Seis cambios urgentes para evitar brechas de ciberseguridad en la banca

• Implementar criptografía poscuántica (post-quantum cryptography, sus siglas en inglés PQC). Las instituciones financieras deberían empezar a transicionar a métodos criptográficos resistentes a los ataques cuánticos, aprovechando estándares como los publicados por el Instituto Nacional de Estándares y Tecnología (NIST). Los algoritmos resistentes a los ataques cuánticos actuarán como una ‘cerradura’ futura, protegiendo los datos de los ciberataques.
• Realizar inventario criptográfico y evaluación de riesgos. Los bancos deben auditar su actual framework de cifrado para identificar datos financieros de alto riesgo. Deberían priorizar registros de transacciones a largo plazo, sistemas de autenticación de clientes y comunicaciones seguras para protegerse de que los atacantes roben datos cifrados con la intención de descifrarlos una vez que la computación cuántica comercial sea viable.
• Adoptar una estrategia de cifrado híbrida. La transición a una PQC a gran escala presenta una carga financiera significativa. Un enfoque híbrido, que combina algoritmos clásicos y resistentes a la cuántica, permite una transición más gradual y manejable.

• Migrar de una detección de fraude básica basada en la IA a una inteligencia predictiva de amenazas. Los bancos deben estar preparados para prever un ataque de vector antes de que escale. La inteligencia de ataques predictiva, basada en la IA, es capaz de escanear tendencias globales de cibercrimen y monitorizar foros de hackers, mercados clandestinos y evolucionar estrategias de malware para anticipar técnicas de fraude antes de que se desplieguen. Esto permite a las instituciones financieras fortalecer de manera preventiva sus defensas antes de que ocurra el ataque.  
• Implementar plataformas de evaluación de riesgos basadas en la IA.  Los algoritmos de machine learning pueden ayudar a los bancos a analizar los datos, identificar patrones y predecir potenciales amenazas de seguridad. Por ejemplo, Cognizant colaboró con un banco global para implementar una plataforma de machine learning que pudiera anticipar las vulnerabilidades e identificar actividades sospechosas al analizar grandes conjuntos de datos. Esta herramienta predictiva redujo de forma significativa falsas alarmas y mejoró la precisión en la identificación de amenazas.
• Migrar a un sistema de detección de fraude basado en la IA. Los bancos deberían utilizar análisis predictivo para identificar transacciones y actividades sospechosas en tiempo real. Estos sistemas monitorizan las transacciones e identifican actividades sospechosas, como una retirada repentina de una importante cantidad de dinero desde una cuenta poco utilizada. El sistema aprende de los nuevos datos para mejorar la precisión y reducir las falsas alarmas, garantizando que las transacciones no se marcan de forma errónea.
• Utilizar la IA para analizar los patrones de tráfico de red. La IA puede ayudar a detectar actividades inusuales de red que pueden indicar un ciberataque. Imagina un policía de tráfico monitorizando el flujo de datos dentro y fuera de la red de un banco. Si de repente se detecta un aumento en el envío de datos a un servidor desconocido, el sistema puede alertar al banco para que investigue más a fondo.

• Implementar extended detection and response (XDR). Es habitual que los bancos utilicen múltiples niveles de seguridad digital, pero a menudo estos no están integrados. Con XDR, pueden integrar sus herramientas de seguridad en un sistema cohesivo, como una sala de control, ofreciendo un enfoque unificado a los ciberataques.
• Utilizar la arquitectura de malla de seguridad (cybersecurity mesh architecture, sus siglas en inglés CSMA). CSMA integra varias herramientas y tecnologías de seguridad en un único framework cohesivo, que permite a los bancos desplegar controles de seguridad más cercanos a sus activos en vez de depender de un sistema de seguridad centralizado. Este enfoque descentralizado mejora los tiempos de respuesta a las amenazas y reduce la propagación de estas.

• Desplegar la orquestación, automatización y respuesta de seguridad (sus siglas en inglés, SOAR) basada en la IA. Una plataforma SOAR reduce el tiempo que se necesita para abordar estas amenazas al tiempo que minimiza el error humano. Es como si un sistema de alarma contra incendios detectara el fuego, activara los extintores y llamara al departamento de bomberos de manera simultánea.

SOAR detecta y contiene rápidamente amenazas de ransomware, previniendo el cifrado y la propagación mediante la automatización de las respuestas de seguridad. Se integra con sistemas de gestión de información y de eventos de seguridad (SIEM), firewalls y análisis de IA para garantizar una mitigación de amenazas rápida y precisa. A diferencia de los sistemas manuales, el SOAR elimina los retrasos, reduce la fatiga de alertas y mejora la eficiencia de seguridad mediante la priorización de amenazas críticas en tiempo real.

• Desplegar modelos de seguridad de confianza cero. El modelo de confianza cero refuerza las políticas de autenticación, verificando la identidad en cada punto de acceso en vez de asumir que los usuarios internos son quienes dicen ser. Este modelo emplea técnicas de identificación avanzadas y monitorización continuada para verificar la autenticidad y detectar potenciales amenazas.
• Utilizar análisis de comportamiento basado en la IA. La IA controla continuamente los patrones de acceso, detectando comportamientos anómalos que indiquen que las credenciales se han comprometido, incluso, cuando los atacantes utilicen detalles de inicio de sesión válidos. Imagina que los bancos son marketplaces concurridos donde la IA actúa como un vigilante de seguridad que conoce a los clientes habituales.
  
  Para muestra, un botón: Cognizant se asoció con un banco de referencia para desplegar un sistema basado en la IA que combinara el reconocimiento óptico de caracteres (sus siglas en inglés, OCR) y redes neuronales para analizar cheques manuscritos. Esta solución permite la identificación en tiempo real de cheques fraudulentos, reduciendo drásticamente el esfuerzo manual y mejorando la eficiencia operativa. Esto da como resultado una previsión de ahorro anual de 20 millones de dólares.

• Implementar infraestructura de seguridad cloud avanzada. Los bancos necesitan infraestructura cloud avanzada y herramientas de seguridad que protejan los datos y aplicaciones de una forma escalable y asequible. Estos sistemas necesitan incorporar medidas de seguridad innovadoras, automatización basada en la IA y análisis en tiempo real para mejorar la protección contra las ciberamenazas. La microsegmentación garantiza que, si un sistema de seguridad se ve comprometido, el ataque no se puede propagar por toda la red del banco.

Por ejemplo, en 2024, los bancos indios fueron el objetivo de un ataque de denegación de servicios (DDoS) para interrumpir los servicios bancarios online y exponer los datos del cliente. Los bancos utilizaron sus soluciones de seguridad cloud para absorber y distribuir el tráfico del ataque, evitando la interrupción del servicio. Los sistemas de monitorización cloud basados en la IA detectaron picos inusuales de tráfico, permitiendo a los bancos bloquear peticiones maliciosas antes de que saturaran los sistemas.