Figma despliega agentes de IA para reducir un 70% el tiempo de triaje de alertas
La compañía documenta su arquitectura basada en Panther y Bedrock, donde los agentes investigan incidentes, consultan logs y preparan correcciones en borrador.
Figma ha publicado los detalles de cómo su equipo de ingeniería construye una flota de agentes de inteligencia artificial para apoyar a los responsables de seguridad. El objetivo es automatizar la investigación de alertas, la búsqueda en incidentes pasados y la preparación de parches de código, logrando según la empresa una reducción del 70% en el tiempo de resolución de alertas complejas.
Arquitectura y栈 de herramientas
El sistema se apoya sobre Panther como SIEM central, integrado con una extensa red de fuentes de datos: AWS, Okta, GitHub, GCP y osquery, una herramienta de código abierto que permite consultar información de sistemas mediante SQL. El agente de triaje principal, que utiliza modelos como Claude Opus, recibe como contexto el historial completo de hilos en Slack, su propia memoria de orientación y un conjunto de herramientas acotadas a las necesidades habituales de un ingeniero de guardia.
Para el análisis histórico, el sistema emplea AWS Bedrock Knowledge Bases, Amazon Kendra, Tines y una herramienta basada en Snowflake para interrogar los datos de Panther. Los autores destacan que la gestión de la memoria ha sido el factor crítico para la mejora continua del sistema. Distinguen entre tres tipos de memoria: alertas previas, pautas de comportamiento directivas y estructuras de bases de datos aprendidas. Mantener estas memorias separadas resulta vital para evitar contaminaciones en el razonamiento del modelo.
Seguridad y controles operativos
La implementación no descarta la supervisión humana, pero introduce controles técnicos estrictos. Los agentes crean solicitudes de extracción (PR) automáticamente, pero se establecen como borradores por defecto. Los prompts están diseñados para impedir que datos sensibles se filtren en canales públicos de Slack. Además, un artículo complementario de Figma indica que estos agentes han detectado más de 100 vulnerabilidades desconocidas, incluidos dos fallos críticos que pasaron por alto las herramientas tradicionales, y que su revisor de código alcanzó un 80% de precisión en un mes.
El equipo admite que la precisión debe optimizarse antes que la tasa de recuperación, ya que los errores históricos solo miden esta última. Aunque la automatización acelera el proceso, la pregunta sobre la aprobación final humana sigue abierta, especialmente tras recientes informes sobre cómo los asistentes de código pueden ser engañados por repositorios maliciosos. Figma concluye que el equilibrio entre automatización y supervisión es un proceso en evolución constante.
