SOC autónomo con IA: Greenlight resuelve más del 90% de hasta 4.000 alertas al mes sin intervención humana
SOC autónomo con IA: Greenlight resuelve más del 90% de hasta 4.000 alertas al mes con 30+ agentes en Amazon Bedrock AgentCore. Así lo hizo y qué aplicar.

Un analista de seguridad tarda entre 15 y 30 minutos en cerrar un solo caso. Con 4.000 casos al mes, la cuenta no cierra. Greenlight Financial, la fintech de tarjetas de débito y herramientas de ahorro para familias, resolvió ese problema con un SOC autónomo con IA llamado Luna: según AWS, el sistema resuelve más del 90% de sus alertas de seguridad y riesgo sin intervención humana, y triaja los casos rutinarios en segundos.
Luna funciona sobre Amazon Bedrock AgentCore, cuyo runtime aloja el código de los agentes y cuya capa de memoria sostiene el sistema, sin que Greenlight tenga que construir ni operar esas piezas por su cuenta. La compañía recibe entre 3.000 y 4.000 alertas mensuales de cuatro fuentes: tarjetas filtradas en la dark web, anomalías de identidad y acceso, alertas de infraestructura (EDR, SIEM) y eventos de riesgo financiero. Un supervisor de Nivel 1 coordina a más de 30 agentes especializados (identidad, endpoints, pagos, soporte al cliente, inteligencia de amenazas, automatización SOAR) y emite un veredicto. Lo que no alcanza el umbral de confianza escala a un supervisor de Nivel 2, con un modelo de razonamiento extendido que encadena evidencia de tres a cinco fuentes y entrega informes para revisión humana.
Resultados del SOC autónomo con IA: de 83% a más del 90%
Las cifras importan, y conviene leerlas con matices. Según el análisis de explainx.ai, el Nivel 1 por sí solo resuelve el 83% de los casos de forma autónoma; sumando el Nivel 2 y el aprendizaje continuo, la cifra supera el 90%. Las escalaciones humanas bajan del 17% a menos del 10%, y Greenlight estima haber evitado entre 900 y 1.800 horas de trabajo analítico rutinario al mes. Esa misma fuente recuerda un detalle clave: los números provienen de la propia empresa y se publicaron en el blog del proveedor, y el texto visible no describe validación independiente.
Lo más interesante es la velocidad de expansión. Según AI Digest, Greenlight extendió Luna al triaje de riesgo financiero en dos meses, añadiendo agentes y un supervisor de dominio con cambios mínimos de arquitectura. Hoy procesa cientos de notificaciones diarias de tarjetas de la dark web: verifica si la tarjeta está activa, elimina duplicados y cruza datos de sesiones y tickets del cliente.
Memoria episódica en agentes de IA: el ingrediente que evita el 'efecto amnesia'
Lo que separa a Luna de una herramienta de triaje sin estado es su memoria. La memoria episódica en agentes de IA guarda eventos y resoluciones de los últimos 30 días. El ejemplo de Greenlight es muy claro: un rol de infraestructura genera cada martes a las 3 a.m. un patrón de acceso por mantenimiento programado. Sin memoria, Luna lo marcaría cada semana; con ella, aprendió tras la primera resolución que era esperado y lo incluyó en la lista de permitidos.
La memoria a largo plazo conserva preferencias semánticas y plantillas de resolución. Por ejemplo, los datos históricos de Greenlight muestran que las tarjetas de cierta fuente de la dark web tienen un 73% de falsos positivos, así que el sistema prioriza la deduplicación. Además, una canalización de aprendizaje captura cada resolución (vía Lambda y DynamoDB) y la devuelve a los supervisores.
Cómo aplicar una arquitectura multiagente en tu empresa
No necesitas ser una fintech para extraer lecciones. Estas son las más transferibles:
Errores a evitar
Primero, no des por buena una cifra de autonomía sin entender cómo se mide: ¿qué cuenta como 'resuelto'? ¿Cuántos veredictos se auditan después? Segundo, no automatices acciones de remediación sin playbooks aprobados y registros completos, sobre todo en sectores regulados. Tercero, no subestimes la calidad de los datos: los 30 agentes de Luna valen lo que valen las fuentes que consultan.
El momento de decidir
El caso de Greenlight no demuestra que la IA pueda reemplazar a un equipo de seguridad; demuestra que puede absorber la parte repetitiva y devolver a los humanos los casos que requieren juicio. Las cifras son autoinformadas, pero el diseño (supervisores por niveles, memoria, escalación con contexto) es replicable. Si tu equipo pierde horas cada mes en alertas rutinarias, la pregunta ya no es si un SOC autónomo con IA es viable, sino qué flujo piloto puedes medir en las próximas ocho semanas.
Preguntas frecuentes
¿Qué resultados obtuvo Greenlight con su SOC autónomo con IA?
Según AWS, Luna resuelve más del 90% de hasta 4.000 casos mensuales sin intervención humana. El Nivel 1 por sí solo resuelve el 83%, y las escalaciones bajan del 17% a menos del 10%. El triaje rutinario pasó de 15-30 minutos a segundos, con un ahorro estimado de 900 a 1.800 horas de analista al mes.
¿Cómo funciona la arquitectura multiagente de Luna?
Un supervisor de Nivel 1 orquesta más de 30 agentes especializados (identidad, endpoints, pagos, soporte, inteligencia de amenazas, SOAR) y emite un veredicto. Los casos que no alcanzan el umbral de confianza pasan a un supervisor de Nivel 2, con razonamiento extendido, que correlaciona de tres a cinco fuentes y genera informes para humanos.
¿Son fiables las cifras de autonomía de Greenlight?
Las cifras provienen de Greenlight y se publicaron en el blog de AWS, proveedor de la plataforma. El análisis de explainx.ai señala que el texto visible no describe validación independiente. Son un buen indicador del potencial, pero cada empresa debería medir sus propios resultados con un piloto y auditoría de veredictos.
Fuentes
- How Greenlight Financial built an autonomous SOC solution on Amazon Bedrock AgentCore
- Autonomous SOC on Bedrock AgentCore: 83% Resolved | explainx.ai Blog
- Greenlight Financial builds autonomous security operations center on ...
- Greenlight 金融用 Bedrock AgentCore 建自动 SOC,… · AGI Hunt
- Powering agentic AI sales strategy with Amazon Bedrock AgentCore
- AgentOps: Operationalize agentic AI at scale with Amazon Bedrock AgentCore