Los ataques multi-turno contra modelos de inteligencia artificial han demostrado una tasa de éxito alarmante del 88,3%, según un estudio reciente de Cisco que evaluó 6.986 conversaciones adversariales sobre 15 modelos propietarios. Este dato, presentado en un panel de seguridad agentiva durante el VB Transform 2026, revela que las pruebas tradicionales de un solo turno —donde se lanza un prompt malicioso y se evalúa la respuesta— son insuficientes para proteger sistemas productivos. La investigación comparó 30.090 ataques de un solo turno con 6.986 ataques multi-turno; mientras los primeros fallaban al no capturar comportamientos evasivos, los segundos exponían vulnerabilidades que ningún test simple detecta.
El problema radica en que la interacción real con agentes de IA es conversacional. Un usuario o un atacante no se limita a un único prompt; negocia, reformula, insiste. Los modelos, al mantener un contexto largo, pueden ser manipulados gradualmente para obtener respuestas prohibidas, acceder a datos sensibles o ejecutar acciones no autorizadas. Cisco, junto con Nicholas Conley, demostró que los rankings de seguridad entre modelos cambian por completo cuando se pasa de un turno a varios: modelos que parecían seguros en un solo prompt resultaban frágiles en diálogos extendidos. Esto obliga a redefinir cómo las empresas abordan la ciberseguridad en sus sistemas basados en IA.
Para las organizaciones que están desplegando agentes inteligentes —ya sea en atención al cliente, automatización de procesos o análisis de negocio— la conclusión es clara: el testeo simple es una falsa garantía. Según una encuesta de VentureBeat de junio de 2026, el 54% de las empresas ya ha sufrido un incidente confirmado de seguridad relacionado con agentes (18%) o un casi incidente (36%). Solo un 32% asigna identidades gestionadas y acotadas a cada agente, y apenas un 30% aísla a los agentes de alto riesgo en entornos de prueba (sandboxes). El 82% de las compañías aún depende de controles nativos de los proveedores de nube como capa principal de seguridad, un enfoque que se ha mostrado insuficiente ante ataques multi-turno.
Ante este panorama, la industria está reaccionando con adquisiciones multimillonarias: Palo Alto Networks cerró la compra de CyberArk por 25.000 millones de dólares, CrowdStrike adquirió SGNL por 740 millones y Cisco compró Astrix Security por 400 millones, todo orientado a reforzar la capa de identidad y aislamiento que la mayoría de empresas aún no ha construido. La respuesta no es compleja, según Amy Chang, directora de inteligencia de amenazas y seguridad de IA en Cisco: “Sigue siendo sencillo: hay que volver a los fundamentos, pensar en qué estamos protegiendo realmente en nuestra organización”. Su recomendación es trabajar hacia atrás desde incidentes reales, usando marcos como el Integrated AI Security and Safety Framework de Cisco, para identificar dónde fallaron las defensas.
En este contexto, Q2BSTUDIO, como empresa de desarrollo de software y tecnología, ofrece soluciones que abordan precisamente estos desafíos. Con servicios de aplicaciones a medida, Q2BSTUDIO puede integrar mecanismos de seguridad multi-turno desde el diseño, garantizando que los agentes de IA que construye para sus clientes sean evaluados bajo condiciones realistas de ataque. Además, su experiencia en inteligencia artificial permite diseñar sistemas que no solo responden a prompts, sino que incorporan controles deterministas y monitoreo continuo para detectar desviaciones en tiempo real.
Un enfoque práctico es el que describe Heather Ceylan, CISO de Box. Su compañía implementa tres capas concéntricas de seguridad: permisos restringidos (el agente solo accede a datos que el usuario humano podría ver), entornos efímeros (cada tarea se ejecuta en un sandbox temporal) y control de ejecución (las llamadas a herramientas se limitan a las estrictamente necesarias). Para acciones destructivas, se exige siempre aprobación humana. Esta arquitectura, combinada con pruebas multi-turno continuas, reduce drásticamente la superficie de ataque.
En Q2BSTUDIO sabemos que la seguridad no puede ser un añadido tardío. Por eso, al desarrollar automatización de procesos basada en agentes, aplicamos principios de mínimo privilegio y aislamiento. Además, nuestra oferta en cloud AWS/Azure permite desplegar estos agentes con identidades efímeras y políticas de acceso adaptativas, mientras que las capacidades de BI / Power BI ayudan a monitorizar el comportamiento de los agentes a través de dashboards en tiempo real. La combinación de inteligencia artificial y business intelligence permite detectar patrones anómalos en las conversaciones que podrían indicar un ataque multi-turno en curso.
La formación de los equipos también es crucial. Rajesh Parekh, VP de IA en Intuit, subraya que los agentes tienen “habilidades” que pueden convertirse en vulnerabilidades. Por eso, en Intuit han creado GenOS, un sistema operativo de IA que centraliza la seguridad, el riesgo y el modelado de fraude, evitando que cada desarrollador reinvente protecciones. Q2BSTUDIO ofrece un enfoque similar a través de sus servicios de consultoría y desarrollo, ayudando a las empresas a construir plataformas internas que abstraigan la seguridad de los agentes y permitan pruebas multi-turno automatizadas.
La clave está en la continuidad. Ceylan advierte que, en su experiencia, un solo error de un agente puede destruir toda la confianza acumulada en meses. “Tuvieron que empezar de nuevo”, relata. Por eso, el monitoreo constante, los cambios de permisos en medio de la sesión y la reevaluación periódica de los modelos son imprescindibles. Los modelos cambian, los adversarios se adaptan y las pruebas de un solo turno no reflejan esa realidad dinámica.
Para las empresas que todavía confían en controles nativos de proveedores, el mensaje del panel es directo: hay que probar como atacan los atacantes, a lo largo de conversaciones completas y de forma continua, o descubrir en producción lo que el testeo simple pasó por alto. En Q2BSTUDIO ofrecemos precisamente eso: desarrollo de ciberseguridad avanzada, incluyendo pentesting de agentes de IA con metodologías multi-turno, para garantizar que sus aplicaciones no sean vulnerables al 88% de ataques que el testeo simple no detecta.
