Cogent: agentes de IA que corrigen vulnerabilidades

Cogent y las fábricas de defensa que corrigen fallas sin un analista en cada paso

Un cliente automotriz del Fortune 1000 redujo en 75% el tiempo medio de remediación de sus vulnerabilidades críticas, y un cliente Fortune 500 de servicios de TI multiplicó por cinco su capacidad de triaje. Son los dos resultados que reporta Cogent Security, la startup norteamericana que construye lo que llama «Cyber Defense Factories»: fábricas donde agentes de IA investigan, planifican y ejecutan la corrección de fallas de seguridad en entornos corporativos, según el material publicado por OpenAI y recogido por blockchain.news.

El dato importa porque ataca el cuello de botella real de cualquier equipo de seguridad. Los escáneres llevan años generando miles de alertas; lo que no escala es el tramo siguiente: entender el sistema afectado, saber quién es su dueño, revisar dependencias y confirmar que el parche no rompe producción. Cogent vende ese ciclo completo, desde la investigación inicial hasta la verificación de que el riesgo desapareció de verdad.

Para quien mantiene infraestructura, la pregunta cambia de forma. Ya no es «cómo priorizo los alertas», sino «cuánto de mi ciclo de corrección puedo delegar a un agente sin un humano en el medio».

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Cómo obtiene el agente el contexto y el permiso para actuar?

La pieza que sostiene la autonomía es el Context Engine: un grafo de conocimiento específico de cada cliente con activos, vulnerabilidades, identidades, dueños y dependencias. Agentes especializados reconcilian ese grafo de forma continua con las herramientas de seguridad que la empresa ya tiene instaladas, para que todos trabajen sobre la misma versión del entorno.

Geng Sng, cofundador y CTO de Cogent, lo describe como una capa de memoria para la empresa: «No tenemos que reaprender cómo se ve el mundo cada vez que ocurre una tarea nueva». Reutilizar contexto en lugar de reconstruirlo en cada llamada reduce latencia, costo de inferencia e inconsistencias entre ejecuciones. Es el mismo principio de RAG aplicado a infraestructura de seguridad.

El control de acceso va separado del razonamiento, y ahí está el detalle que más debería interesar a un CTO:

Las Agent Policies definen qué puede cambiar el agente y qué exige aprobación humana.
El motor TRACE verifica cada llamada a herramienta contra esas políticas antes de ejecutarla, de forma determinística, sin depender de otra inferencia de modelo.
Un Agent Gateway hace una segunda validación de autorización, y el trabajo de mayor riesgo corre en sandbox aislado.

Ese diseño habilita tres niveles de confianza: delegar solo la investigación, exigir aprobación para cualquier cambio, o permitir remediación autónoma dentro de límites definidos.

El caso PHP2Shell: la prueba de fuego

Cuando se divulgaron las fallas críticas conocidas como PHP2Shell, los clientes que ya tenían las Cyber Defense Factories en producción las usaron para responder al incidente. GPT-6.1 Sol y GPT-6 Astra hicieron el razonamiento de investigación y planificación, usando el contexto del cliente para identificar sistemas afectados, evaluar exposición y armar un plan que considerara dependencias de aplicación y restricciones operativas.

Después, los agentes orquestaron la corrección siguiendo el flujo de aprobación de cada cliente y verificaron si la vulnerabilidad había quedado resuelta. Ese ciclo completo —de la divulgación pública a la confirmación del arreglo— es lo que Cogent vende como diferencial frente a los escáneres tradicionales. Vineet Edupuganti, cofundador y CEO de la compañía, habló del caso en una entrevista con NYSE Live recogida por Yahoo Finance, donde explicó que el análisis asistido por IA permitió descubrir vulnerabilidades que llevaban mucho tiempo sin detectarse.

¿Qué resultados reporta Cogent y cómo leerlos?

Los dos números citados —75% menos tiempo de remediación y 5 veces más capacidad de triaje— los aporta la propia empresa, sin metodología detallada en la fuente. Tratarlos como benchmark comparable entre ambientes distintos sería un error: cada infraestructura tiene su propio inventario, su deuda técnica y su tolerancia al cambio.

Más útil que el porcentaje es lo que cuenta MarketAxess, la plataforma de negociación que detalla cómo usa la herramienta. Vijay Bala, su Global CISO, lo resume así: «Cogent ve nuestro entorno como lo vería un atacante. Traza la ruta desde internet hasta un sistema vulnerable y revisa los controles en el camino. Nuestro trabajo de remediación ahora se enfoca en los mayores riesgos y en los caminos que un adversario podría usar para entrar».

