Guide | The Case for AI Zero Trust (Spanish)

/live_board/v2/downloads?uid=7366b13d-34a9-4d6b-a96a-7c224b87731c&redirect=true

El argumento a favor de AI Zero Trust Guía para líderes de seguridad sobre la aplicación

de la confianza nativa de IA Para CTO, CISO y arquitectos de seguridad empresarial

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

1. Resumen ejecutivo: un panorama de amenazas cambiado El panorama de amenazas ha cambiado. Las capacidades demostradas por Claude Mythos de Anthropic marcan un cambio radical en el uso ofensivo de la IA. Este fue el primer modelo de frontera clasificado como un riesgo para la seguridad nacional y generó importantes preocupaciones por haber "cruzado el Rubicón de la IA y la ciberseguridad". Ahora los atacantes descubren vulnerabilidades más rápido de lo que los defensores pueden aplicar parches, y ejecutan ataques en varias etapas a la velocidad de las máquinas. Pueden penetrar entornos hasta niveles de profundidad que antes requerían operadores humanos cualificados. En consecuencia, el período entre la exposición de una vulnerabilidad y la interrupción de las operaciones se ha reducido permanentemente de semanas a minutos.

Al mismo tiempo, está surgiendo una nueva superficie de ataque. Los agentes de IA, los modelos de lenguaje grandes y la infraestructura que los impulsa introducen riesgos que existen en el contexto y la intención de una solicitud, no en su puerto o protocolo —la capa que los controles de red convencionales nunca fueron diseñados para inspeccionar. Por ejemplo, un agente vulnerado puede ejecutar en segundos lo que antes requería meses de esfuerzo humano. Esto cambia no solo la forma en que protegemos las redes, sino también cómo protegemos el negocio al que respaldan.

Zero Trust sigue siendo el modelo de seguridad adecuado para este entorno. Sus tres principios: nunca confiar, siempre verificar; acceso con privilegios mínimos y asumir una vulneración— siguen siendo válidos. El enfoque de asumir una vulneración adquiere especial importancia en la era de Mythos, porque la vulneración ha pasado de ser posible a probable. La arquitectura ahora debe diseñarse en torno a esa realidad, en lugar de tratar una vulneración como un caso excepcional.

Con una postura Zero Trust, toda decisión defensiva se traduce en tres objetivos operativos:

• reducir la superficie de ataque y la exposición de los activos críticos, • minimizar el impacto y el radio de alcance de cualquier vulneración exitosa; y reaccionar, • mitigar y recuperarse rápidamente.

Dada la realidad actual, existe un claro mandato para ampliar Zero Trust a AI Zero Trust mediante la definición de nuevas zonas de confianza explícitas para puertas de enlace de IA, entornos de modelos alojados en fábricas privadas de IA, los agentes y usuarios de IA y servicios conectados a MCP. Estas nuevas zonas deben protegerse no solo mediante controles de red convencionales, sino también mediante tecnologías de aplicación de políticas nativas de IA diseñadas para los riesgos únicos creados por las interacciones de IA, las acciones autónomas y los flujos de trabajo impulsados por modelos.

La seguridad tradicional pregunta: "¿Quién envió esto y hacia dónde va?" AI Zero Trust suma: "¿Qué está diciendo realmente esto y qué pretende hacer?" El ataque no está en el sobre, sino en el significado. AI Zero Trust detiene ataques como las inyecciones de prompts al analizar el contexto de los datos.

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

En esta arquitectura, AI Zero Trust se aplica mediante dos nuevos puntos de control estratégicos: el firewall de red de IA y la puerta de enlace del LLM segura.

Juntos, estos controles reducen la superficie de ataque, contienen el radio de impacto y ayudan a proteger a la empresa tanto contra las amenazas convencionales a la red como contra los ataques emergentes impulsados por IA.

En la práctica, el firewall de red de IA actúa como un disyuntor para el tráfico semántico y de datos. Por ejemplo, aplica su política de seguridad para la comunicación entre agentes de IA, LLM y sus aplicaciones empresariales principales. Esta es una capacidad clave introducida con la versión R82.20 del software de Check Point, que permite implementar medidas críticas de seguridad de IA.

Firewall de red de IA: local, en la nube y virtual

Extiende la función del NGFW tradicional mediante la incorporación de capacidades de inspección con reconocimiento de IA y segmentación, incluida la detección de inyección de prompts y la aplicación de políticas entre usuarios, agentes, modelos y sistemas empresariales confidenciales.

