Cisco ha presentado Antares, una familia de modelos de IA abiertos y de pequeño tamaño diseñada para localizar en qué archivos de un repositorio pueden encontrarse vulnerabilidades ya conocidas. La compañía libera inicialmente Antares-350M y Antares-1B, disponibles en Hugging Face para usuarios verificados como defensores de ciberseguridad, mientras reserva una versión de 3.000 millones de parámetros, Antares-3B, para una integración posterior en sus propios productos.
La propuesta llega a un punto sensible para los equipos de seguridad. La revisión de código no depende únicamente de saber que existe una vulnerabilidad pública, una entrada CWE o un aviso de seguridad. El trabajo costoso consiste en conectar esa información externa con un repositorio concreto, a menudo grande, heredado, documentado de forma irregular y con señales de seguridad repartidas entre llamadas, nombres de funciones, rutas y archivos que no siempre delatan el problema a primera vista.
Amin Karbasi, vicepresidente de Cisco y chief AI scientist, explicó a Axios que Antares se ha entrenado para investigar repositorios e identificar dónde existen vulnerabilidades conocidas dentro de una base de código. La diferencia operativa está en el tamaño. Frente a modelos generalistas de gran escala, Antares intenta reducir el coste de repetir escaneos cada vez que cambia el software, sin obligar a enviar código propietario a un proveedor externo.
Modelos de IA abiertos para una tarea estrecha, pero cara
La localización de vulnerabilidades ocupa una zona intermedia entre el análisis estático tradicional y los asistentes de programación basados en grandes modelos de lenguaje. Las herramientas estáticas siguen siendo necesarias, pero pueden generar alertas que requieren clasificación manual. Los modelos generalistas, aunque son capaces de razonar sobre código, no siempre están optimizados para moverse por un repositorio con criterios de investigación de seguridad.
En lugar de limitarse a responder preguntas sobre fragmentos aislados de código, Antares reproduce una secuencia de investigación más próxima al trabajo de un analista: parte de una descripción de vulnerabilidad, busca patrones relevantes, inspecciona archivos candidatos, incorpora nuevas pistas y cambia de ruta cuando una hipótesis pierde fuerza. Su salida no consiste en una corrección automática ni en una sentencia definitiva, sino en una lista ordenada de archivos potencialmente afectados y una traza de exploración en terminal que permite revisar cómo llegó el modelo a esa selección.
Para empresas con requisitos de auditoría, esa trazabilidad puede marcar la diferencia entre una herramienta útil y otra difícil de incorporar a los procesos internos. Los sistemas que entregan únicamente una respuesta cerrada suelen complicar la justificación de por qué se priorizó un archivo, una librería o una ruta concreta. La traza de exploración no elimina la revisión humana, aunque reduce parte del trabajo previo: separar el ruido inicial y concentrar la atención del equipo en zonas del código con mayor probabilidad de riesgo.
Cisco sitúa Antares en flujos como investigaciones basadas en avisos, revisión de debilidades asociadas a categorías CWE, priorización en CI/CD y análisis local en entornos con restricciones de privacidad o cumplimiento. Para empresas españolas que trabajan con software sensible, desde banca y salud hasta industria, administraciones o proveedores tecnológicos, la capacidad de ejecutar modelos en local puede pesar tanto como la precisión.
Coste, latencia y privacidad cambian el cálculo empresarial
El argumento económico es central. Cisco afirma que Antares escaneó 500 repositorios en unos 15 minutos por menos de 1 dólar, frente a unas cinco horas y más de 100 dólares en el caso de GPT-5.5. SiliconANGLE recoge otra comparación de Cisco sobre el benchmark: Antares sería 15,2 veces más barato que el modelo abierto más sólido evaluado, GLM-5.2, y 172 veces más barato que el modelo cerrado más fuerte probado, GPT-5.5.
Estas cifras deben leerse como resultados de una evaluación diseñada por Cisco, no como una regla universal aplicable a cualquier repositorio, pila tecnológica o política de inferencia. Aun así, muestran una dirección relevante: cuando la tarea es repetitiva, acotada y frecuente, un modelo pequeño especializado puede resultar más viable que un modelo generalista de frontera. La seguridad del software no se ejecuta una vez al trimestre. Cada commit, dependencia nueva o cambio de configuración puede abrir una revisión adicional.