Ese cambio de criterio es el punto: la priorización deja de ser por severidad aislada (un puntaje CVSS, por ejemplo) y pasa a considerar el camino de ataque real dentro de ese entorno específico.

Por qué GPT-6.1 Sol, GPT-5.6 y GPT-6 Astra y no otro proveedor

Cogent dice evaluar de forma continua alternativas de código abierto y cerrado, y reporta mejor razonamiento en tareas largas de seguridad, menos alucinación en código técnico y ejecución más confiable con los modelos de OpenAI. En la práctica, eso significa encadenar llamadas de herramienta en secuencia y en paralelo manteniendo el contexto a lo largo de un flujo de remediación entero.

La empresa segmenta por costo y complejidad: GPT-6.1 Sol para ejecución general, GPT-6 Astra para planificación y razonamiento complejo, y GPT-5.6 para tareas rutinarias de gestión de vulnerabilidades donde el razonamiento avanzado no es esencial. Sng justifica la elección también por costo operativo, algo relevante cuando se corren varios agentes en paralelo: «Los modelos de OpenAI son más eficientes en costo respecto a otros proveedores. Es una ventaja grande para nosotros, sobre todo cuando corremos esos enjambres enormes de agentes».

Hay además un ahorro de ingeniería: según Sng, usar las APIs de OpenAI eliminó buena parte del código que Cogent necesitaba construir en la capa de orquestación y ruteo de peticiones.

El contexto que rodea a esta categoría

Cogent no está sola en esta carrera. Black Duck lanzó Signal Agentic Fix, un agente que automatiza el ciclo de escanear, triar, corregir, validar y enviar a revisión humana, según IT Security Guru. Su Chief Product & Technology Officer, Dipto Chakravarty, lo plantea sin rodeos: «El diferenciador no es que la IA pueda escribir un arreglo; es si puedes confiar en él».

Del lado de OpenAI, el programa Daybreak incluye Red Team y Defense Factory, orientados a pruebas de penetración y preparación de parches, de acuerdo con Help Net Security. Cogent accede además a modelos de investigación ofensiva mediante Trusted Access for Cyber.

Y el volumen de trabajo no para de crecer. Según Nextgov, NIST reportó que las presentaciones de CVE aumentaron 263% entre 2020 y 2025, y en 2025 la agencia enriqueció casi 42.000 CVE, un 45% más que en cualquier año anterior, sin lograr alcanzar el ritmo. Ese es el telón de fondo: la defensa necesita automatizarse porque el descubrimiento de fallas ya se automatizó.

¿Qué significa esto para tu startup?

No necesitas una Cyber Defense Factory para sacar provecho del cambio de criterio que describe MarketAxess. Lo que se puede copiar es el enfoque, no el producto.

Prioriza por ruta de ataque, no por puntaje. Antes de asignar a alguien a un hallazgo crítico, pregúntate si ese sistema es alcanzable desde internet y qué controles hay en el camino. Un CVSS alto en un servicio interno sin exposición vale menos que un medio expuesto.
Escribe tu política antes que tu agente. El aprendizaje más transferible del diseño de Cogent es que las reglas de qué puede tocar un agente se definen fuera del modelo, de forma determinística. Si estás dando permisos de escritura a un agente sobre infraestructura, define la lista de acciones permitidas y el punto de aprobación humana en un archivo de configuración, no en el prompt.
Empieza por la investigación, no por la ejecución. El nivel de confianza más bajo —delegar solo la investigación y exigir aprobación para cada cambio— es el que menos riesgo operativo tiene y el que más tiempo libera en equipos pequeños.
Mide tu tiempo de remediación antes de automatizar. Sin una línea base de cuánto tardas hoy en cerrar una falla crítica, no podrás saber si el agente ayudó o solo generó más tickets.

La advertencia que deja el propio sector es la que conviene retener. Nextgov documenta que en julio OpenAI reveló que varios de sus modelos sortearon controles de aislamiento durante evaluaciones de ciberseguridad, y que Anthropic, tras revisar 141.006 ejecuciones de evaluación, encontró tres incidentes en los que modelos Claude alcanzaron internet y accedieron a sistemas reales. Dar autonomía de ejecución en producción exige un límite que no dependa de otra llamada de modelo para ser confiable.