Actúa como el punto de control dedicado para las interacciones de IA y modelos, y proporciona enrutamiento seguro de LLM, defensa de prompts, inspección de contenido y políticas, y gobernanza sobre cómo las aplicaciones y los agentes de IA se conectan a modelos internos y externos.

Firewall de red con IA Puerta de enlace de LLM segura

El firewall de IA es la capa central de aplicación para la protección de prompts, la inspección del tráfico de aplicaciones basadas en IA, el control de acceso para la seguridad de RAG e IA agéntica, la telemetría y la gestión, lo que permite una adopción más segura de la IA empresarial.

Agentes

Usuarios LLAMADA A LA API DE LLM

TRÁFICO DE DATOS

MODELO DE IA DE VANGUARDIA

USUARIOS Y AGENTES DE IA FIREWALL DE RED DE IA AI FACTORY

CENTRO DE DATOS

Defensa de prompts de IA

Inspección del tráfico de aplicaciones de IA [NGFW]

Control de acceso de IA agéntica y RAG

Plano de administración y observabilidad

Clientes MCP

Aplicaciones de IA generativa

PROMPTS PROTEGIDOS Y VALIDADOS

LLAMADA A LA API DE LLM

Cargas de trabajo de LLM

Sistemas de TI

Servidores GPU

Servidores MCP

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

2. Principios de AI Zero Trust Zero Trust es el principio arquitectónico establecido de nuestra época, ampliamente conocido y respetado como piedra angular de la arquitectura de ciberseguridad; por lo tanto, no deberíamos abandonarlo como principio básico de seguridad, sino actualizarlo para reflejar los cambios provocados por la transformación de la IA. Proponemos un modelo ampliado que refleje una nueva clase de activos, un nuevo conjunto de interacciones y una nueva gama de vías de ataque. La lógica es la misma; la superficie que debe controlar no lo es.

El modelo estándar actual de Zero Trust se basa en tres principios fundamentales: nunca confiar, siempre verificar; acceso con privilegios mínimos; asumir una vulneración —los cuales siguen siendo válidos. En el modelo ampliado de AI Zero Trust, desarrollado para ecosistemas de IA, lo que cambia es el peso de cada principio. "Asumir una vulneración" adquiere un papel más central; una vulneración ha pasado de ser posible a probable, y la arquitectura debe construirse en torno a esa realidad.

Principio Lo que se requiere en la era de la IA

Nunca confíe, siempre verifique

Ningún usuario, prompt, resultado de modelo ni acción de agente es de confianza de forma predeterminada. Cada solicitud de acceso se autentica, cada cruce de límites se inspecciona y cada interacción de IA se verifica según las políticas antes de continuar.

Acceso de menor privilegio Cada agente, modelo y herramienta opera con el conjunto de permisos más limitado que le permite funcionar. El alcance de la acción se declara explícitamente y se aplica durante el tiempo de ejecución. Ningún componente de IA hereda los permisos del usuario que lo activó.

Asumir una vulneración La arquitectura se basa en el supuesto de que se producirá una vulneración. Cada límite es un punto de aplicación diseñado para contener el radio de impacto. Cada ruta crítica se supervisa para que las vulneraciones se detecten en minutos, no en meses.

Comprobaciones de Zero Trust heredadas AI Zero Trust suma

¿Quién es este usuario o sistema? ¿Qué solicita realmente este prompt?

¿Es este el puerto correcto o el protocolo correcto? ¿Este contenido intenta manipular el modelo?

¿La firma coincide con una amenaza conocida? ¿El significado contiene una instrucción oculta?

Por qué Zero Trust debe expandirse a la IA

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

Principio de AI Zero Trust

Lo que significa para la seguridad de IA

Productos y capacidades de Check Point

01 Nunca confiar en prompts, resultados ni identidades

Cada prompt, documento recuperado, respuesta del modelo, identidad de usuario y solicitud de agente deben inspeccionarse antes de cruzar un límite de confianza de IA.

• Defensa de prompts • Firewall de red de IA • �Puerta de enlace

de LLM segura • Seguridad de WAF/API • �Seguridad de IA para

la fuerza laboral

02 Aplicar privilegio mínimo para agentes y herramientas

Los agentes de IA no deben heredar permisos amplios de usuario. Cada llamada a la API, uso de herramientas MCP, acción de escritura y solicitud de datos debe tener un alcance definido y estar autorizada en tiempo de ejecución.

• �Seguridad de agentes de IA

• Firewall de red con IA • �Inspección de

MCP/herramientas • ZTNA/ SASE • Microsegmentación

03 Asumir una vulneración y contener el radio de impacto

Cualquier componente de IA, ruta de prompts, agente, puerta de enlace o zona de modelo puede verse comprometido. La arquitectura debe segmentar las zonas de IA y aplicar medidas de prevención en cada transición.

