IA para analistas SOC: triaje con un modelo 9B

Sí, en la única prueba publicada que lo comprueba. En Alert-Bench, publicado en octubre de 2026, el modelo de pesos abiertos Qwen3.5 9B obtuvo un F1 de 0,952 en el triaje de alertas, el mismo resultado que GPT-4.1 con las mismas 300 alertas y el mismo protocolo de investigación. El protocolo pesó tanto como el modelo: otros cuatro modelos abiertos obtuvieron entre 0,098 y 0,777.

Para un analista SOC, eso convierte la primera pasada sobre la cola de alertas en un trabajo que un modelo pequeño puede hacer dentro de tu propio entorno, con los casos difíciles escalados a ti. Este artículo explica qué evaluó el benchmark, cuánto cuesta el triaje de alertas con IA por alerta en sus dos dimensiones de coste y dónde sigue decidiendo el analista. Cada cifra está fechada y se leyó en su fuente el 30 de octubre de 2026.

¿Qué es Alert-Bench?

Alert-Bench es un benchmark de triaje de alertas con LLM que reproduce telemetría empresarial en un SIEM en vivo, de modo que cada sistema tiene que recuperar sus propias pruebas antes de cerrar o escalar una alerta. Lo crearon Saimon Amanuel Tsegai, Alex Kantchelian, Danfeng (Daphne) Yao y Peng Gao, y se publicó en arXiv el 7 de octubre de 2026.

Los autores pasaron 1.247 alertas de un escenario de ataque en varias fases por cinco enfoques habituales, desde un único prompt con acceso a herramientas hasta la autorrevisión y la verificación explícita. Todos dejaron sin detectar al menos el 40,4 % de las alertas relacionadas con el ataque. Las alertas de ataque tenían más probabilidad de descartarse cuando una búsqueda no devolvía registros.

Después diseñaron AIDA, un protocolo multiagente: un agente propone una decisión, un segundo la cuestiona en un contexto separado y un juez decide según las pruebas, con cada paso registrado en un libro de investigación de solo anexado. Descartar una alerta exige pruebas más sólidas que escalarla. Con GPT-4.1, AIDA alcanzó un F1 de 0,958 sobre las 1.247 alertas, redujo la tasa de falsos negativos del 40,4 % al 3,1 % y escaló el 18,4 % de las alertas a los analistas.

¿Puede un modelo de 9B hacer el triaje de alertas como GPT-4.1?

En Alert-Bench, sí. Los autores ejecutaron el protocolo AIDA completo con cinco modelos de pesos abiertos sobre un subconjunto de 300 alertas con 54 alertas de ataque, el mismo subconjunto que usaron en los análisis de ablación de GPT-4.1.

Qwen3.5 9B y GPT-4.1 obtuvieron la misma matriz de confusión en este subconjunto, aunque discreparon en dos alertas concretas. En palabras del artículo, el tamaño del modelo por sí solo no explica el orden: el modelo de 9B superó a modelos de 70B y 120B con el mismo protocolo.

El resultado tiene límites que conviene decir. Procede de un solo escenario de ataque y un solo SIEM, el subconjunto contiene 54 alertas de ataque, los modelos se ejecutaron sin entrenamiento específico para la tarea y GPT-4.1 es el único modelo cerrado evaluado. Demuestra que un modelo pequeño puede hacer este trabajo dentro de un buen entorno. Tus propias alertas son la prueba que decide si lo hace para ti.

¿Cuánto cuesta por alerta el triaje con IA?

El triaje de alertas con IA cuesta desde unos dos centavos de dólar hasta unos tres dólares por alerta con modelos de frontera, según la profundidad de la investigación. Las cifras publicadas, a octubre de 2026:

Con AIDA, GPT-4.1 usó 33.942 tokens y 4,3 llamadas a herramientas por alerta, con 12,7 segundos de latencia. RunReveal (28 de mayo de 2026), con más de 50.000 investigaciones, situó las investigaciones agénticas completas entre 1 y 3 dólares por investigación con Sonnet, unos 2 dólares por alerta. Cyril Simonnet, de Sekoia, en un texto del 18 de octubre de 2026, señaló que Dropzone AI publica unos 36.000 dólares al año por hasta 4.000 investigaciones.

