IA en la auditoría de TI: revisión de tickets de vulnerabilidad marcados como resueltos
Cómo usar IA para detectar inconsistencias en la evidencia de vulnerabilidades sin renunciar a la verificación de fuentes, la gobernanza ni el juicio profesional.
- Publicado
- Tiempo de lectura
- 7 min de lectura
- Autora
- Angélica Rosario Maisonet
Revisar tickets de vulnerabilidad puede tomar tiempo porque el estado solo cuenta parte de lo ocurrido. Un ticket puede aparecer como «resuelto», mientras un comentario indica que la corrección se integró al código y está pendiente de despliegue. Entonces hay que revisar la aplicación afectada, los registros del pase y la definición de «resuelto» que usa la organización para entender si el caso se manejó correctamente.
Ese es un uso práctico de un asistente de IA aprobado para auditoría. Puede ayudar a revisar las notas de cierre y los registros relacionados, resumir las explicaciones e identificar casos que necesitan más atención. El IIA describe usos de IA generativa en la planificación, la recopilación de evidencia, la comunicación de resultados y el seguimiento. Aquí la usaría para una tarea concreta: buscar posibles diferencias entre lo que dice un ticket de vulnerabilidad y lo que muestran los registros del pase.
Una corrección puede estar en distintas etapas
Supongamos que un análisis detecta una dependencia de terceros vulnerable. Renovate o Dependabot prepara una actualización, pero las pruebas fallan. Una persona del equipo ajusta el código, se revisa el cambio y se aprueba para un próximo pase. Mientras tanto, alguien cierra el ticket de vulnerabilidad con la nota «corrección completada».
En este ejemplo, Renovate y Dependabot manejan las actualizaciones de dependencias mediante reglas e información de los paquetes. Esa automatización, por sí sola, no demuestra un uso de IA. El uso de IA que estamos discutiendo ocurre cuando auditoría le pide a un asistente que revise la explicación del ticket junto con los registros de análisis, aprobación y despliegue.
Una consulta SQL permite comparar la fecha de cierre con la de despliegue. Las notas requieren más interpretación. «Corregido», «integrado», «mitigado» y «riesgo aceptado» describen situaciones distintas, y la razón del cierre puede estar varios comentarios más arriba. Un asistente puede ayudar a encontrar esas explicaciones y señalar frases que no parecen coincidir con las fechas. Luego se cotejan los identificadores y las fechas exactas en los sistemas originales.
Si la política exige desplegar la corrección y confirmarla con otro análisis antes de cerrar el ticket, un caso cerrado mientras el pase seguía pendiente puede requerir más investigación. Si la política permite cerrarlo después de integrar el código y dar seguimiento al despliegue por separado, la misma secuencia podría ser aceptable. Para determinar si el caso sustenta un hallazgo, hay que revisar la política correspondiente y cualquier excepción aprobada.
También queda una pregunta sobre cómo se presenta la información. ¿Alguien que lea «resuelto» entendería que la corrección en producción sigue pendiente? Aunque el cierre cumpla con la política, ese estado puede dejar a la gerencia con una idea poco clara del riesgo que todavía existe.
El ambiente y la versión importan durante toda la revisión. Que la corrección esté en pruebas no demuestra que haya llegado a producción. Un análisis sin hallazgos de otra rama tampoco confirma que se corrigió la versión afectada. Además, un ticket puede incluir varias aplicaciones con fechas de despliegue diferentes. Hay que relacionar cada alerta con la aplicación, la versión y el ambiente que se están evaluando.
Darle una tarea concreta al asistente
Antes de revisar los tickets con IA, el equipo de auditoría necesita establecer los criterios. La política de la organización debe explicar cómo se manejan las correcciones, la aceptación de riesgos, los controles compensatorios y los cambios de emergencia. Esos criterios deben formar parte de la revisión para que el asistente no asuma que todo cierre anterior al despliegue constituye un incumplimiento.
También hace falta un conjunto completo de casos dentro del alcance de la auditoría. Se deben relacionar las alertas de vulnerabilidad con las aplicaciones afectadas, los tickets y los registros de despliegue. Si se parte solo de tickets cerrados, quedarían fuera las alertas que nunca tuvieron uno. La IA no puede identificar esas ausencias si no recibe los registros necesarios.