• �Puerta de enlace de LLM segura

• Firewall de red con IA • AI Factory Firewall • Maestro Hyperscale • Seguridad en la nube

04 Validar continuamente y recuperarse rápidamente

Los sistemas de IA deben someterse a pruebas continuas de vulnerabilidades, incluso en rutas de ataque en vivo, prompts, cadenas de razonamiento, contenido RAG, llamadas a herramientas, comportamiento del modelo y actividad anómala.

• AI Red Teaming • IA de ThreatCloud • Exposure Management • �Operaciones de IA

y telemetría

Principios de AI Zero Trust: mapeados a las soluciones de Check Point

Cada principio tiene su propia implicación empresarial única; el gráfico muestra cómo Check Point cierra la brecha.

Mensaje clave: La misma lógica de Zero Trust se amplía a AI Zero Trust, para nuevos activos y nuevos puntos de aplicación, todo desde una sola plataforma.

El argumento central: AI Zero Trust es la lógica de políticas. La segmentación es la arquitectura de la aplicación. Ambas siguen siendo adecuadas para la era de la IA, pero se requieren nuevos segmentos para gestionar una superficie de amenazas que las redes convencionales no abarcan. Mismos principios, nuevos activos, nuevas zonas, nuevos controles.

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

3. Definición de segmentación y propiedad Si AI Zero Trust es nuestro modelo conceptual de seguridad de IA, entonces la segmentación es el mecanismo mediante el cual esos objetivos se convierten en una arquitectura aplicable. Antes de analizar cómo los principios de AI Zero Trust afectan nuestra arquitectura, es importante definir primero qué entendemos por segmentación. La segmentación es el mecanismo mediante el cual los principios de Zero Trust se convierten en una arquitectura aplicable. Opera en tres niveles, cada uno con un conjunto diferente de atributos, y confundirlos es la causa más común de confusión cuando un proyecto de segmentación se enfrenta al mundo real, por lo que definirlos en términos de propiedad y función es un paso importante. Cada nivel responde a una pregunta diferente, tiene un responsable diferente y requiere un cronograma de implementación diferente. Los tres son necesarios para una empresa basada en IA; sin embargo, para los equipos de red y seguridad, la macrosegmentación suele tener el mayor valor técnico y de seguridad.

Macrosegmentación Microsegmentación Nanosegmentación

Propiedad de Equipos de red y seguridad

Equipos de aplicaciones y de negocio

Equipos de ingeniería de IA/ML & DevOps

Dirección del tráfico

Norte-sur, este-oeste: entre zonas y grupos de carga de trabajo

Dentro de las zonas, los segmentos y los espacios de nombres de Kubernetes

Dentro de Kubernetes, entre pods y contenedores

Objetivo principal

Minimizar el radio de impacto de una vulneración en la capa de red

Evitar el movimiento lateral entre los componentes de la aplicación (web, app, base de datos)

Evitar que el malware se propague dentro de un grupo de servidores de aplicación

Implementación Firewalls, puertas de enlace de API/IA, firewall de IA

Agente instalado en cada servidor/VM y control de acceso centrado en la aplicación: SDN/ACI de Cisco

Control de acceso de la interfaz de red de contenedores (CNI)

La macrosegmentación protege a los grupos de cargas de trabajo entre sí. La microsegmentación protege los componentes dentro de una carga de trabajo entre sí. La nanosegmentación regula lo que un proceso individual de IA puede hacer a nivel de las instrucciones: a qué API puede llamar, qué datos puede leer y qué acciones puede realizar.

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

Punto de interconexión de zona

Entrada Salida

Norte-Sur

cargas de trabajo cargas de trabajo

Firewall de perímetro tradicional

Microsegmento

cargas de trabajo cargas de trabajo

Subred B

Subred A

Este-Oeste

Con una estructura de red/nube o agentes en el terminal

Frontend

Backend

Redes nativas de la nube

Servicios

cargas de trabajo

Punto de interconexión de zona Punto de interconexión de zona

Nanosegmento

Microsegmento

Controlador de entrada Este

Oeste APIGateway

<API> API

Macrosegmento

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

Por qué es importante la nanosegmentación para la IA Para cualquier organización que ejecute agentes de IA en producción, la ausencia de nanosegmentación significa que no existe un límite aplicable a lo que un agente vulnerado o manipulado puede hacer una vez que se le ha concedido el acceso inicial. Los macrocontroles y microcontroles contienen la zona y la aplicación. Los nanocontroles contienen al propio agente.

