Remediación de seguridad en la nube con IA: Tamnoon reduce más de 90% la exposición crítica en 90 días sin incidentes

Tu herramienta de seguridad ya sabe qué está mal en tu nube. El problema es que nadie tiene tiempo de arreglarlo. Tamnoon, una startup especializada en remediación de seguridad en la nube con IA, afirma haber logrado una reducción de más de 90% en la exposición crítica en 90 días, con cero incidentes en producción. Lo consiguió con Tami, un orquestador de remediación basado en agentes de IA que corre sobre Amazon Bedrock.

El punto de partida es un dolor conocido por cualquier CISO. Las plataformas CNAPP, los proveedores cloud y los escáneres de postura generan más hallazgos de los que un equipo puede triar, y el riesgo se acumula en el hueco entre lo detectado y lo corregido. Según el artículo publicado en el blog de machine learning de AWS (firmado por Adi Milner, responsable de ingeniería de Tamnoon, Maya Levine, responsable de producto, e Ishara Premadasa, arquitecta de soluciones de AWS), la mayoría de los hallazgos no se quedan sin atender por ser difíciles. Hay que averiguar quién es el dueño del recurso, qué depende de él y si el arreglo romperá producción, y hacerlo a un volumen que supera al personal disponible.

Cómo funciona la remediación automatizada con agentes de IA

Tamnoon no reemplaza a Wiz, CrowdStrike, Palo Alto Cortex, Upwind, SentinelOne, Orca, Cyera, AWS Security Hub ni Amazon GuardDuty. Se coloca aguas abajo, ingiere sus hallazgos, los normaliza en un esquema único y los enriquece con contexto del activo. Después entran cuatro agentes especializados, en una arquitectura serverless y orientada a eventos:

Agente de investigación: reúne contexto, lo filtra con una capa de validación tipo LLM-as-a-judge y genera pasos de investigación de solo lectura. Según la compañía, se apoya en aprendizaje de millones de entornos cloud reales.

Agente de puntuación de seguridad: construye una cadena de evidencia por activo y clasifica cada remediación como SAFE, RISKY o AWAITING DATA. Tiene un sesgo deliberadamente conservador: ante la duda, rebaja la clasificación.

Agente de remediación: solo se activa con lo que el agente anterior marcó como seguro. Cada paso del plan sigue la secuencia respaldo, remediación y verificación, con guía de reversión.

Agente de generación de código: convierte el plan en artefactos ejecutables tras pasar un guardrail contra prompt injection. Un agente revisor independiente debe aprobar cada resultado.

Para cada hallazgo, Tami asigna además un Remediation Confidence Indicator (RCI), una puntuación de confianza que ayuda a decidir qué automatizar.

La elección de plataforma también es parte de la historia. Bedrock permite que cada agente use, con una sola API, el modelo adecuado: los más potentes para el razonamiento profundo y los más baratos para la validación de alto volumen. La inferencia entre regiones reparte la carga sin código propio. Y la inferencia corre dentro del entorno AWS de Tamnoon bajo permisos IAM, así que los datos sensibles de los clientes no salen de su frontera de confianza.

Conviene leer la cifra con cautela. El artículo está coescrito por AWS y la propia Tamnoon, de modo que el 90% es un resultado autoinformado, sin auditoría independiente ni detalle del tamaño de los entornos. Un análisis de n1n.ai, plataforma que vende acceso unificado a varios modelos, defiende una arquitectura parecida (ingesta, razonamiento, validación humana opcional y verificación con re-escaneo). Su ejemplo de código con Claude 3.5 Sonnet y DeepSeek-V3 es ilustrativo y no describe la implementación de Tamnoon. Aun así, su advertencia es útil: un script estático que «arregla» un bucket S3 público puede romper cargas dependientes, y por eso hacen falta contexto y cadenas de respaldo ante límites de tasa.

Qué puedes aplicar en tu empresa

El valor del caso está en el diseño, más que en el modelo. Estas son las lecciones transferibles:

1. Automatiza la investigación antes que la corrección. Tamnoon concentra el trabajo (contexto, propietario, dependencias) antes de tocar nada en vivo. Si hoy tus ingenieros senior pierden horas por hallazgo, ahí está el retorno más rápido.
2. Diseña para la desconfianza. La clasificación SAFE/RISKY/AWAITING DATA con sesgo conservador y el patrón respaldo-remediación-verificación convierten el miedo a romper producción en una regla de ingeniería. Si no puedes explicar por qué un cambio es seguro, no lo automatices.
3. Separa quien genera de quien revisa. Un agente revisor independiente y un guardrail contra prompt injection son controles baratos frente al riesgo de que un agente ejecute algo indebido. Es el mismo principio de capas que aplica GitHub en su arquitectura de seguridad multicapa para agentes de IA en CI/CD.
4. Asigna el modelo según la tarea. No todos los pasos exigen el modelo más caro. Akka lo comprobó al portar 65 proyectos, donde el modelo más barato ganó, y Tamnoon lo aplica con una API única que permite cambiar de modelo sin rehacer la arquitectura.
5. Agrupa por causa raíz. Un mismo origen puede explicar decenas de alertas. Atacar causas, no alertas una a una, es lo que comprime los plazos.

¿Cuándo es el momento correcto?

El caso sugiere tres señales de que ya toca. Tu backlog crece más rápido que tu plantilla. Ya tienes un CNAPP o CSPM que genera hallazgos fiables. Y tu cuello de botella es la confianza, no la detección. Si aún no tienes inventario de propietarios por recurso ni entornos de prueba, empieza por ahí: sin contexto, ningún agente podrá decidir con seguridad. También conviene empezar con remediaciones de bajo riesgo y alta repetición, y ampliar el alcance a medida que las puntuaciones de confianza demuestren fiabilidad. Esa lógica de validar el sistema de forma continua también aparece en cómo Cloudflare lanzó 1.107 intentos de ataque contra su propio WAF y solo 49 merecieron atención.

El siguiente paso en remediación de seguridad en la nube con IA

La detección dejó de ser el cuello de botella; ahora lo es la capacidad de actuar con seguridad. Tamnoon propone una respuesta: agentes que investigan, puntúan, planifican y verifican, con humanos y guardrails alrededor. Aunque las cifras deban confirmarse en tu propio entorno, el patrón es replicable. Antes de comprar herramientas, pregúntate cuántos de tus hallazgos críticos llevan más de 90 días abiertos y qué te impide cerrarlos: ¿falta de gente o falta de confianza? Esa respuesta te dirá si la remediación de seguridad en la nube con IA es tu próxima inversión.