«`html

¿Se pueden prevenir los errores humanos en ciberseguridad gracias a la inteligencia artificial?

Los errores humanos representan hoy en día la principal causa de los incidentes de ciberseguridad en las organizaciones. Contrariamente a las ideas preconcebidas, estas vulnerabilidades no siempre son el resultado de una mala intención, sino a menudo de factores psicológicos o ambientales como el estrés, la fatiga o una concentración alterada. Un estudio reciente propone una solución innovadora para anticipar estos riesgos en tiempo real.

La idea se basa en un sistema capaz de analizar de forma continua el estado fisiológico y cognitivo de los usuarios, así como su entorno inmediato. Sensores miden indicadores como el ritmo cardíaco, la respuesta electrodérmica de la piel, la temperatura ambiental, el nivel sonoro o la iluminación. Estos datos, a menudo imperceptibles para el propio usuario, revelan signos de estrés o sobrecarga mental antes de que se cometan errores. Por ejemplo, un aumento de la temperatura por encima de 24 grados o un ruido que supere los 55 decibelios reduce significativamente la capacidad de concentración y de toma de decisiones. Del mismo modo, una luz demasiado intensa o una iluminación mal adaptada puede provocar fatiga visual y mental, aumentando así el riesgo de olvidos o manipulaciones incorrectas.

El núcleo del sistema utiliza un modelo de inteligencia artificial que combina dos tecnologías: una red neuronal convolucional para identificar patrones en los datos de los sensores, y una red recurrente de tipo LSTM para seguir la evolución de estos patrones a lo largo del tiempo. Este enfoque permite detectar cambios sutiles en el estado del usuario, como un aumento del estrés o una disminución de la atención, con una precisión del 84 %. Cuando se identifica un riesgo elevado, el sistema puede activar acciones adaptadas, como una advertencia, una restricción temporal de acceso o una alerta a un responsable.

Uno de los principales desafíos reside en la capacidad de generalizar este modelo a diferentes individuos. Cada persona reacciona, en efecto, de manera distinta al estrés o a su entorno. Para solucionarlo, el sistema ha sido diseñado para adaptarse a cada usuario sin requerir un reaprendizaje completo. Utiliza una normalización dinámica de los datos, lo que le permite distinguir las variaciones normales de las señales precursoras de un posible error. Sin embargo, este método puede encontrar límites si los datos iniciales no cubren una variedad suficiente de situaciones.

Otro desafío concierne a la protección de la vida privada. Los datos fisiológicos, como el ritmo cardíaco o la respuesta cutánea, pueden revelar información sensible sobre la salud, como un embarazo, un trastorno mental o una enfermedad crónica. Su recolección y uso plantean, por tanto, cuestiones éticas y jurídicas. En muchos países, estos datos se consideran sensibles y están sujetos a regulaciones estrictas. Las organizaciones que deseen implementar un sistema de este tipo deben, por lo tanto, asegurarse de obtener el consentimiento informado de los empleados, garantizar la transparencia sobre el uso de los datos y establecer políticas claras para evitar cualquier forma de discriminación o violación de la privacidad.

El sistema ha sido probado con datos simulados que reproducen condiciones reales. Los resultados muestran que puede identificar estados de riesgo con buena fiabilidad, aunque aún son posibles mejoras, especialmente para reducir las falsas alertas. Una fase de calibración individual, en la que cada usuario llevaría el dispositivo durante un día completo, podría afinar aún más la precisión, teniendo en cuenta las particularidades de cada uno.

En la práctica, este tipo de tecnología podría transformar la manera en que las organizaciones abordan la ciberseguridad. En lugar de centrarse únicamente en soluciones técnicas como los firewalls o los programas antivirus, coloca al ser humano en el centro de la estrategia de protección. Al adaptar las medidas de seguridad en función del estado real de los usuarios, ofrece un enfoque proactivo para prevenir errores antes de que ocurran. Esto no solo podría reducir el número de incidentes, sino también mejorar el bienestar de los empleados al evitar situaciones de estrés extremo o sobrecarga cognitiva.

«`

Références

Origine de l’étude

DOI : https://doi.org/10.1186/s42400-026-00609-z

Titre : BioEnvSense: a human-centred security framework for preventing behaviour-driven cyber incidents

Revue : Cybersecurity

Éditeur : Springer Science and Business Media LLC

Auteurs : Duy Anh Ta; Farnaz Farid; Farhad Ahamed; Ala Al-Areqi; Robert Beutel; Tamara Watson; Alana Maurushat