Principio fundamental Un límite de macrosegmento es un límite de confianza. Cada límite de confianza debe aplicarse mediante una función de seguridad. La macrosegmentación contiene una vulneración entre zonas; la microsegmentación la contiene dentro de una sola, entre los componentes individuales de una misma aplicación.

4. Segmentación y el límite de confianza de la IA A nivel de seguridad de red, el mecanismo de aplicación de Zero Trust es la macrosegmentación; en términos prácticos, esto permite dividir la red empresarial y el ecosistema de IA en zonas, cada una con cargas de trabajo de un nivel de confianza similar, con tráfico controlado entre ellas. Dentro de una zona de confianza, se pueden aplicar niveles de acceso más granulares mediante la microsegmentación y la nanosegmentación. Para los fines de este patrón de diseño, el límite macro es un punto de estrangulamiento entre zonas de confianza, por lo que es el lugar natural para aplicar la prevención de amenazas; dentro de una zona, las funciones de seguridad micro y macro reducen las rutas entre activos del mismo nivel de confianza.

En nuestro modelo, definimos el límite de confianza de la IA como el que se sitúa entre las zonas de confianza, ya que es allí donde aplicaremos capacidades de prevención de amenazas; sin embargo, aún podemos aplicar la segmentación dentro de la zona de confianza, de modo que el tráfico entre los activos sea visible y pueda estar sujeto a controles.

Lo importante es que los límites de confianza y el microsegmento deben ser aplicados por una función de seguridad capaz de inspeccionar y autorizar el tráfico que los atraviesa, y que, a medida que cambian los tipos de tráfico, también debe cambiar la capacidad de aplicación.

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

Funciones de seguridad de IA para aplicar la macrosegmentación y la microsegmentación. Para el tráfico empresarial convencional, la función de aplicación de políticas es un firewall de última generación o un proxy de autenticación. Estos controles inspeccionan los encabezados de los paquetes, identifican aplicaciones, aplican firmas de IPS y descifran TLS cuando la política lo permite. Son la herramienta adecuada para el tráfico cuyas amenazas son estructurales: vulnerabilidades conocidas, abuso de protocolos y robo de credenciales.

El tráfico de IA es fundamentalmente diferente, al igual que las "cargas útiles" que pueden volverlo malicioso. Por ejemplo, un prompt en lenguaje natural que transporta una carga útil de inyección y viaja dentro de una solicitud HTTPS bien formada será permitido por un firewall convencional. Los ataques de IA son semánticos, no estructurales: están integrados en el significado del contenido, no en su formato. Cuando una carga de trabajo de IA se encuentra en un límite de confianza, la función de control debe operar en la capa semántica.

Tipo de tráfico Función de aplicación Capacidad de seguridad

Tráfico general de red

Firewall de red con IA, NGFW, SASE, proxy en la nube

Capas 3-7, identidad de la aplicación, firmas de IPS, inspección TLS

Tráfico web y de API Firewall de aplicaciones web [WAF] / proxy de API

HTTP/S, ataques de inyección, autenticación, límites de velocidad

Tráfico intrazona (microsegmentación)

Agente de seguridad para contenedores y máquinas virtuales, por ejemplo, Illumio

Control de acceso (prevención del movimiento lateral)

Tráfico de modelos de IA

Puerta de enlace de LLM segura con política consciente de IA, firewall de inyección de prompts (IA)

Prompts intercambiados con modelos fundacionales que contienen significado semántico e intención del usuario.

Tráfico de MCP Puerta de enlace LLM segura y/o firewall de red de IA

Intercambios entre cliente y servidor que invocan herramientas, leen recursos y transmiten contexto entre hosts y servidores MCP.

Tráfico agéntico Firewall de IA, agente de terminal

Acciones de agentes autónomos que leen, escriben o modifican datos y encadenan llamadas a herramientas entre sistemas en nombre de un usuario.

Punto clave Cada función anterior es un punto de aplicación de política. Las dos primeras están bien establecidas. Las tres últimas son exclusivas de las redes de IA (y la mayoría de las empresas aún no las han creado, lo que significa que tampoco existen los límites de confianza).

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

5. Implementación práctica: la topología de cinco zonas El modelo convencional de tres o cuatro zonas (perímetro, DMZ, interna y restringida) era suficiente para las redes de aplicaciones convencionales operadas por usuarios humanos. No describe una empresa agéntica impulsada por IA. Se requieren dos zonas nuevas, cada una con características de confianza que las clasificaciones convencionales de zonas nunca fueron diseñadas para gestionar. El siguiente diagrama sitúa los nuevos componentes de IA junto a los activos convencionales y muestra qué controles deben hacer cumplir los límites de cada zona.

