El sistema multiagente de seguridad de Cloudflare reduce la fatiga por alertas

El 7 de octubre de 2026, Cloudflare detalló su nueva arquitectura multiagente de IA para operaciones de seguridad dentro de su servicio Managed Defense. El sistema aborda la "paradoja de las alertas", donde el alto volumen de notificaciones de seguridad abruma a los analistas humanos, automatizando la recopilación de datos y la triage inicial. Este enfoque utiliza agentes especializados en lugar de un único modelo de propósito general para mejorar la precisión y reducir las alucinaciones.

Qué ocurrió

Los equipos de seguridad suelen enfrentarse a una avalancha de alertas que requieren correlación manual para determinar si representan una amenaza real o ruido. El equipo de ingeniería de Cloudflare descubrió que su prototipo inicial, que dependía de un único agente de IA de propósito general para gestionar investigaciones completas, tenía problemas de fiabilidad. El agente frecuentemente generaba afirmaciones alucinatorias sin respaldo en evidencias porque la telemetría, los detalles de políticas y la inteligencia de amenazas se aplastaban en un único prompt. Esto provocaba que los roles distintos de diferentes fuentes de datos se fusionaran, dando lugar a tres modos específicos de fallo: el contexto se confundía con autoridad, el alcance se desviaba entre cuentas o rangos de tiempo, y existían estados de fallo ambiguos donde los tiempos de espera parecían resultados negativos.

Para resolver estos problemas, Cloudflare reestructuró su flujo de trabajo en una fase determinista de reconocimiento seguida de análisis especializado por IA. Antes de invocar cualquier modelo de lenguaje grande (LLM), el código de aplicación ejecuta flujos de trabajo fijos de reconocimiento utilizando llamadas API versionadas. Este proceso recopila la identidad del cliente, el historial de detecciones, las líneas base de tráfico y los resultados de aplicación, almacenando cada pieza de datos con su fuente y marca de tiempo. Al separar la recopilación de evidencia de la inferencia, el sistema garantiza que los datos de entrada sean consistentes y reproducibles, permitiendo a los especialistas interpretar instantáneas estáticas en lugar de obtener datos en vivo que podrían cambiar entre ejecuciones.

El nuevo sistema filtra el ruido tempranamente usando Clef, el modelo de decisión de código abierto de Cloudflare que funciona en Workers AI. Las alertas con alta probabilidad de ser falsos positivos se clasifican como pasivas y se mantienen fuera de la cola activa. Para las alertas que requieren una revisión más profunda, un agente coordinador despacha cuatro agentes especialistas en paralelo: uno para análisis de tráfico, uno para contexto del cliente, uno para telemetría global y uno para inteligencia de amenazas. Un agente de síntesis combina luego estos hallazgos tipificados en una única recomendación, restringida a un vocabulario aprobado e incapaz de obtener nuevas evidencias de forma independiente.

Cómo funciona

La innovación central reside en mantener la recopilación de evidencia y la aplicación del alcance en el código de aplicación, en lugar de depender de la ingeniería de prompts. El sistema crea un paquete de evidencia versionado que incluye el sujeto, el alcance, el ancla temporal y la evidencia admitida. Los agentes especialistas deben citar elementos de este paquete, y el código de aplicación valida que cada cita exista y respalde la afirmación. Si una búsqueda falla o excede el tiempo límite, el sistema registra explícitamente el vacío como "no comprobado" en lugar de confundirlo con "comprobado y no encontrado". Esta distinción evita que el modelo haga suposiciones basadas en datos faltantes.

El contexto global se integra sin comprometer la privacidad del cliente. El especialista en telemetría global compara una alerta contra patrones agregados vistos en toda la red de Cloudflare, como si una IP está escaneando miles de sitios o apareciendo por primera vez. Nunca accede a registros individuales de otros clientes. El agente de síntesis pondera esta reputación global contra el historial específico del cliente, asegurando que los patrones generalizados no desencadenen automáticamente respuestas a incidentes por actividades benignas aisladas. Finalmente, Clef puntúa la evidencia recopilada para determinar si es suficiente para una decisión, seleccionando de una lista reducida de clasificaciones de ataque.

Detalles clave

• Cloudflare utiliza modelos de OpenAI Daybreak y Anthropic, incluyendo GPT-5.6 Cyber y Mythos, para análisis profundos tras la triage inicial.
• El sistema distingue entre tres estados de evidencia: no comprobado, comprobado sin coincidencia, y comprobado con evidencia que respalda la ausencia.
• Los agentes especialistas funcionan en paralelo bajo un coordinador, con un agente de síntesis combinando sus hallazgos en una recomendación final.
• El código determinista maneja la admisión y validación de evidencia, impidiendo que los modelos crucen límites de inquilinos (tenants) o actúen de forma autónoma.
• La arquitectura depende de Cloudflare Workers, Workflows, D1, R2 y Durable Objects para mantener el estado y coordinar las etapas.
• Los analistas humanos siguen siendo responsables de las decisiones finales, mientras que la IA proporciona vistas consolidadas de alertas relacionadas y próximos pasos recomendados.

Por qué importa

Para ingenieros de software y líderes de seguridad, este cambio de arquitecturas de un solo agente a multiagente destaca una lección crítica en la construcción de sistemas de IA fiables: no se debe confiar en los modelos para la recuperación de datos o la definición del alcance. Al trasladar estas responsabilidades a código determinista, Cloudflare reduce el riesgo de alucinaciones y desviación del alcance, fallos comunes en los flujos de trabajo agénticos. Este patrón de "reconocimiento primero, inferencia después" asegura que los modelos de IA operen sobre contextos verificados y estáticos, haciendo sus salidas más auditable y consistentes.

El impacto práctico es una reducción significativa del tiempo que los analistas pasan correlacionando alertas dispares. En lugar de revisar manualmente registros de tráfico, disposiciones históricas y feeds globales de amenazas, los analistas reciben una recomendación preempaquetada con evidencia citada. Esto permite a los equipos centrarse en la remediación y la mitigación estratégica en lugar de en la recopilación repetitiva de datos. A medida que las herramientas de IA se vuelven más prevalentes en las operaciones de seguridad, entender cómo fundamentarlas en evidencia verificable será esencial para mantener la confianza y la eficiencia operativa.

Qué puedes hacer

• Separa la recuperación de datos de la inferencia del modelo en tus aplicaciones de IA para evitar la desviación del alcance y garantizar entradas reproducibles.
• Implementa capas estrictas de validación que comprueben si las citas del modelo existen en el paquete de evidencia proporcionado antes de aceptar las salidas.
• Utiliza agentes especializados de alcance estrecho para tareas distintas como el análisis de tráfico o la inteligencia de amenazas, en lugar de depender de un único modelo generalista.
• Registra y etiqueta explícitamente los estados de datos faltantes para distinguir entre "no comprobado" y "comprobado y no encontrado".