DJ Sampath, vicepresidente sénior y director general de AI Software and Platform en Cisco, lo resumió ante Axios con una imagen deliberadamente práctica: «No necesitas un jet privado para ir a la tienda de la esquina». La frase encaja con un debate que atraviesa la adopción empresarial de IA. Las organizaciones han probado modelos de gran escala para muchas tareas, pero los costes de inferencia, la latencia y la exposición de datos limitan algunos usos sostenidos en producción.
El despliegue local añade otra capa. En repositorios con propiedad intelectual, código regulado o información sensible, enviar fragmentos a una API externa puede exigir evaluaciones legales, controles contractuales y garantías técnicas que ralentizan el uso cotidiano. Un SLM que funciona dentro del entorno de la organización reduce esa fricción. También acerca la herramienta a universidades, centros públicos, entidades sin ánimo de lucro y equipos de seguridad con presupuestos ajustados, que suelen quedar fuera de los enfoques basados en modelos de alto consumo.
Antares se mide con un benchmark propio
Cisco ha creado Vulnerability Localization Benchmark, o VLoc Bench, para medir esta tarea de forma específica. El conjunto incluye 500 pruebas en las que el modelo debe navegar por bases de código desconocidas y reconocer patrones de vulnerabilidad asociados a categorías CWE. La compañía argumenta que los benchmarks habituales de programación miden resolución de incidencias, generación de parches o búsqueda general de código, pero no la capacidad de localizar archivos vulnerables a partir de descripciones de seguridad.
La comparación con CodeScout resulta útil para delimitar el terreno. CodeScout ya había explorado agentes de búsqueda en terminal para localizar código dentro de benchmarks de ingeniería de software, como SWE-Bench. Antares lleva esa idea a un problema más concreto: transformar inteligencia de vulnerabilidades en candidatos dentro de un repositorio.
Cisco asegura que sus modelos superan a una docena de sistemas abiertos y cerrados de mayor tamaño en su benchmark de localización. También sostiene que los modelos pequeños pueden aprender estrategias de búsqueda, reflexión y retroceso sin depender únicamente de la escala. Esa afirmación conecta con una línea de investigación más amplia: especializar modelos para tareas con un marco operativo bien definido, en lugar de usar siempre sistemas generalistas con más parámetros y mayor coste.
Pese a los resultados publicados, la adopción empresarial exigirá validación externa. Los equipos de seguridad necesitarán comprobar cómo se comporta Antares con sus lenguajes, marcos internos, repositorios monolíticos, código legado y convenciones particulares. Un benchmark de 500 tareas permite comparar modelos en condiciones controladas; el entorno real introduce dependencias privadas, arquitectura histórica y deuda técnica difícil de representar en una prueba pública.
Apertura controlada y uso defensivo
La decisión de publicar modelos open-weight en ciberseguridad introduce una cuestión delicada: ampliar el acceso a capacidades útiles para defensores puede beneficiar también a actores ofensivos. Cisco ha optado por un modelo de distribución con verificación de usuarios en Hugging Face, según Axios, y trabajó con agencias del Gobierno de Estados Unidos en aspectos de seguridad y publicación.
Esa cautela refleja un cambio en el mercado. Las herramientas de IA para encontrar y explotar fallos avanzan en paralelo a las herramientas de defensa. La semana anterior al lanzamiento de Antares, Capital One liberó VulnHunter, un sistema agente orientado a revisar código desde la perspectiva de un atacante. El movimiento de Cisco se inscribe en esa carrera por llevar automatización a la seguridad de aplicaciones, aunque con un foco más limitado: encontrar dónde revisar, no sustituir el conjunto de controles.
La propia Cisco marca esos límites. Antares no reemplaza el análisis de dependencias, la composición de software, el escaneo de secretos, las pruebas dinámicas, la revisión de contenedores, el modelado de amenazas ni la validación experta. Su valor aparece antes, en la fase en la que un equipo debe decidir qué archivos merecen atención inmediata ante un aviso, una categoría CWE o una sospecha de debilidad en el código.
Para directivos tecnológicos, el lanzamiento plantea una derivada operativa concreta. La IA aplicada a seguridad empieza a desplazarse desde demostraciones amplias hacia componentes más pequeños, medibles y desplegables cerca del código. La presión vendrá por integración: cómo conectar estos modelos con pipelines, políticas internas, herramientas SAST, sistemas de tickets y procesos de revisión sin crear otra capa de alertas que los equipos no puedan absorber. Ahí se jugará buena parte del valor de Antares.
