El aluvión de información sobre la vulnerabilidad de Mythos se topa con un cuello de botella humano

Un es­tu­dio re­cien­te sobre la ini­cia­ti­va Pro­ject Glass­wing de Anth­ro­pic re­ve­la una gran di­fe­ren­cia entre la can­ti­dad de fa­llas de­tec­ta­das por la in­te­li­gen­cia ar­ti­fi­cial y aque­llas que real­men­te re­sul­tan ser reales, gra­ves y so­lu­cio­na­bles. Esto apun­ta a que el prin­ci­pal obs­tácu­lo ac­tual en la in­ves­ti­ga­ción de se­gu­ri­dad in­for­má­ti­ca no es la ca­pa­ci­dad de des­cu­brir fa­llos, sino el pro­ce­so hu­mano ne­ce­sa­rio para va­li­dar­los y coor­di­nar su co­rrec­ción.

De acuer­do con el aná­li­sis de los re­gis­tros pú­bli­cos, el mo­de­lo ge­ne­ró de­ce­nas de miles de po­si­bles vul­ne­ra­bi­li­da­des, pero solo una pe­que­ña frac­ción al­can­zó la etapa de di­vul­ga­ción a los res­pon­sa­bles de los pro­gra­mas, mien­tras que los fa­llos con par­che con­fir­ma­do o re­ti­ra­do re­pre­sen­tan por­cen­ta­jes mí­ni­mos. Asi­mis­mo, el es­tu­dio cues­tio­na la pre­ci­sión y la eva­lua­ción de gra­ve­dad de la in­te­li­gen­cia ar­ti­fi­cial, se­ña­lan­do que el mo­de­lo ten­día a ca­li­fi­car los pro­ble­mas como de alta gra­ve­dad o crí­ti­cos en una pro­por­ción mucho mayor que los pro­pios man­te­ne­do­res de los pro­gra­mas afec­ta­dos.

Otras in­ves­ti­ga­cio­nes con he­rra­mien­tas si­mi­la­res tam­bién mues­tran in­con­sis­ten­cias y va­ria­cio­nes sig­ni­fi­ca­ti­vas al ana­li­zar el mismo có­di­go en dis­tin­tas eje­cu­cio­nes, lo que de­mues­tra que, aun­que la tec­no­lo­gía aba­ra­tó la de­tec­ción ini­cial, la va­li­da­ción y el tria­je con­su­men una can­ti­dad con­si­de­ra­ble de re­cur­sos eco­nó­mi­cos y hu­ma­nos. Como re­sul­ta­do, la in­dus­tria en­fren­ta el reto de ges­tio­nar un vo­lu­men ma­si­vo de aler­tas mien­tras los pro­ce­sos de se­gu­ri­dad con­ti­núan ope­ran­do a ve­lo­ci­dad hu­ma­na.