El volumen convierte esos costes unitarios en un presupuesto. Vectra sitúa a la organización media en 2.992 alertas de seguridad al día en 2026, con un 63 % sin atender. Son unos 1,09 millones de alertas al año. A los 0,109 dólares por alerta de AIDA, hacer el triaje de todas con GPT-4.1 costaría unos 119.000 dólares al año; a 2 dólares por investigación completa, unos 2,2 millones. Ese cálculo es nuestro, a partir de las fuentes anteriores, y la factura crece con el volumen de alertas, en el que influyen el atacante y un escáner ruidoso más que el propio SOC.

¿Cómo reduce un modelo entrenado el coste del triaje de alertas?

Los costes bajan por dos frentes: un precio por token más bajo que el del modelo de frontera, y menos tokens por alerta, porque las instrucciones y el protocolo que repites en cada llamada a la API quedan entrenados dentro del propio modelo.

Un precio por token más bajo. A 30 de octubre de 2026, OpenAI fija GPT-4.1 en 2 dólares por millón de tokens de entrada y 8 dólares por millón de tokens de salida. OpenRouter lista Qwen3.5 9B a 0,17 y 0,25 dólares. En el subconjunto de 300 alertas, AIDA con GPT-4.1 usó 36.988 tokens por alerta. Si un modelo de 9B usara la misma cantidad (el artículo no informa de su consumo) y todos los tokens se facturaran a la tarifa de salida del modelo de 9B, el triaje costaría menos de un centavo de dólar por alerta, unos 10.000 dólares al año con el volumen medio de Vectra.

Menos tokens por alerta. Buena parte del consumo de AIDA es protocolo: instrucciones de rol, el formato del libro de investigación y las definiciones de herramientas, enviados de nuevo en cada llamada a la API y para cada alerta. Un modelo entrenado con el protocolo y con las decisiones previas de tu equipo lleva ese conocimiento dentro, así que cada llamada a la API envía la alerta y sus pruebas. Cuánto ahorra depende de qué parte de cada prompt sea texto repetido, y de si ya usas el almacenamiento en caché de prompts, que en las API de frontera factura el contexto repetido a una fracción de la tarifa de entrada. Mide la parte repetida con tu propio tráfico antes de ponerle una cifra.

La ASD australiana plantea lo mismo desde el lado del comprador: la IA de frontera conlleva costes, incluido el consumo de tokens, y las organizaciones deben elegir una capacidad acorde con los requisitos y el valor del caso de uso (Opportunities for AI in cyber defence, 8 de septiembre de 2026). Para calcular tus propias cifras, usa la calculadora de coste por tarea, y consulta coste por tarea de la IA para ver el método.

¿Dónde sigue decidiendo el analista SOC?

Los analistas siguen decidiendo las alertas escaladas, las acciones de respuesta de alto impacto y las tareas en las que la evidencia sobre la IA es escasa. Incluso AIDA envió el 18,4 % de las alertas a una persona, y esa vía de escalado es parte de la razón por la que bajó su tasa de falsos negativos.

• Contención y respuesta. La guía de la ASD propone que la IA automatice el triaje y prepare acciones de respuesta preaprobadas y reversibles, con aprobación humana para las decisiones de contención, interrupción, recuperación o comunicación de alto impacto.
• Ingeniería de detección. En CTI-REALM, que evalúa la redacción de reglas de detección a partir de inteligencia de amenazas, la mejor recompensa publicada es 0,637, de Claude Opus 4.6. Los 16 modelos evaluados eran de Anthropic u OpenAI, así que todavía no existe ningún resultado de modelos abiertos.
• Análisis de malware y razonamiento sobre inteligencia de amenazas. CyberSOCEval, parte de CyberSecEval 4 de Meta, encontró modelos de 2025 de OpenAI, Google, Anthropic, Meta y DeepSeek agrupados entre aproximadamente el 23 % y el 34 % en análisis de malware. No encontramos resultados publicados de 2026, abiertos o cerrados, a octubre de 2026.

La forma que funciona hoy es un modelo en la primera pasada y un analista en los escalados. El incidente de Hugging Face de julio de 2026 se detectó inicialmente gracias a la detección asistida por IA, en la que un triaje basado en LLM sobre la telemetría de seguridad separó las señales reales del ruido diario, y sus equipos de respuesta hicieron después el análisis forense con un modelo abierto.

¿Qué debe comprobar un SOC antes de adoptar el triaje con IA?

