Bloquear demasiado, sofocamos a los clientes; Bloquear mal, dejamos pasar a los atacantes. En un contexto en el que los ataques BOT de AI asistieron son complicadas, solo las métricas precisas de falsos positivos y negativos permiten evaluar la confiabilidad de una defensa sin comprometer la experiencia del usuario.
Según la décima cesina del Barómetro publicado en 2025, el 47 % de las compañías francesas dijeron que habían sido víctimas de al menos un ataque cibernético exitoso en 2024. En la carrera por la protección de las plataformas digitales contra ataques de botas cada vez más sofisticados, algunos proveedores hacen promesas atrevidas: cero falso positivo, detección perfecta, sin interrupción.
Pero cuando se trata de seguridad basada en IA, las promesas de perfección son engañosas. En realidad, cualquier sistema de detección inteligente debe encontrar un equilibrio entre el bloqueo de malware y la autorización de usuarios legítimos. Este equilibrio no es binario, y ciertamente no es nada mágico. Es una cuestión de matemáticas. Es una cuestión de medición. Y esto es lo que marca la diferencia entre establecer la confianza o romperla.
Encuentra el equilibrio correcto
El éxito de cualquier sistema de detección basado en AI se basa en dos indicadores: falsos positivos y falsos negativos. Los falsos positivos ocurren cuando los usuarios legítimos se informan erróneamente. Los falsos negativos ocurren cuando los atacantes pasan desapercibidos. Ninguno de los dos es aceptable, pero ninguno puede eliminarse por completo.
En realidad, es fácil prometer cero falsos positivos si no bloqueas nada. Pero eso también significa abrir las puertas a todos los bots, raspadores y estafadores. Por el contrario, el bloqueo de todos puede eliminar falsos negativos, pero a costa de los usuarios legítimos. No es protección, es parálisis.
La protección efectiva contra los bots debe encontrar un equilibrio. Y este equilibrio solo se puede alcanzar cuando los sistemas de detección se diseñan en torno a medidas y respuestas de tiempo real.
La verdad sobre cero positivo positivo
Seamos claros: una tasa de falsas positivas del 0 % no se puede lograr con la IA real y los sistemas de aprendizaje automático. Todos los modelos inteligentes, por avanzados que sean, cometen errores de clasificación (aunque muy raramente). Este es el compromiso de la toma de decisiones adaptativa y basada en datos. Fingir la perfección es ignorar el funcionamiento real de la IA.
Lo que importa más es la forma en que se miden, gestionan y atenúan estos errores. Los sistemas de detección transparentes evalúan constantemente el rendimiento utilizando el tráfico de tiempo real y usan puntajes de confianza probabilísticos para determinar el grado de certeza o incertidumbre de una clasificación. Cuando ocurre la incertidumbre, los mecanismos de validación inteligente, como la huella digital de dispositivos o análisis de comportamiento, pueden levantar las ambigüedades en el fondo sin alterar la experiencia del usuario.
Los bucles de retroalimentación de tiempo real son la base de una IA real
El estándar de excelencia en la protección contra los bots no es un modelo único o una solución milagrosa, sino un sistema continuo, en un circuito cerrado, que evoluciona en respuesta al comportamiento real. Esto significa integrar datos de ambos sistemas de detección (por ejemplo, telemetría de tráfico, detección de anomalías, desafíos invisibles) y señales del lado de la compañía (por ejemplo, tasas de éxito de las conexiones, abandono de canasta, alertas de fraude).
Este ciclo de retroalimentación debe funcionar automáticamente y a gran escala, mediante la alimentación de modelos de detección con nueva información para garantizar una adaptación rápida a las amenazas emergentes. Los mejores sistemas no se basan en firmas estáticas o procedimientos reactivos: aprenden de cada interacción, mejoran continuamente y protegen de manera proactiva.
¿Por qué la medida es crucial para el rendimiento comercial?
Los falsos positivos no son solo medidas técnicas. También constituyen riesgos comerciales. Los desafíos excesivos impuestos a los usuarios, el rendimiento lento del sitio o las transacciones bloqueadas tienen un impacto directo en las conversiones y la lealtad de los clientes. Por el contrario, las amenazas perdidas aumentan la retrofactorización, el fraude de cuentas y los riesgos regulatorios.
Las empresas que favorecen una defensa contra las botas de baja latencia y que se centran en la precisión obtienen resultados medibles: experiencias de pago más suaves, menos boletos de asistencia y mayor lealtad del cliente. En la economía digital actual, proteger la experiencia del usuario es tan importante como bloquear el fraude. Es por eso que la medición continua del rendimiento no es un lujo, sino una necesidad.
La transparencia es la base de la confianza
En Francia, donde el delito cibernético representaría un costo anual de más de 100 mil millones de euros, es mejor permanecer cauteloso frente a las soluciones que dicen que son infalibles, sin proporcionar la demostración concreta … Los gerentes de seguridad que evalúan las tecnologías de protección deben requerir transparencia: paneles de rendimiento de tiempo real, KPIS auditados y decisiones de IA explicativa. Tienes que hacer las preguntas correctas. ¿Cuál es la tasa real de falsos positivos y cómo se calcula? ¿Cómo gestiona el sistema la incertidumbre? ¿Cuáles son los comentarios de la empresa que alimenta la detección? ¿Cómo se actualizan los modelos en tiempo real? Si las respuestas no se basan en resultados medibles, no es ciencia, sino especulaciones.
El futuro de la detección: hacia un enfoque basado en la intención
En 2024, se informaron 4,386 incidentes de seguridad en Francia, un aumento del 15 % en comparación con el año anterior. Cada vez más de estas intrusiones son el resultado de bots de nueva generación, a veces asistidos por IA generativa. A medida que los bots se vuelven más similares a los humanos y los atacantes explotan la IA de la agencia, las defensas tradicionales basadas en el captcha o la huella digital de los navegadores son insuficientes. El futuro de la protección contra los bots radica en la detección basada en la intención, es decir, sistemas que van más allá de las acciones de los usuarios para comprender por qué los realizan.
Este cambio requiere un nuevo estándar: una protección adaptable, explicable y decidida para proporcionar resultados medibles. No se trata de ser perfecto, sino de ser preciso, responsable y en una mejora constante.
Porque no podemos defender lo que no medimos. Y en la ciberseguridad, la diferencia entre 0.01 % y 0 % no es solo un error de redondeo, ¡es la diferencia entre confianza y riesgo!
____________________________
Par Benjamin FabreCEO y fundador de Datadome
Leer también:
El advenimiento de la IA agente se rebota las cartas de la lucha contra el fraude …
Bots maliciosos: un gran desafío para el sector de distribución informática
Control anti-fraude: cómo el ML se vuelve a dibujar estrategias ganadoras
Bad Bots a las API de asalto …
[
