Por Redacción Pangea IA · 21 de septiembre de 2026
La empresa belga Aikido Security ha publicado Altar-1, un modelo de inteligencia artificial especializado en ciberseguridad que puede funcionar dentro de la infraestructura de una organización. La propuesta evita enviar código fuente, documentación interna o vulnerabilidades todavía sin corregir a una API externa, pero exige un equipo muy alejado de un ordenador convencional: el despliegue recomendado utiliza cuatro GPU NVIDIA H200.
Altar-1 llega en un momento en el que las empresas quieren aplicar inteligencia artificial al análisis de código sin perder el control de sus datos más delicados. Aikido lo presentó el 21 de septiembre como un modelo de pesos disponibles basado en GLM-5.3 y preparado para tareas defensivas, entre ellas revisar código, localizar vulnerabilidades y apoyar pruebas de penetración. Reuters confirmó el lanzamiento y que la tecnología se utilizará en instalaciones de clientes como el banco belga Belfius.
La novedad no consiste en un chatbot de seguridad listo para instalar en cualquier pyme. Es una pieza técnica de gran tamaño para bancos, hospitales, administraciones, industrias y proveedores de ciberseguridad con requisitos estrictos de residencia de datos o redes aisladas de internet. Sus ventajas son relevantes, pero también lo son sus costes, sus riesgos de doble uso y la falta de una evaluación independiente específica del modelo recién publicado.
Qué es Altar-1 y qué problema intenta resolver
Cuando una empresa utiliza un modelo alojado en la nube para auditar software, parte de su contexto puede salir de la red corporativa: fragmentos de código, arquitectura interna, informes de seguridad o detalles de fallos que todavía no tienen parche. Los contratos, las medidas de aislamiento y las políticas de retención pueden reducir ese riesgo, pero algunos sectores regulados ni siquiera pueden aceptar esa transferencia.
Altar-1 pretende ofrecer una alternativa: descargar los pesos y ejecutar la inferencia dentro del entorno controlado por el cliente, incluso en instalaciones sin conexión externa. Aikido lo integra en su dispositivo de pentesting autónomo Aikido Machine y también ha publicado el modelo en Hugging Face con instrucciones para servirlo mediante vLLM.
El concepto encaja con el interés creciente por la IA local, que permite procesar información sin pagar por cada consulta ni enviarla continuamente a la nube. La diferencia es la escala. Mientras que algunos modelos domésticos caben en un ordenador potente, Altar ocupa 328 GB y está pensado para infraestructura empresarial.
Cómo han reducido un modelo de 1,51 TB a 328 GB
Altar-1 parte de GLM-5.3, un modelo de mezcla de expertos de Z.ai. En esta arquitectura existen numerosas redes especializadas, pero solo una parte se activa para procesar cada token. El modelo original dispone de 256 expertos en cada capa correspondiente y selecciona ocho en cada paso.
Aikido aplicó dos técnicas para reducirlo. La primera es la cuantización, que guarda buena parte de los pesos con cuatro bits en lugar de dieciséis. Así, la versión completa de 1.506,7 GB baja a 488,2 GB. La segunda es la poda de expertos mediante REAP, un método desarrollado por Cerebras que estima cuánto contribuye cada experto y elimina los menos útiles para el trabajo previsto.
El resultado conserva 168 de los 256 expertos, aunque continúa activando ocho por token. Aikido utilizó trazas de sus pruebas internas de pentesting, ejemplos de programación, uso de herramientas, razonamiento y textos multilingües para decidir qué capacidades debía preservar. Según la empresa, no empleó datos de clientes en ese proceso.
| Versión | Tamaño de los pesos | Qué cambia |
|---|---|---|
| GLM-5.3 BF16 | 1.506,7 GB | Modelo original a 16 bits |
| GLM-5.3 AWQ INT4 | 488,2 GB | Pesos cuantizados |
| Altar-1 W4A16 | 328 GB | Cuantización y 88 expertos eliminados |
La reducción total frente al modelo BF16 es del 78,2 %. Frente a la versión ya cuantizada, la poda ahorra otros 160 GB, un 32,8 %. Eso facilita el despliegue, pero no lo convierte en un modelo pequeño.
Qué hardware necesita realmente
La ficha técnica recomienda cuatro aceleradores NVIDIA H200 y una versión reciente de vLLM. Los 328 GB de pesos se reparten entre las GPU y dejan memoria para una ventana de contexto de hasta 131.072 tokens y varias solicitudes simultáneas. La propia documentación advierte que requiere arquitectura Hopper, por lo que no es una descarga destinada a una tarjeta gráfica de consumo.
Para una empresa, esto significa comparar el coste de adquirir, alojar y operar el servidor con el de utilizar una API externa. También hay que presupuestar electricidad, refrigeración, mantenimiento, personal especializado, actualizaciones y controles de acceso. Ejecutar un modelo local elimina una vía de transferencia de datos, pero no garantiza por sí solo la seguridad: una configuración deficiente puede exponer el servidor, los registros o el propio código analizado.
Qué puede hacer y qué no demuestra todavía
Aikido evaluó Altar en un conjunto interno de 32 vulnerabilidades conocidas repartidas entre 30 repositorios. El modelo obtuvo un 60,4 % de recuperación media por ejecución y encontró 23 de los 32 fallos al menos una vez después de tres intentos. La versión cuantizada de GLM-5.3 también cubrió 23, con una media del 61,5 %, mientras que el modelo original alcanzó 25 y un 65,6 %.