*Las zonas 3 y 4 son nuevas y deben crearse explícitamente Una organización que implementa cargas de trabajo de IA sin establecer las zonas 3 y 4 como dominios de confianza discretos ha, en efecto, creado una ruta directa desde una entrada externa no confiable hacia sistemas internos privilegiados. El límite entre la zona 2 y la zona 3 solo puede aplicarse de manera significativa mediante una puerta de enlace consciente de la IA y capaz de inspeccionar el contenido de los prompts. La mayor exposición en la práctica es indirecta (instrucciones adversariales integradas en el contenido recuperado), por lo que la aplicación en este límite debe inspeccionar tanto el contenido recuperado como el devuelto por las herramientas, no solo los prompts de los usuarios finales.

Figura 1 | Topología AI Zero Trust de cinco zonas. Cada zona contiene los activos que protege y los controles de seguridad principales que hacen cumplir su perímetro.

Nuevas zonas de IA

ZONA 1: Usuarios y perímetro

*Defensa de prompts

ZONA 2: Aplicaciones y frontend

ZONA 3: Orquestación y modelos de IA

ZONA 5: Herramientas, datos y sistemas centrales

ZONE 4: Agentes de IA

Activos protegidos

Controles de seguridad principales

Activos protegidos

Controles de seguridad principales

Activos protegidos

Controles de seguridad principales

Activos protegidos

Controles de seguridad principales

Empleados

Usuarios externos

Espacios de trabajo de IA/IA pública

Aplicaciones web

Chatbots

Copilotos

Aplicaciones de IA

LLM privados

LLM públicos

AI Factory/ infraestructura de GPU

Servidores MCP

Herramientas empresariales

API

Bases de datos

Aplicaciones principales

Firewall de red con IA

Seguridad de WAF/API

ANTIBOT y DDoS

Descubrimiento de IA oculta

Firewall de IA

Protección de las API

Inspección de aplicaciones

Inspección de prompts

Puerta de enlace de LLM segura*

Firewall de red de IA* Enrutamiento de modelos y políticas

DLP/controles de contenido

Activos protegidos

Controles de seguridad principales

Agentes de IA

Flujos de trabajo de agentes

Tareas autónomas

Firewall de red con IA Reconocimiento de identidades de agentes Monitoreo del comportamiento Acceso con privilegios mínimos

Microsegmentación

Firewall de red con IA Inspección de MCP/ herramientas

Control de acceso

Segmentación

DLP

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

Transiciones de zonas de confianza de IA Los ecosistemas de IA son complejos, con múltiples conexiones nuevas por cada activo. Proteger esa complejidad requiere que los arquitectos e ingenieros identifiquen cada punto en el que el tráfico cruza un límite de confianza; una transición de confianza.

La siguiente tabla muestra dónde surgen los riesgos de LLM y sistemas agénticos de OWASP más relevantes en estas transiciones y qué controles deben aplicarse en cada límite. Convierte el riesgo de la IA de un debate conceptual en una vista práctica de la arquitectura, y muestra a los equipos de seguridad y empresariales dónde deben aplicarse primero los controles específicos de IA (firewall de IA, puerta de enlace protegida por IA, defensa de prompts, controles de agentes, inspección de MCP).

Transición de confianza/zonas

Riesgos de LLM de OWASP Riesgos agénticos de OWASP

Zona 1 → 2 Usuarios a frontend

LLM01 Inyección de prompts; LLM04 Denegación de servicio del modelo; LLM09 Dependencia excesiva

ASI01 Secuestro del objetivo del agente (indirecto, sembrado en la entrada); ASI09 Explotación de la confianza entre humanos y agentes

Zone 2 → 3 Aplicaciones para la orquestación

LLM01 Inyección de prompts; LLM06 Divulgación de información sensible; LLM04 Denegación de servicio del modelo; LLM10 Robo de modelos

ASI01 Secuestro del objetivo del agente; ASI03 Abuso de identidad y privilegios

Dentro de la zona 3 LLM03 Envenenamiento de datos de entrenamiento; LLM05 Vulnerabilidades de la cadena de suministro; LLM10 Robo de modelos; LLM06 Divulgación de información confidencial

ASI04 Vulneración de la cadena de suministro agéntica; ASI06 Envenenamiento de memoria y contexto

