Resumen Semanal de IA: GDPx, Dropbox y controles frente al fraude
Bank of America suma 1.000 consultores para remediar los fallos asociados a Mythos

Bank of America ha puesto una cifra muy humana al avance de la IA en ciberseguridad: 1.000 consultores adicionales. El banco los incorporó para ayudar a remediar fallos asociados a Mythos, el modelo de Anthropic capaz de descubrir vulnerabilidades a una velocidad que desborda los procesos tradicionales de revisión y parcheado.
Qué dijo el banco y qué no dijo
Durante la presentación oficial de resultados del tercer trimestre, el consejero delegado Brian Moynihan explicó que la entidad había añadido ese millar de profesionales externos y esperaba que el coste de remediación relacionado con Mythos disminuyera con el tiempo.
Conviene separar el dato firme de una interpretación fácil. Moynihan habló de «un par de cientos de millones de dólares o más» para dos frentes combinados: la remediación ligada a Mythos y trabajos de cumplimiento contra el blanqueo de capitales. El banco no publicó cuánto corresponde solo a la IA.
La reconstrucción de The Register a partir de la llamada sitúa a esos consultores junto a unas 3.000 personas que ya trabajaban en el área. No significa que 1.000 personas estén corrigiendo automáticamente 1.000 errores ni permite calcular el coste por vulnerabilidad.

La IA acelera el hallazgo, no todo el arreglo
Anthropic ya había descrito este cuello de botella. En su primer balance de Project Glasswing, cerca de 50 socios habían localizado más de 10.000 vulnerabilidades graves o críticas. La empresa señalaba que el límite pasaba de encontrar fallos a verificarlos, comunicarlos y desplegar parches.
La calidad del filtro también cuenta. Anthropic informó de una tasa alta de aciertos entre los casos revisados, pero no del cien por cien. Por eso cada alerta necesita una comprobación humana antes de convertirse en cambio de código, especialmente en sistemas financieros donde un parche incorrecto puede interrumpir un servicio crítico.
Ese informe es del programa completo y no revela cuántos hallazgos pertenecen a Bank of America. Sirve para entender la mecánica: cada resultado debe reproducirse, clasificarse, priorizarse, corregirse, probarse y distribuirse. En la muestra abierta de Anthropic, incluso un fallo grave podía tardar de media dos semanas en quedar parcheado.
Automatizar el descubrimiento sin ampliar la capacidad de remediación puede convertir una mejora técnica en una cola operativa más grande.
La lección empresarial: mide el trabajo que viene después
Yo evitaría vender un escáner con IA como si fuera una reducción automática del riesgo. El valor aparece cuando la organización puede absorber lo que encuentra. Antes de desplegar una herramienta similar, una empresa debería fijar:
- Criterios de validación: quién confirma que el hallazgo es real y evita falsos positivos.
- Prioridad por impacto: qué sistemas se corrigen primero y qué riesgo se acepta temporalmente.
- Capacidad de parcheo: cuántos equipos pueden corregir, probar y desplegar sin romper producción.
- Métrica de cierre: tiempo desde el hallazgo hasta el parche efectivo, no número bruto de alertas.
La noticia no demuestra que Mythos haya salido caro ni barato para el banco; demuestra que la velocidad de detección puede superar a la organización. La pregunta útil para cualquier negocio es incómoda: si mañana una IA te entrega cien fallos válidos, ¿tienes un sistema para cerrarlos o solo una lista más larga?