Las cifras sugieren que la poda conserva buena parte de la capacidad medida, pero deben leerse con cautela. El banco de pruebas, la integración y los resultados proceden del fabricante. No existe todavía una evaluación independiente de Altar-1 que permita compararlo en igualdad de condiciones con otros modelos. Aikido explica además que la prueba mide la redetección dirigida de vulnerabilidades conocidas dentro de una cadena que utiliza otros modelos; no mide el descubrimiento ciego en una base de código completa, la explotación real del fallo ni la calidad de los parches propuestos.
La compañía afirma que Altar identificó una vulnerabilidad crítica válida durante un pentest de producción poco después de desplegarlo. Es un indicio interesante, pero no sustituye a datos reproducibles, una auditoría externa o una muestra amplia de proyectos reales.
Por qué importa para bancos, hospitales e industria
El valor principal no es que Altar sea necesariamente más capaz que un modelo cerrado, sino que puede operar donde una API pública no entra. Una entidad financiera puede mantener el código y los hallazgos dentro de su perímetro; un hospital puede evitar que la arquitectura de sistemas sensibles salga a un tercero; y una planta industrial puede analizar software en una red aislada.
Este enfoque también reduce la dependencia de cambios externos. Un proveedor de nube puede modificar un modelo, retirar una versión, alterar sus precios o limitar una función. Con pesos descargables, la organización puede conservar una versión estable, auditarla y adaptarla a sus procesos, aunque asume la responsabilidad de mantenerla.
La necesidad es real. Los modelos de IA ya han demostrado que pueden localizar vulnerabilidades y encadenar acciones complejas. En Pangea IA explicamos recientemente cómo Gemini llegó a acceder a tres empresas reales durante una evaluación de ciberseguridad. Aquellos incidentes no convierten toda IA defensiva en peligrosa, pero recuerdan que el aislamiento, los permisos mínimos, las redes simuladas y la supervisión humana no son opcionales.
Pesos abiertos no significa riesgo cero ni software completamente abierto
Aikido describe Altar como un modelo de open weights: los pesos se pueden descargar y ejecutar. No debe confundirse automáticamente con «código abierto» en el sentido tradicional. La ficha de Hugging Face marca la licencia como «other» y señala que hereda la licencia de GLM-5.3. Antes de utilizarlo comercialmente, redistribuirlo o modificarlo, cada organización debe revisar esas condiciones y comprobar que encajan con su caso.
También existe un riesgo de doble uso. El Instituto de Seguridad de la IA del Reino Unido comprobó en julio que los mejores modelos de pesos abiertos se habían acercado a entre cuatro y siete meses de los modelos cerrados más avanzados en sus pruebas de capacidades cibernéticas. La misma disponibilidad que permite a los defensores trabajar sin exponer datos dificulta controlar usos maliciosos, retirar copias o imponer filtros una vez difundidos los pesos.
Por eso Altar debe integrarse como una herramienta sometida a reglas, no como un pentester autónomo con acceso ilimitado. La organización necesita entornos de prueba, autorización explícita de los objetivos, separación entre producción y laboratorio, registro de acciones y revisión humana de los hallazgos. Nuestra cobertura de los agentes de IA aplicados a ciberseguridad muestra que su utilidad depende tanto del modelo como de los límites que lo rodean.
Qué debería hacer una empresa antes de plantearse Altar
- Definir el motivo para ejecutarlo en local. La inversión solo tiene sentido si existen datos que no pueden salir, redes aisladas, un volumen elevado o requisitos regulatorios concretos.
- Probarlo con un conjunto propio y controlado. Los porcentajes publicados no predicen el rendimiento en lenguajes, arquitecturas y vulnerabilidades diferentes.
- Calcular el coste total. El servidor es solo una parte: deben incluirse operación, energía, mantenimiento, integración y especialistas.
- Revisar licencia y cadena de suministro. Altar deriva de GLM-5.3 y de una versión cuantizada de terceros; conviene verificar pesos, dependencias, procedencia y actualizaciones.
- Limitar permisos. El modelo no debería tener acceso directo a producción ni capacidad para explotar sistemas fuera de un entorno autorizado.
- Mantener validación humana. Un hallazgo debe reproducirse, priorizarse y corregirse antes de tratarlo como una vulnerabilidad confirmada.
Para la mayoría de pymes, cuatro H200 y un equipo dedicado no serán razonables. Resultará más práctico utilizar servicios gestionados con contratos adecuados, ejecutar modelos mucho más pequeños para tareas limitadas o trabajar con un proveedor que despliegue la tecnología dentro de su infraestructura. La soberanía del dato no consiste necesariamente en comprar GPU; consiste en saber dónde se procesa la información, quién puede acceder a ella y qué controles existen.
Conclusión: una opción especializada, no un antivirus mágico
Altar-1 demuestra que los modelos grandes y especializados pueden comprimirse lo suficiente para funcionar dentro de una infraestructura empresarial sin depender de una API externa. Esa posibilidad es valiosa para sectores regulados y para entornos aislados, y sitúa a una empresa europea en una tendencia importante: la IA soberana aplicada a la ciberseguridad.
Pero el lanzamiento no prueba que Altar detecte cualquier vulnerabilidad ni que sustituya a un equipo de seguridad. Los resultados son internos, el hardware sigue siendo costoso y los pesos abiertos amplían tanto las opciones defensivas como el riesgo de uso indebido. Su interés real está en combinar privacidad, control y especialización; su éxito dependerá de evaluaciones independientes y de despliegues con límites rigurosos.
Fuentes consultadas
- Presentación técnica de Aikido Altar-1, publicada el 21 de septiembre de 2026.
- Ficha del modelo Altar-1 en Hugging Face, consultada el 21 de septiembre de 2026.
- Reuters: lanzamiento de Altar y despliegue empresarial, 21 de septiembre de 2026.
- AI Security Institute del Reino Unido: capacidades cibernéticas de modelos de pesos abiertos, consultado el 21 de septiembre de 2026.
Deja una respuesta