Yo le daría una instrucción específica, por ejemplo: «Revisa las notas de cierre de estos tickets. Identifica casos donde la nota indique que la corrección está completa, pero los registros relacionados muestren un despliegue a producción pendiente. Incluye el número del ticket y los registros que respaldan cada caso. Si falta información, indica cuál». Así se obtiene un resultado concreto que se puede verificar.
El trabajo debe hacerse en un entorno aprobado y con la información necesaria para la tarea. El código, los datos de clientes, las credenciales y los detalles sensibles de las vulnerabilidades se manejan según las reglas de la organización. El equipo también debe saber a qué registros tiene acceso el asistente y si cuenta con permisos para ejecutar acciones.
Cuando el asistente entrega los resultados, se cotejan los identificadores de los tickets y las versiones, se comparan las fechas con una consulta que pueda repetirse y se leen los comentarios originales. Las dudas sobre un estado o una excepción se aclaran con la persona responsable del control. En los papeles de trabajo deben quedar los criterios, el total de casos bajo revisión, el método, la evidencia verificada, las limitaciones y el razonamiento que sustenta la conclusión.
Los casos que el asistente no señaló también necesitan atención. Revisar una muestra de esos registros, incluidos cambios complejos o de emergencia conocidos, ayuda a identificar problemas que pudo haber omitido. Revisar únicamente los casos sugeridos dice poco sobre lo que se le pasó por alto.
El requisito del IIA de contar con información relevante, confiable y suficiente aplica a este trabajo. La explicación del asistente debe permitir llegar a registros que se puedan examinar. Un resumen convincente que no tenga ese respaldo deja más información por verificar antes de llegar a una conclusión.
Comprobar el trabajo de la IA
Un asistente puede relacionar un ticket con el pase equivocado, omitir un comentario pertinente o mencionar un análisis que nunca ocurrió. Antes de usarlo con una cantidad mayor de registros, el equipo puede probarlo con casos que una persona ya revisó. Esa comparación permite ver qué problemas encuentra, qué casos aceptables señala por error y qué diferencias deja pasar.
Conviene repetir esa revisión cuando cambien las fuentes de datos, la tarea o el asistente. Guardar el nombre y la versión de la herramienta, las instrucciones utilizadas y los pasos de verificación facilita explicar cómo se hizo el trabajo y repetirlo más adelante.
Los propios registros pueden presentar otro riesgo. Un comentario en un ticket o un archivo del repositorio podría incluir instrucciones para confundir al asistente que lo lea. Es una forma de inyección de instrucciones, conocida como prompt injection, que OWASP aborda en su guía. Limitar los accesos, definir la tarea con claridad y comprobar la evidencia original ayuda a reducir el riesgo de depender de una respuesta incorrecta.
El Marco de Auditoría de IA del IIA aborda responsabilidades de gobierno, gestión y auditoría interna. El Marco de Gestión de Riesgos de IA de NIST organiza ese trabajo mediante las funciones Govern, Map, Measure y Manage. Ambos pueden ayudar a estructurar una evaluación del uso del asistente. El equipo de auditoría todavía debe evaluar su desempeño en la tarea concreta y verificar las respuestas que utiliza.
La IA también puede aparecer antes en el proceso si el equipo de desarrollo la usa para sugerir correcciones. GitHub Copilot Autofix, por ejemplo, puede proponer cambios para ciertas alertas de análisis de código. Ese uso es distinto a la automatización de actualizaciones de dependencias del ejemplo. Auditoría puede revisar quién verificó el código propuesto, si corrieron las pruebas y los análisis de seguridad requeridos, y quién podía descartar un hallazgo o aprobar el pase.
Veo el beneficio principal en reducir el tiempo que toma buscar entre comentarios y encontrar explicaciones relacionadas. Ese tiempo se puede dedicar a examinar los casos difíciles, aclarar la política con el equipo responsable y confirmar qué ocurrió con la versión afectada en producción. La conclusión de auditoría tiene que estar respaldada por esa revisión.
Referencias
- The IIA. Solving the Riddle: Harnessing Generative AI for Internal Audit Activities.
- The IIA. Artificial Intelligence Auditing Framework, 2nd Edition.
- The IIA. Global Internal Audit Standards, Standard 14.1.
- NIST. Artificial Intelligence Risk Management Framework.
- Renovate. How Renovate Works; GitHub. Dependabot Version Updates.
- GitHub. About Autofix for Code Scanning.
- OWASP GenAI Security Project. LLM01:2025 Prompt Injection.