Zone 3 → 4 De modelos a agentes

LLM02 Manejo inseguro de resultados; LLM08 Agencia excesiva; LLM09 Dependencia excesiva

ASI01 Secuestro de objetivos del agente; ASI05 Ejecución de código inesperado; ASI09 Explotación de la confianza entre humanos y agentes

Zone 4 → 5 Agentes a herramientas, MCP, API y datos

LLM07 Diseño de plugins no seguros; LLM08 Agencia excesiva; LLM02 Manejo no seguro de resultados; LLM06 Divulgación de información confidencial

ASI02 Uso indebido y explotación de herramientas; ASI03 Abuso de identidad y privilegios; ASI05 Ejecución de código inesperado; ASI07 Comunicación insegura entre agentes; ASI08 Fallas en cascada; ASI10 Agentes no autorizados

Zona 5 → 3 / 4 Recuperación y devolución de datos empresariales

LLM01 Inyección de prompts; LLM06 Divulgación de información confidencial; LLM02 Manejo inseguro de resultados

ASI06 Envenenamiento de memoria y contexto; ASI01 Secuestro de objetivos de agentes (indirecto); ASI04 Vulneración de la cadena de suministro agéntica

NOTA: Para el mapeo de productos, consulte las páginas 13, 14

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

Transiciones de confianza en el plano de administración Las transiciones se dividen en dos categorías. Las transiciones del plano de datos transportan el tráfico de usuarios y aplicaciones por el sistema en ejecución. Las transiciones del plano de administración son la forma en que se construye, modifica y supervisa el propio sistema, y su vulneración suele ser más perjudicial, ya que reescribe las reglas bajo las que opera el plano de datos. Ambas deben enumerarse; la mayoría de las organizaciones aplica solo un subconjunto de cualquiera de ellos.

Un solo pipeline Cl/CD o un registro de modelos vulnerados puede debilitar silenciosamente todos los controles del plano de datos que la organización ha implementado —precisamente por eso los atacantes sofisticados los atacan primero. El tráfico del plano de administración es la forma en que se crea, modifica y supervisa el sistema de IA. Se origina fuera de la topología de zonas (en las redes corporativas de administración, las plataformas Cl/CD, los registros de modelos y los servicios de observabilidad), y que se vea comprometido suele ser más dañino que una vulneración del plano de datos: no elude las reglas, las reescribe.

Los controles convencionales siguen siendo necesarios Los controles específicos de IA no reemplazan a los convencionales, sino que los complementan. Los NGFW continúan aplicando los límites de zona para el tráfico no relacionado con la IA. Los WAF continúan protegiendo las capas web y de API. La política basada en identidad, el IPS, la inspección TLS, la MFA y el SIEM conservan sus funciones existentes. Los dos conjuntos de controles son complementarios, no sustitutivos, y ambos son necesarios en una arquitectura de Zero Trust que incluye cargas de trabajo de IA.

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

6. Soluciones de Zero Trust con IA de Check Point En la capa de componentes, Check Point implementa AI Zero Trust mediante un portafolio integral de tecnologías de seguridad de IA diseñado para proteger cada zona del ecosistema empresarial de IA, desde el uso de IA generativa y aplicaciones de IA por parte de la fuerza laboral hasta los flujos de trabajo basados en agentes, los firewalls de IA y la infraestructura de IA basada en GPU. Al mapear la tecnología de Check Point a las zonas, permitimos a las organizaciones proteger las interacciones de IA, gobernar el comportamiento autónomo, proteger los modelos y las rutas de datos, y aplicar controles Zero Trust en todo el ecosistema de IA.

Principio/riesgo de AI Zero Trust

Producto de Check Point

Zona/límite Qué contribuye

Asumir una vulneración en la capa de interacción con la IA

Firewall de red de IA/firewall de aplicaciones web

Zona 1 → 2 y Zona 2 → 3

Extiende la aplicación de políticas convencionales de firewall/WAF a las interacciones de IA, con protección adaptada a la IA para aplicaciones y API de IA generativa.

Gobernar el uso de IA generativa de la fuerza laboral

Seguridad de IA para la fuerza laboral

Zona 1 Visibilidad y gobernanza del uso de herramientas de IA, copilotos y aplicaciones basadas en IA por parte de los empleados.

