Nutanix plantea una arquitectura de seguridad en 3 capas para agentes de IA

Por qué un prompt guardrail ya no alcanza para proteger a un agente

Un agente autónomo no es un chatbot: razona, llama herramientas, escribe en bases de datos y orquesta otros agentes. Eso cambia la naturaleza del riesgo, y los controles pensados para prompts maliciosos se quedan cortos. Oscar Wahlberg, senior director of product management en Nutanix, lo resume así: "los guardrails que atrapan un prompt malicioso no van a impedir que un agente alucine y haga algo que nunca debió hacer, como borrar bases de datos o filtrar datos sensibles con una credencial que se le dio pero que termina usando para algo completamente distinto".

El problema ya no es teórico. El mercado global de Agentic AI se estima en US$19.330 millones en 2026 y proyecta US$205.880 millones hacia 2033, con un crecimiento anual compuesto del 40,2%, según el informe de MarketsandMarkets™ publicado el 20 de agosto. Cuando un gasto así sale de la fase experimental y entra a producción, los CTOs necesitan una arquitectura, no más filtros.

La propuesta de Nutanix: tres capas con responsabilidades distintas

Wahlberg plantea que la única forma seria de gobernar agentes es separar responsabilidades por capas y aplicar zero trust en cada una. Si un mismo control intenta cubrir todo, o bloquea al agente o deja la puerta abierta.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Capa de infraestructura: la raíz de confianza

Esta capa responde a una pregunta básica: ¿quién está ejecutando en este entorno? Antes de confiar en lo que hace un agente, hay que confiar en el hardware donde corre. Las tecnologías implicadas son platform attestation, confidential computing y secure boot, combinadas con controles que bloquean accesos no autorizados dentro y fuera del servidor. Para sectores regulados como banca o salud, esta capa aísla las cargas de IA productiva para que ni el agente ni el entorno puedan operar fuera de su scope.

Riesgos que mitiga: tampering del modelo y del runtime, compromiso de la cadena de suministro y accesos no autorizados a cargas sensibles.

Capa de red: los agentes como nueva clase de identidad

Cuando un agente llama APIs, consulta fuentes de datos y levanta sub-agentes sin restricción, genera un tráfico este-oeste difícil de mapear. Esa complejidad puede ocultar movimiento lateral o exfiltración de datos sin los controles adecuados. La solución de Nutanix pasa por Agent Gateway, que trata a cada agente como una identidad de red nueva, con políticas dinámicas en lugar de reglas estáticas. Se apoya en microsegmentación (Nutanix Flow) y se integra con partners como Cisco a través del Cisco Secure AI Factory.

Riesgos que mitiga: movimiento lateral, exfiltración y gateways no autorizados.

Capa de control plane: el cerebro de la operación

Es el punto único donde se administran permisos, herramientas, consumo de recursos y visibilidad de runtime. Wahlberg insiste en que la gobernanza no puede reinventarse por cada agente: necesita ser un sistema de control en tiempo de ejecución, no un trámite de compliance. Agent Gateway funciona como endpoint universal para distintos modelos y herramientas MCP (Model Context Protocol), de modo que el equipo de TI configura a todos los agentes para hablar con ese único punto de control.

Riesgos que mitiga: mal uso de privilegios, agentes desbocados, uso no autorizado de herramientas, filtraciones y el clásico consumo desbocado de tokens cuando un agente queda atrapado en un loop.

Por qué el enfoque one-size-fits-all fracasa

El error arquitectónico más común, según Wahlberg, es asumir que un único modelo de seguridad sirve para todas las capas. Intentar resolver confianza a nivel hardware con software de aplicación, o usar reglas de red estáticas para manejar agentes dinámicos, produce sistemas que o bloquean al agente o dejan huecos críticos. El control plane es, además, la capa que las empresas más subestiman hoy: la mayoría invierte en filtros de modelo y se olvida de lo que pasa entre agentes o del consumo de tokens.

Intel + Cisco + Nutanix: la pila completa en producción

La alianza a tres bandas ya tiene forma concreta. Intel aporta el hardware de ejecución con confidential computing, trust anclado en hardware y los procesadores Intel Xeon 6 con AMX, que aceleran inferencia sin depender exclusivamente de GPUs caras. Cisco envuelve el entorno en un tejido seguro que gobierna la comunicación entre agentes y herramientas empresariales. Nutanix aporta el software y el control plane que une la arquitectura en una solución de defensa en profundidad.

El movimiento se completa con una actualización reciente: según SiliconANGLE, Nutanix Enterprise AI 2.8 hizo generally available el MCP gateway dentro de Nutanix Agent Gateway, lo que permite gobernar las herramientas y datos a los que un agente accede vía Model Context Protocol. El release también añade LoRA fine-tuning para modelos de menos de 8.000 millones de parámetros, inferencia multi-GPU con tensor parallelism y decoding especulativo, que Nutanix asegura puede aumentar la velocidad de generación de tokens hasta 2,5 veces.

El CEO Rajiv Ramaswami lo dejó claro en una entrevista con CRN: "el primer pedido de los clientes es visibilidad, control y gobernanza. No controlan el costo por token". El ejecutivo reconoció que han visto casos donde clientes quemaron el presupuesto de IA de un mes en una sola semana por uso descontrolado de tokens. Por eso el Agent Gateway ahora puede aplicar cuotas a nivel de equipo, usuario o agente.

¿Qué significa esto para tu startup?

Si tu startup está desplegando o pensando en desplegar agentes en producción, el mensaje de fondo es claro: los filtros a nivel de prompt son necesarios pero insuficientes. Necesitas un modelo de seguridad distribuido, y eso se puede empezar a construir aunque no uses la pila de Nutanix.

Acciones concretas que puedes aplicar esta semana

Audita el consumo de tokens como si fuera un gasto en infraestructura, no en software. Un agente en loop puede evaporar tu presupuesto en horas. Implementa alertas por umbral diario y dashboards por agente, usuario y equipo. Si no lo mides, no lo controlas.
Trata a cada agente como una identidad de red propia. Empieza por lo básico: lista qué APIs, fuentes de datos y otros agentes puede tocar cada uno, y aplica el principio de deny by default. Cualquier acceso extra debe ser explícito y temporal, no implícito y permanente.
Diseña un control plane desde el día uno, no después del incidente. Hoy un gateway centralizado (puede ser un servicio propio, una capa de OpenAI/Anthropic o una herramienta como Agent Gateway, LiteLLM, Portkey o Cloudflare AI Gateway) te da un único punto para aplicar cuotas, auditar acciones y revocar permisos. Es la diferencia entre tener agentes en producción y tener agentes bajo control.

El dato de fondo para founders

El cambio de etapa ya está ocurriendo. El mercado de Agentic AI pasó de copilots conversacionales a agentes que planifican, ejecutan y mantienen contexto. Eso es una oportunidad enorme y un riesgo operativo nuevo. Las empresas que ganan dinero con agentes en producción no son las que mejor prompts escriben, sino las que mejor gobiernan a esos agentes: visibilidad de costos, identidad, permisos y Day-2 operations.

Si estás levantando funding o vendiendo a enterprise, este tipo de gobernanza ya no es nice-to-have: es parte del cuestionario de seguridad que te va a tocar responder. Anticipate.