permite hacer el tiempo que ahorra. Medimos cuántas capacidades e iniciativas nuevas emprendemos sin aumentar la plantilla.
Velocidad de principio a fin. El tiempo que tarda un agente en desarrollar una función es solo una parte del panorama. La verdadera medida es el proceso completo, incluidos todos los traspasos, desde el momento en que decidimos dar prioridad a algo hasta que está disponible en el producto. Así medimos nuestra velocidad real y detectamos los costos de coordinación que las métricas por tarea no reflejan. En seguridad, la velocidad de principio a fin es fundamental. Los atacantes ya utilizan agentes de IA, por lo que el tiempo necesario para detectar y responder a una amenaza debe seguir reduciéndose.
El tiempo ahorrado demuestra que la IA está funcionando. Estas métricas muestran que está generando valor duradero para la empresa.
Usted ha señalado que las empresas tecnológicas más pequeñas y ágiles pueden obtener una ventaja competitiva significativa si rediseñan sus operaciones en torno a la IA. ¿Qué ventajas tienen las startups nativas de IA frente a las empresas consolidadas, y cómo cree que evolucionará la estructura de las empresas tecnológicas exitosas durante los próximos tres a cinco años?
Las startups nativas de IA tienen una ventaja estructural. Pueden diseñar desde el primer día flujos de trabajo, tecnología y equipos en torno a los agentes de IA, mientras que las empresas consolidadas deben lidiar con décadas de infraestructura heredada y complejidad organizativa. La brecha más grande no es técnica. Todo el mundo tiene acceso a las mismas herramientas de IA. La ventaja corresponde a las empresas capaces de rediseñar su forma de trabajar sin tener que desmantelar primero capas de aprobaciones, traspasos y funciones rígidas.
Durante los próximos tres a cinco años, creo que las empresas tecnológicas exitosas irán más allá de la automatización básica con IA y adoptarán modelos operativos basados en agentes, en los que agentes de IA especializados ejecutarán flujos de trabajo completos. Los equipos humanos no desaparecerán, pero las personas dedicarán menos tiempo a realizar tareas manualmente y más a aportar contexto, establecer límites y orientar los resultados. El resultado serán organizaciones más ágiles, capaces de crecer más rápido, operar con mayor eficiencia y competir con empresas muchas veces más grandes que ellas.
Gracias por esta excelente entrevista. Los lectores que deseen obtener más información sobre la seguridad del correo electrónico basada en agentes pueden visitar Ocean Security.












