Proteger la empresa agéntica en Google Cloud

Las principales preocupaciones que citan las empresas son la exposición de datos sensibles (52 %) y el cumplimiento normativo (50 %) (fuente: Cloud Security Alliance, diciembre del 2025). Sin embargo, la transición de las empresas a la IA de agentes autónoma introduce nuevos vectores críticos:

• El tiempo medio para explotar vulnerabilidades se ha reducido a menos siete días, lo que significa que las vulnerabilidades de día cero se explotan de forma rutinaria antes de que se publiquen los parches de software (fuente: informe de tendencias M-Trends de Mandiant)
• Las identidades de Workload Identity no humanas superan a las identidades humanas en una proporción de 82 a 1 en los entornos de nube modernos (fuente: Google Cloud NEXT 2026)
• El 42% de los agentes de IA empresariales activos tienen actualmente privilegios sensibles y excesivamente permisivos (fuente: Google Cloud NEXT 2026)
• Para defenderse de estos ataques a la velocidad de las máquinas, es necesario proteger toda la pila de IA (infraestructura, datos, modelos y agentes autónomos) de forma simultánea

La IA en la sombra se produce cuando los desarrolladores o las unidades de negocio despliegan modelos no autorizados, APIs externas o habilidades de agentes de terceros sin la revisión de TI:

• Se sabe que más del 15 % de las habilidades para agentes disponibles en mercados públicos son maliciosas (fuente: Google Cloud NEXT 2026)
• El 68 % de las empresas ejecutan modelos autohospedados que están integrados en software de terceros, a menudo sin darse cuenta (fuente: Wiz, State of AI in the Cloud 2026)
• Para detectar la IA sin autorización, las organizaciones usan la aplicación de IA de Wiz, que se conecta mediante API en 15 minutos para generar una lista de materiales de IA (AI-BOM) dinámica, junto con Gemini, que proporciona un registro de agentes centralizado para catalogar y gobernar todos los agentes activos, los servidores de MCP personalizados y las herramientas externas

No. Aunque la falta de competencias es un reto reconocido, las empresas con un gobierno de la IA formal tienen 3 veces más probabilidades de formar a su personal en herramientas de seguridad de IA(Fuente: Cloud Security Alliance, diciembre del 2025), y los equipos de seguridad ahora lideran la protección de la IA en el 53 % de las empresas (Fuente: Cloud Security Alliance, diciembre del 2025). Google Cloud traslada la seguridad directamente a la estructura de la plataforma: las configuraciones básicas se automatizan mediante el esquema de Enterprise Foundations, las interacciones en tiempo de ejecución se rigen de forma nativa por Model Armor y los agentes autónomos de búsqueda y corrección, como CodeMender y Wiz Green Agent, prueban y generan parches de código idiomático directamente en los flujos de trabajo de los desarrolladores.

Para proteger a los agentes autónomos, es necesario ir más allá de las cuentas de servicio estáticas. Dado que las identidades no humanas superan a las humanas en una proporción de 82 a 1 y que el 42 % de los agentes activos tienen privilegios excesivos (fuente: Google Cloud NEXT 2026), Google Cloud establece una pila de seguridad centrada en la identidad:

• Agent Identity: un tipo de principal dedicado y de primera clase, distinto de los usuarios humanos, que aprovisiona credenciales de tiempo de ejecución criptográficas, con una sólida certificación y vinculadas al ciclo de vida
• Controles de mínimos accesos: las funciones se restringen mediante Privileged Access Manager (PAM) para el acceso justo a tiempo (JIT), lo que elimina los privilegios permanentes
• Límite de acceso de principal (PAB): impone límites de recursos estrictos y de protección para limitar el radio de impacto máximo de las identidades de los agentes en ejecución

El Marco para la IA Segura (SAIF) es la arquitectura conceptual de Google para el despliegue seguro y responsable de la IA. Traslada los principios de seguridad de confianza cero a los sistemas de IA al exigir la procedencia de compilación de SLSA de nivel 3 validada mediante la autorización binaria, las comprobaciones automatizadas de políticas como código en Cloud Build y la detección continua de amenazas. En los entornos de agentes, SAIF se aplica a través de un ciclo de vida de 4 fases: arquitectura, inventario, intercepción y defensa (fuente: libro electrónico Secure AI Innovation, capítulo 6).

El protocolo de contexto de modelo (MCP) es un estándar abierto que permite que los agentes de IA autónomos se conecten a fuentes de datos externas, herramientas empresariales y APIs de negocio. Sin embargo, las integraciones de MCP personalizadas no gestionadas introducen endpoints peligrosos y no verificados en la producción. Google Cloud protege las herramientas de agentes mediante los servidores de MCP gestionados de Google Cloud (como el servidor de MCP para BigQuery). De esta forma, se estandariza la forma en que los agentes interactúan con las bases de datos corporativas, se aplican permisos de IAM auditables y con un alcance estricto, y se sustituyen los wrappers de API personalizados por conexiones reforzadas y gestionadas por la empresa (fuente: Google Cloud NEXT 2026).

