Cogent lleva a los agentes de IA desde la vulnerabilidad hasta la reparación, con las reglas fuera del modelo como freno

Cogent combina modelos de OpenAI con su propio sistema de contexto para crear agentes que llevan una vulnerabilidad desde su detección hasta una reparación verificada. La empresa afirma que un cliente del sector del automóvil redujo en un 75 % el tiempo medio de corrección de vulnerabilidades críticas y que otra compañía multiplicó por cinco la capacidad de análisis. Ambas cifras proceden de Cogent y sus clientes.

Un grafo de contexto da a los agentes un mapa de la empresa y permiso para actuar

Context Engine mantiene un grafo de activos, vulnerabilidades, identidades, responsables y dependencias. Varios agentes concilian en segundo plano los datos de las herramientas de seguridad para que, ante una vulnerabilidad nueva, el sistema no tenga que averiguar otra vez qué activo está afectado, quién lo gestiona y qué podría romper una corrección.

Cogent utiliza GPT-6.1 Sol para la ejecución general, GPT-5.6 para tareas más rutinarias y GPT-6 Astra para planificar intervenciones complejas. Cuando se divulgaron los fallos críticos PHP2Shell, el caso de uso indica que los agentes localizaron los sistemas afectados, evaluaron la exposición, prepararon correcciones teniendo en cuenta las dependencias y verificaron el resultado.

La autonomía depende de las autorizaciones, no de la obediencia del modelo

Cada cliente decide qué cambios puede ejecutar un agente y cuáles requieren aprobación. TRACE comprueba de forma determinista las llamadas a herramientas frente a esas reglas, sin delegar otra decisión en un modelo de lenguaje. Una pasarela independiente vuelve a verificar la autorización y las tareas de mayor riesgo pueden ejecutarse en entornos aislados.

Ese es el patrón más útil para los agentes empresariales. El modelo puede proponer un cambio, pero sus atribuciones deben quedar en manos de un sistema al que no se pueda convencer con un prompt. Sin esa separación, una corrección más rápida también acortaría el camino entre una mala decisión y un incidente en producción.

Los resultados son casos de clientes, no una auditoría independiente

Una reducción del 75 % en el tiempo medio de corrección y una capacidad cinco veces mayor son afirmaciones relevantes, pero no constituyen un benchmark controlado entre clientes. El material publicado no muestra la complejidad de los sistemas, cuántas intervenciones necesitaron a una persona ni cuántas propuestas de los agentes fueron rechazadas.

Cogent combina además varios modelos con su propio grafo, políticas, pasarela e integraciones. El resultado no puede atribuirse solo a GPT-6.1 Sol. El valor procede del sistema operativo que lo rodea, sobre todo de la calidad de los datos empresariales y de la precisión de los permisos.

Las acciones rechazadas y las reversiones dirán si la defensa resiste

Las siguientes cifras útiles serán el porcentaje de correcciones completadas sin intervención humana, la frecuencia de reversiones, los rechazos erróneos y los incidentes causados por un agente. Los clientes también deben poder auditar cada paso y retirar permisos con rapidez.

Cogent quiere ampliar la reparación autónoma desde cambios sencillos de configuración hasta procesos de varios pasos entre distintos sistemas empresariales. Cuanto más larga sea la cadena de acciones, menos importará la velocidad de la primera propuesta y más la capacidad del agente para detenerse con seguridad.

El veredicto de Lilith

Un modelo puede encontrar el fallo y proponer una corrección, pero ante la consola de producción debe haber un guardia al que ningún prompt pueda convencer. Cogent apuesta por el guardia adecuado.