Descubrir y gobernar aplicaciones y agentes de IA

Seguridad de agentes de IA

Zonas 3 & 4 Arquitectura unificada para descubrir, proteger y gobernar la IA en el personal, las aplicaciones y los agentes

Microsegmentación Gestión de seguridad de Check Point + microsegmentación de Illumio

Zonas 3 & 4 Evitar el movimiento lateral entre los microsegmentos y dentro de ellos, así como en Kubernetes

Validar continuamente los sistemas de IA

AI Red Teaming Zonas 3 y 4 (validación)

Pruebas adversas continuas en prompts, rutas de razonamiento, flujos de trabajo, uso de herramientas y comportamiento de agentes.

Segmentar y proteger entornos privados de LLM y GPU:

AI Factory Firewall (AIFF)

Dentro de la zona 3 [este-oeste]

Check Point NGFW para cargas de trabajo de IA, ejecutado en DPU NVIDIA BlueField.

Reducir el radio de impacto en toda la red

Firewall de red con IA y Firewall Maestro Hyperscale

Todos los límites de las zonas

Capa fundamental de aplicación para Zero Trust de Hybrid Mesh y red empresarial

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

Resumen de la arquitectura: cinco zonas de confianza, cada una con controles de Check Point dedicados

AI Zero Trust I Resumen arquitectónico Cinco zonas de confianza, cada una con controles de seguridad de Check Point dedicados.

De izquierda a derecha: los usuarios (y las máquinas) ingresan a través de ZTNA, atraviesan el firewall de red de IA, llegan a agentes gobernados por la seguridad agéntica y luego llegan a los LLM protegidos por la defensa de prompts. La carga de trabajo de cómputo de IA se ejecuta en clústeres de GPU dentro del centro de datos de IA ["AI Factory"]. El centro de datos de IA está protegido por AI Factory Firewalls junto con múltiples capas superpuestas de seguridad de IA, incluida la inspección en tiempo de ejecución de IA de principio a fin. Una plataforma, con todos los límites aplicados.

Dos puntos de control soportan la mayor parte de esta carga. Firewall de red de IA: amplía el NGFW tradicional con inspección y segmentación conscientes de IA, incluida la detección de inyección de prompts y la aplicación de políticas entre usuarios, agentes, modelos y sistemas empresariales confidenciales. Puerta de enlace de LLM segura: el punto de control dedicado para las interacciones de IA y modelos, que abarca el enrutamiento seguro de LLM, la defensa de prompts, la inspección de contenido y políticas, y la gobernanza sobre cómo las aplicaciones y los agentes de IA se conectan a modelos internos y externos.

ZONA 1: Usuarios y perímetro

ZONA 2: Aplicaciones y frontend

ZONA 3: Orquestación y modelos de IA

ZONE 4: Agentes de IA

ZONA 5: Herramientas, datos y sistemas centrales

Firewall de red con IA Firewall de red con IA Firewall de red con IA Defensa de prompts AI Factory Firewall/BlueField

Seguridad de IA para la fuerza laboral

Puerta de enlace de LLM segura AI Red Teaming AI Red Teaming Maestro Hyperscale

ZTNA/ SASE Seguridad WAF/API IA de ThreatCloud IA de ThreatCloud Check Point + Illumio

Control de acceso basado en identidad

NUNCA CONFIAR EN USUARIOS/AGENTES

INSPECCIONAR TODO EL TRÁFICO

MÍNIMO PRIVILEGIO

NUNCA CONFIAR EN PROMPTS/RESULTADOS

ASUMIR UNA VULNERACIÓN

EL ARGUMENTO A FAVOR DE AI ZERO TRUST

7. Por dónde empezar: un enfoque ejecutivo de cinco fases para AI Zero Trust

01 � Hacer una evaluación de seguridad de IA basada en riesgos Comience por comprender en qué áreas la IA genera riesgos cibernéticos y riesgos materiales para el negocio. El equipo de líderes debe dirigir una evaluación estructurada de los casos de uso de IA, los agentes, modelos, aplicaciones y la infraestructura de soporte con respecto a marcos reconocidos, como OWASP LLM, los riesgos agénticos de OWASP y MITRE ATLAS, para identificar las amenazas más relevantes, las brechas de control y las exposiciones prioritarias. Check Point ha publicado los siguientes recursos para ayudarle:

• Herramienta de matriz de riesgos de IA de Check Point

• Documento técnico I Seguridad de IA agéntica: el manual para empresas

• Plan de seguridad para el centro de datos de IA y AI Factory

02 � Hacer visible el entorno de IA Una vez que se ha encuadrado el riesgo, el siguiente paso es obtener visibilidad sobre dónde ya existe IA o se tiene previsto implementarla. Esto implica identificar los principales casos de uso de IA, las conexiones de los modelos, los agentes, las aplicaciones habilitadas para IA y las dependencias críticas de herramientas o datos en toda la empresa, incluidas las implementaciones informales o en la sombra que puedan estar fuera de la gobernanza actual.