La filtración de sesiones se produce en entornos multiinquilino o multiagente cuando el contexto de una conversación privada, los tokens de usuario o los datos empresariales sensibles de la sesión de un usuario se filtran de forma involuntaria a la de otro. Google Cloud elimina la filtración de sesiones mediante el Agent Development Kit (ADK) (fuente: libro electrónico Secure AI Innovation, capítulo 2):

• Aislamiento de usuarios: el ADK aplica límites estrictos de usuario y aislamiento de ejecución mediante primitivas nativas de session_id y user_id
• Segregación de credenciales: los tokens de autenticación downstream se aíslan para que un agente no pueda transferir credenciales ni estados de conversación entre distintas sesiones de usuario

Sí. Las empresas siguen estrategias multimodelo con una media de 2,6 modelos diferentes(Fuente: Cloud Security Alliance, diciembre del 2025). Google Cloud admite la gobernanza multimodelo mediante el uso de Gemini como plano de control de ejecución centralizado. Las barreras de protección unificadas en tiempo de ejecución, como Model Armor para la depuración de peticiones y las políticas de gobernanza semántica, se aplican de forma coherente en los modelos de Gemini propios, de código abierto y de terceros. En el caso de los entornos multinube (incluidos AWS Bedrock, Databricks y el software libre no gestionado), el gráfico de seguridad de Wiz mapea las vulnerabilidades y las rutas de ataque en todos los proveedores de servicios en la nube (fuente: Google Cloud NEXT 2026).

No. CodeMender se ha diseñado con una arquitectura de ejecución local con privacidad prioritaria (fuente: libro electrónico Secure AI Innovation, capítulo 4):

• Procesamiento de la CLI local: el motor de análisis de CodeMender funciona a través de una interfaz de línea de comandos local directamente en el entorno seguro del desarrollador.
• Entorno aislado: las compilaciones de aplicaciones y las verificaciones de exploits activos se ejecutan en un entorno aislado de tu propia infraestructura.
• Sin entrenamiento de modelos: tu código fuente de propiedad y tu propiedad intelectual están estrictamente protegidos y nunca se usan para entrenar modelos fundacionales de Google. Los desarrolladores mantienen una supervisión completa mediante flujos de trabajo estándar de IDE/CLI y puertas de aprobación de intervención humana (HITL) antes de que se fusione cualquier parche de código

Para ejecutar lógica empresarial de alto riesgo sin exponer la infraestructura principal, las empresas utilizan la arquitectura de referencia Bring Your Own Container (BYOC):

• Entorno aislado de contenedores: los agentes autónomos de alto riesgo (como los enlaces de inventario o logística) se despliegan en contenedores aislados en Cloud Run
• Separación estricta de permisos: los permisos de infraestructura en el momento del despliegue están estrictamente separados de los permisos de ejecución en tiempo de ejecución
• Puertas con intervención humana (HITL): el Agent Development Kit (ADK) introduce puntos de pausa programados en los que las acciones de alto riesgo (como iniciar APIs de procesamiento o desembolsos financieros) requieren la aprobación explícita de un humano antes de ejecutarse

Google Cloud aplica una solución de tiempo de ejecución de doble protección para sanear las cargas útiles sin añadir latencia:

1. Controlar el acceso (límites de IAM): se aplica de forma nativa en Agent Gateway mediante Identity-Aware Proxy (IAP) para verificar criptográficamente los IDs digitales de los emisores de llamadas antes de enrutar las conexiones
2. Control de la intención (límites semánticos): Model Armor funciona como un proxy insertado que analiza las interacciones de los usuarios, los agentes y los modelos en tiempo real para neutralizar las inyecciones de peticiones, evitar los jailbreaks y ocultar la información personal identificable sensible. En la capa de aplicación, Agent Development Kit (ADK) aplica la validación de entradas (como BeforeToolCallback) para detener las inyecciones de SQL indirectas en las tablas de BigQuery

Para evitar las fugas de datos, es necesario adoptar una estrategia de defensa en profundidad en las capas de red, aplicación y modelo:

• Topologías privadas: las cargas de trabajo de IA se ejecutan en VPCs compartidas gestionadas de forma centralizada y aisladas por Controles de Servicio de VPC (VPC-SC), lo que crea un macroperímetro alrededor de todo el ecosistema de agentes
• Saneamiento insertado: Model Armor borra y oculta automáticamente los datos sensibles de los clientes y la información de identificación personal de las entradas de peticiones y las respuestas del modelo
• Autenticación sin tokens: el gestor de autenticación de Agent Identity gestiona los complejos intercambios de OAuth downstream en nombre de los usuarios, pasando los tokens de forma segura sin exponer las credenciales sin procesar al agente
• Confidential Computing: protege los datos en uso cifrando la memoria durante el procesamiento activo de los modelos