Capítulos0/54 ▾
- 1.Arquitectura y fuentes de registro0/5
- 2.Indicadores de actividad maliciosa0/5
- 3.Herramientas de investigación y caza de amenazas0/5
- 4.Mejora de procesos, automatización e IA0/5
- 5.Métodos de escaneo de vulnerabilidades0/5
- Inventario de activos, escaneos de descubrimiento y alcance
- Escaneo con credenciales, sin credenciales y basado en agentes
- Ubicación del escáner: interno, externo y lo que hay en medio
- Escaneo pasivo, dispositivos frágiles y programación de escaneos
- Aplicaciones web, contenedores, infraestructura como código y líneas base
- 6.Análisis de resultados de escaneo0/5
- 7.Priorización, mitigación y controles0/5
- Puntuación de severidad frente a riesgo, y cómo se organiza CVSS v4.0
- Priorización basada en riesgo: explotación, exposición y contexto de negocio
- Vías de remediación, control de cambios y verificación de la corrección
- Controles compensatorios, excepciones, aceptación y transferencia
- Clasificar controles por tipo y por función
- 8.Marcos de ataque y proceso de respuesta0/5
- 9.Técnicas de respuesta a incidentes0/5
- 10.Informes y comunicación de vulnerabilidades0/5
- De la exportación cruda del escaneo a un hallazgo accionable
- Adaptar el informe a la audiencia
- Métricas que muestran dirección: tendencias, antigüedad, recurrencia y cobertura
- Aceptación de riesgo, excepciones, planes de acción y escalamiento
- Credibilidad: severidad honesta, divulgación controlada e informes redactados con IA
- 11.Informes de incidentes y métricas0/4
Capítulo 4 · Lección 5 de 5
Gobernanza de la IA: responsabilidad, trazabilidad y validación
1 min de lectura
Las preguntas de gobernanza preguntan quién es dueño de una decisión y si se podrá explicar después. La puntuación de un modelo es un insumo para la disposición, pero la disposición en sí debe pertenecer a un analista con nombre, porque una alerta cerrada por error tiene que explicarse y a un modelo no se le pueden pedir cuentas.
El diseño productivo deja que el modelo ordene y agrupe las alertas que considera benignas mientras una persona registra la disposición que cierra cada grupo. Dejar que el modelo cierre solo y revisar los cierres a fin de mes, o solo en categorías de bajo riesgo, sigue dejando casos cerrados sin juicio humano detrás.
La trazabilidad significa que el rastro de la decisión se puede reconstruir meses después: qué se envió a la herramienta, qué devolvió, qué analista aceptó la conclusión y qué evidencia revisó ese analista. Guardar solo la versión de la herramienta no sirve, porque la respuesta de un modelo no es reproducible como una consulta repetida.
La misma regla se aplica a las reglas de detección redactadas por IA. Ejemplo: un modelo escribe una regla que se analiza sin errores; antes de producción, ejecútala sobre 30 días de telemetría almacenada para ver con qué frecuencia coincide y confirmar que cada campo que usa se recolecta de verdad.
Dejar que las alertas reales de producción revelen la tasa de falsos positivos gasta la atención de los analistas para aprender lo que una ejecución histórica habría mostrado.
Ponte a prueba
1. Meses después de un incidente, un regulador pregunta cómo concluyó el equipo que ningún dato personal salió de la organización. El registro del caso dice que la decisión siguió a una revisión asistida por IA y no se guardó nada más al respecto. ¿Cuál debe ser el requisito de gobierno?
2. Una función de plataforma puede cerrar cualquier alerta que el modelo puntúe como benigna por encima de una confianza fijada, sin que la abra un analista. El responsable de operaciones debe decidir cómo implantarla. ¿Qué disposición es correcta y por qué?
Datos verificados el 2026-11-15 · Fuentes: CompTIA CySA+ (CS0-004) certification page and exam objectives, NIST AI Risk Management Framework (AI RMF 1.0, NIST AI 100-1)
Hoja de repaso de CompTIA CySA+: todos los datos clave en una página →