Esta idea, que puede sonar provocadora, ya ha comenzado a tomar forma. Los laboratorios más relevantes de IA (por ejemplo, Anthropic y Open AI) están creando redes de colaboradores y programas de certificación que evalúan si de verdad sabes diseñar, desplegar y gobernar sistemas construidos sobre modelos de IA a escala empresarial. Dicho de otro modo: es la cría selectiva de nuestro propio lobo, con pedigrí verificable.

Lo interesante, desde la óptica de un CISO, no es tanto el sello en sí como lo que revela sobre el cambio de paradigma. Algunas de las certificaciones no están pensadas para ingenieros, sino para perfiles como un responsable de cumplimiento redactando políticas de gobernanza de IA, o un mando intermedio evaluando la calidad de las salidas de un modelo antes de aprobarlo para producción. Se comienza a reconocer de forma explícita, que criar a un lobo propio no es sólo un reto técnico: es un reto organizativo, que atraviesa legal, cumplimiento, recursos humanos y, por supuesto, ciberseguridad.

La moraleja de esta entrega es la más práctica de todas: no se trata de domesticar al lobo enemigo, ni de construir muros eternamente más altos. Se trata de criar al nuestro con el mismo cuidado, el mismo rigor y la misma paciencia con que criaríamos a cualquier guardián del que va a depender la seguridad de la casa

Detengámonos en un ejemplo: el examen para Claude Certified Architect (CCA). No se trata de una prueba de memorización sino, como comparte Frank Coyle, profesor de UC Berkely, en una charla reciente durante una conferencia de AI Engineer en julio de 2026, de una auténtica guía de campo para la ingeniería de agentes. Coyle desvela una estructura articulada en cuatro dominios que trazan, casi inadvertidamente, un mapa de cómo debería entrenarse a nuestro propio cánido antes de soltarlo a defender el territorio: arquitectura de agentes; configuración de Claude Code y flujos de trabajo; ingeniería de prompts con salidas estructuradas e integración con el contexto vía MCP; y gestión del contexto y de la confiabilidad.

Aprender haciendo, iterando e identificando patrones y antipatrones

Su punto de partida es casi filosófico: aprender haciendo, iterando, y sobre todo identificando patrones y antipatrones, estos últimos son formas de hacerlo mal que enseñan más que cualquier manual de buenas prácticas. Un lobo mal criado, después de todo, puede ser tan destructivo como el que planea burlar nuestras defensas. Coyle recupera además un detalle incómodo para quienes ven en la IA agéntica una disciplina completamente nueva: el teorema de Böhm-Jacopini de 1966, el cual afirma que toda computación se reduce a secuencia, selección y bucle. Los bucles no son la última moda de la IA agéntica; son, sencillamente, lo que les da a estos sistemas capacidad Turing-completa. Nuestro guardián, por muy sofisticado que lo entrenemos, sigue corriendo con la misma base física y lógica de siempre. De los patrones que repasa Coyle, hay al menos cuatro que condicionan el éxito de todo el proceso de entrenamiento:

• Comprobar estados de ejecución y de salida.
• Crear agentes muy especializados y no macro-agentes genéricos de múltiple propósito.
• Aislar subtareas en procesos independientes, resumir resultados y compactar contexto.
• Analizar cómo se pueden ahorrar tokens en canalizaciones automáticas de CI/CD.

Ninguno de estos patrones es exótico. Son, en el fondo, formas de evitar los mismos errores de diseño que llevamos años corrigiendo en arquitecturas distribuidas clásicas, como la falta de aislamiento y la ausencia de observabilidad, sólo que ahora aplicados a un lobo que razona. Y eso, precisamente, es la mejor noticia: no hace falta reinventar la disciplina de la cría, sólo trasladarla. Es el renacimiento de la ingeniería del software de calidad.

El lobo que sopla contra nuestras defensas es cada día más rápido, más creativo y más persistente que cualquier muro que levantemos. Y frente a un lobo así, la única respuesta que de verdad funciona no es una casa más sólida: es otro lobo

¿Y cómo se cría entonces a un lobezno capaz de plantarle cara al que sopla desde fuera? De tres maneras muy concretas:

• Formando a nuestros equipos con el mismo rigor con el que certificamos a un arquitecto de nube o a un analista SOC, para que dejen de ver la IA como una caja negra y empiecen a verla como una pieza más de la arquitectura de seguridad, con sus propios antipatrones catalogados;
• Adoptando el vocabulario y los marcos de gobernanza que el propio fabricante del modelo está proponiendo, en lugar de improvisar políticas internas desde cero cada vez que llega una nueva versión;
• Aceptando que la mejor defensa frente a un atacante que ya usa IA de forma ofensiva no es un muro, sino un lobo propio, igual de rápido y bien alimentado, que patrulle el perímetro antes de que el otro llegue a la chimenea: detección de anomalías, respuesta a incidentes acelerada, DevSecOps asistido por agentes especializados.

Para quien quiera ir más allá de esta charla, la propia comunidad de AI Engineer mantiene en su canal una lista de vídeos de conferencias que merece la pena explorar con calma: un catálogo creciente de sesiones sobre arquitectura agéntica, ingeniería de prompts y despliegue en producción, muy en la línea de lo que exige el examen CCA.

La moraleja de esta segunda entrega es, quizás, la más práctica de todas: no se trata de domesticar al lobo enemigo, ni de construir muros eternamente más altos. Se trata de criar al nuestro con el mismo cuidado, el mismo rigor y la misma paciencia con que criaríamos a cualquier guardián en el que va a depender la seguridad de la casa. Porque cuando dos lobos se enfrenten en la puerta, ganará el que mejor entrenado esté.

Si algún ingeniero de SW quiere comenzar a sistematizar esta “cría del lobo defensor”, soy todo oídos para comenzar a entrenar a nuestros lobeznos.