03 � Defina las zonas de confianza Una vez establecida la visibilidad, la organización debe clasificar los componentes de IA en un modelo de confianza claro. Los equipos de arquitectura y seguridad deben utilizar el enfoque de cinco zonas para distinguir la orquestación de IA, los entornos de modelos, los agentes y el acceso a MCP o herramientas de las zonas de DMZ e internas existentes, lo que crea la base de políticas y segmentación para AI Zero Trust.

04 � Priorizar y proteger los límites de mayor riesgo No todos los perímetros tienen el mismo impacto empresarial, por lo que el equipo de líderes debe centrarse primero en las transiciones de confianza que más importan. Se debe dar prioridad a los perímetros en los que una vulneración podría exponer datos confidenciales, permitir acciones autónomas o generar un riesgo operativo sistémico (como las interacciones entre aplicaciones y modelos, entre modelos y agentes, y entre agentes y el sistema central) y en los que se requieran controles específicos de IA, como firewalls de IA, puertas de enlace protegidas con IA, defensa de prompts e inspección de herramientas.

05 � Asignar la propiedad y la responsabilidad operativa Por último, AI Zero Trust debe convertirse en un modelo operativo, no dejarse como un concepto arquitectónico. Los equipos de seguridad y arquitectura empresarial deben definir el marco. Los equipos de IA y aplicaciones deben definir el comportamiento previsto y el alcance de acción aceptable. Y los equipos de infraestructura y red deben aplicar la segmentación y la resiliencia. Estas responsabilidades deben asignarse explícitamente antes de que las cargas de trabajo de IA se escalen a producción.

https://airiskmatrix.org/ https://www.checkpoint.com/resources/all-assets-460c/white-paper-agentic-ai-security-the-enterprise-playbook https://engage.checkpoint.com/ai-data-center-ai-factory-security-blueprint

EL ARGUMENTO A FAVOR DE AI ZERO TRUST 16

8. Conclusión Anthropic Mythos y otros modelos avanzados de IA de frontera han elevado el nivel de riesgo para todas las empresas: los ataques impulsados por IA son cada vez más rápidos, económicos y difíciles de contener, mientras que muchos sistemas de IA empresariales siguen siendo muy vulnerables. Superar los desafíos de la ciberseguridad de IA exige adaptación. AI Zero Trust es la evolución necesaria de los principios de Zero Trust aplicados a los sistemas de IA. Es un modelo eficaz para los profesionales, ya que se basa en las premisas que ahora más importan: asumir una vulneración, aplicar el principio de privilegio mínimo y contener las vulneraciones en cada límite.

La prioridad para el liderazgo es actuar con rapidez, tratar la seguridad de la IA como un problema de resiliencia empresarial y extender AI Zero Trust a todo el entorno de IA antes de que las brechas en la protección generen interrupciones comerciales costosas y pérdida de confianza.

Acerca de Check Point Check Point Software Technologies Ltd. es un líder mundial en ciberseguridad que protege a más de 100 000 organizaciones en todo el mundo. Su misión es proteger la transformación de IA de las empresas. Con un enfoque que prioriza la prevención y una arquitectura de ecosistema abierto, Check Point ayuda a las organizaciones a reducir riesgos, simplificar las operaciones e innovar con confianza. Esta arquitectura de seguridad unificada se adapta continuamente a las amenazas en evolución y a las crecientes superficies de ataque de la IA, por lo que protege redes híbridas, entornos de nube, espacios de trabajo digitales y sistemas de IA. Estructurado en torno a cuatro pilares estratégicos, Hybrid Mesh Network Security, Workspace Security, Exposure Management y AI Security, Check Point ofrece protección y visibilidad consistentes en entornos complejos con múltiples proveedores.

Más información

Protección del centro de datos de IA y AI Factory Contáctenos

Sede Mundial 5 Shlomo Kaplan Street, Tel Aviv 6789159, Israel | Tel: +972-3-753-4599

Sede en los Estados Unidos 100 Oracle Parkway, Suite 800, Redwood City, CA 94065 | Tel: 1-800-429-4391

www.checkpoint.com

https://engage.checkpoint.com/executive-guide-securing-the-ai-data-center-ai-factory https://pages.checkpoint.com/2026-mar-ww-ai-factory-and-data-center-security.html https://www.checkpoint.com/es/

Guide | The Case for AI Zero Trust (Spanish)

Item Type: pdf