Cinco comprobaciones separan un modelo de triaje útil de una demostración:

1. La detección de alertas de ataque y la tasa de falsos negativos, medidas con tus propias alertas etiquetadas. La precisión global oculta los ataques no detectados, porque la mayoría de las alertas son benignas.
2. La tasa de escalado, porque determina la carga de trabajo de tus analistas.
3. Los tokens y el coste por alerta, con tu volumen y en las dos dimensiones de coste.
4. Adónde van los datos de las alertas. La pregunta de la ASD para los proveedores es qué datos se conservan, se reutilizan o se usan para reentrenar modelos, y en qué condiciones.
5. El entorno además del modelo. Alert-Bench muestra el mismo modelo con resultados muy distintos según el protocolo.

Para ver qué modelos caben en tu propio hardware, consulta el mejor LLM local para ciberseguridad. Para los modelos abiertos más grandes, consulta los benchmarks de ciberseguridad de GLM-5.3 y Kimi K3, y para las mejores opciones en cada tarea de seguridad, el mejor LLM para ciberseguridad (octubre de 2026).

Ejecuta estos modelos con tus propios datos de seguridad

Ejecuta Qwen3.5 9B o un modelo abierto más grande para tu SOC en infraestructura que gestionamos nosotros, en tu propia nube o en tus instalaciones. Los datos de tus alertas siguen siendo privados, los costes de uso se vuelven más predecibles que una factura por alerta que crece con el volumen, y el modelo está listo antes de un incidente para el trabajo forense con datos de ataques reales. Alojamos modelos para trabajo defensivo: triaje, inteligencia de amenazas, análisis de malware y detección.

Un modelo entrenado con tus propias alertas y las decisiones de tus analistas va más allá que uno sin entrenar, y eso es lo que hace nuestro endpoint: las nuevas versiones se entrenan con tu tráfico en segundo plano, se evalúan con tus propias pruebas y solo entran en producción con tu aprobación. El endpoint es actualmente solo por invitación, y estamos desarrollando una versión más sencilla para un acceso más amplio.

Reserva una llamada y definiremos contigo el modelo, el tamaño y el despliegue adecuados para tu equipo.

Preguntas Frecuentes

¿Sustituirá la IA a los analistas SOC?

La evidencia apunta a que la IA se encarga de la primera pasada. En Alert-Bench, el mejor protocolo siguió escalando el 18,4 % de las alertas a los analistas, y la guía de la ASD mantiene la aprobación humana para las decisiones de contención y respuesta de alto impacto.

¿Qué es el triaje de alertas con IA?

El triaje de alertas con IA usa un modelo de lenguaje, normalmente con acceso al SIEM mediante herramientas, para reunir pruebas sobre cada alerta de seguridad y decidir si cerrarla o escalarla a un analista. El modelo lee la alerta, consulta los registros y deja constancia de su razonamiento para revisarlo.

¿Cuánto cuesta el triaje de alertas con IA?

A octubre de 2026, las cifras publicadas van de unos 0,02 a 0,11 dólares por alerta en triaje estructurado con GPT-4.1, y de 1 a 3 dólares por investigación agéntica completa con Claude Sonnet. Un modelo pequeño autoalojado o entrenado reduce tanto el precio por token como los tokens por alerta.

¿Puedo ejecutar el triaje de alertas con IA en mi propia infraestructura?

Sí. Qwen3.5 9B, el modelo abierto que igualó a GPT-4.1 en Alert-Bench, puede ejecutarse en tus propios servidores, en tu nube o en una red aislada, de modo que los datos de las alertas se quedan en tu entorno.

---

Fuentes, consultadas el 30 de octubre de 2026: Tsegai, Kantchelian, Yao y Gao, "From Investigation Failures to Reliable SOC Agents: Understanding and Improving LLM-Based Alert Triage" (Alert-Bench, 7 de octubre de 2026); RunReveal, "AI SOC investigation cost" (28 de mayo de 2026); Cyril Simonnet, "220 AI SOCs, sixteen prices" (18 de octubre de 2026); Vectra AI, "Alert fatigue"; precios de la API de OpenAI; OpenRouter, Qwen3.5 9B; Australian Signals Directorate, "Opportunities for AI in cyber defence" (8 de septiembre de 2026); Chakraborty et al., "CTI-REALM" (marzo de 2026); Deason et al., "CyberSOCEval" (2025); Hugging Face, "Security incident, July 2026" (16 de julio de 2026).