Los agentes de IA no solo necesitan límites sobre lo que pueden hacer. También necesitan límites sobre cuánto pueden gastar, durante cuánto tiempo pueden actuar y cuándo deben pedir autorización.
El 21 de octubre de 2026, The Register publicó una noticia llamativa: Peter Steinberger, creador de OpenClaw y miembro del equipo técnico de OpenAI, estimó que había consumido alrededor de 10 millones de dólares en tokens durante el mes anterior.
La cifra llama la atención, pero hay un detalle todavía más interesante. Steinberger reconoció que no todo ese consumo produjo trabajo útil.
Y, en la misma conversación, cuando se habló de confianza y de qué datos o capacidades deberíamos conceder a un agente, añadió otra idea importante: quizá no queramos darle todos los permisos. Incluso sugirió utilizar otro agente que actúe como autorizador.
Conviene hacer una precisión: los 10 millones de dólares son una estimación declarada por Steinberger, no una cifra auditada públicamente con un desglose de modelos, tokens y cargas de trabajo. Pero el número concreto no es lo importante. Lo importante es el problema que deja al descubierto.
Cuando damos autonomía a un agente, delegamos simultáneamente autoridad técnica y capacidad de consumo.
Hasta ahora hemos tratado ambas cosas como problemas distintos. IAM se ocupa de permisos. FinOps se ocupa de costes. Con los agentes, esa separación empieza a resultar insuficiente.
Un agente no es simplemente un chatbot más inteligente
En una interacción tradicional con un modelo generativo, el usuario conserva gran parte del control operativo:
Usuario → prompt → modelo → respuesta
Hay excepciones, pero el número de llamadas suele estar relativamente acotado y la acción termina cuando recibimos la respuesta.
Un agente cambia este modelo. Le damos un objetivo y permitimos que decida cómo alcanzarlo:
Objetivo
↓
Agente
├── llamada al modelo
├── consulta una API
├── utiliza una herramienta MCP
├── vuelve a razonar
├── lanza un subagente
├── reintenta una operación
├── valida el resultado
└── continúa hasta completar la tarea
Esto aporta autonomía, pero también rompe una suposición importante: una petición del usuario ya no equivale a una operación.
Una sola tarea puede desencadenar decenas o cientos de llamadas a modelos, APIs, motores de búsqueda, bases de datos, herramientas internas y otros agentes. Si el bucle no está correctamente limitado, el agente puede seguir trabajando mucho después de haber dejado de aportar valor.
OWASP recoge este riesgo de forma explícita en su AI Agent Security Cheat Sheet. Entre los riesgos aparece el Denial of Wallet (DoW): provocar costes excesivos de API o cómputo mediante bucles no acotados. Entre las medidas recomendadas están precisamente los límites de tokens, coste, reintentos y cadenas de herramientas.
Least privilege ya no debería referirse solo a permisos
En seguridad cloud llevamos años aplicando el principio de mínimo privilegio:
Una identidad debe disponer únicamente de los permisos necesarios para realizar su función.
Con los agentes necesitamos ampliar ese principio.
Imaginemos un agente que investiga alertas de seguridad. Puede necesitar acceso de lectura al SIEM, consultar CloudTrail, buscar indicadores de compromiso y utilizar una API de threat intelligence. Pero eso no significa que deba tener permiso para eliminar recursos, modificar políticas IAM o ejecutar cualquier comando del sistema.
Hasta aquí, nada nuevo.
Ahora añadamos otra dimensión:
Permisos técnicos
------------------
Leer logs: SÍ
Consultar SIEM: SÍ
Modificar IAM: NO
Eliminar recursos: NO
Permisos económicos
-------------------
Coste por tarea: ¿sin límite?
Llamadas al modelo: ¿sin límite?
Reintentos: ¿sin límite?
Subagentes: ¿sin límite?
Tiempo de ejecución: ¿sin límite?
Un agente puede respetar perfectamente sus permisos IAM y, aun así, generar un incidente económico.
Por eso resulta útil introducir un concepto adicional: economic least privilege, o mínimo privilegio económico.
Un agente debería recibir no solo la mínima autoridad técnica necesaria, sino también el mínimo presupuesto operativo necesario para realizar su función.
Un presupuesto es también una frontera de seguridad
Supongamos que un agente recibe una alerta y genera diez hipótesis. Para cada una lanza un subagente. Cada subagente realiza veinte búsquedas, varias consultas a herramientas y diferentes llamadas al modelo para revisar sus conclusiones.
El árbol puede crecer rápidamente:
1 investigación
↓
10 hipótesis
↓
10 subagentes
↓
20 búsquedas por subagente
↓
LLM + herramientas + validaciones + reintentos
↓
Cientos o miles de operaciones
Ninguna de esas operaciones tiene por qué ser maliciosa. El problema puede ser simplemente una combinación de planificación ineficiente, criterios de finalización deficientes y ausencia de límites.
El control de coste debería formar parte de la política del agente igual que sus permisos:
agent: vulnerability-researcher
permissions:
github:
read: true
write: false
cloud_logs:
read: true
economic_policy:
max_cost_per_task: 2.00
max_cost_per_day: 20.00
max_model_calls: 50
max_tool_calls: 100
max_subagents: 3
max_execution_time: 15m
approval_required:
cost_above: 2.00
destructive_action: true
external_write: true
La sintaxis es solo ilustrativa. Lo importante es el patrón: la autonomía debe tener un presupuesto explícito.
Identidad de agente: una nueva workload identity
Este problema no es únicamente económico. También afecta directamente a IAM.
Los agentes empiezan a comportarse como una nueva clase de identidad no humana. No son exactamente usuarios ni simples service accounts. Pueden recibir un objetivo, decidir qué herramientas utilizar, delegar tareas y actuar en nombre de una persona o de una aplicación.
NIST está estudiando precisamente este problema. En 2026 publicó un concept paper sobre identidad y autoridad de agentes de software, con el objetivo de aplicar estándares y buenas prácticas de identidad a aplicaciones de Agentic AI. El punto de partida es claro: si un agente tiene acceso a datos, herramientas y aplicaciones, necesitamos mecanismos adecuados de identificación y autorización.
Podemos representar la evolución de forma sencilla:
Usuario
↓
Service account
↓
Workload identity
↓
AI agent identity
Pero el agente introduce una diferencia importante: no solo utiliza una credencial. Decide dinámicamente cuándo y cómo utilizarla.
No confundir alcance con autorización
Que un agente pueda llegar técnicamente a un recurso no significa que esté autorizado a utilizarlo.
Esta distinción es especialmente importante cuando añadimos herramientas mediante APIs, plugins o MCP. Una integración puede exponer muchas más funciones de las que necesita un caso de uso concreto.
OWASP denomina Excessive Agency al riesgo derivado de conceder funcionalidad, permisos o autonomía excesivos. El problema puede aparecer aunque el modelo no haya sido atacado: basta con una alucinación, una instrucción ambigua o una mala decisión del propio agente.
OpenClaw aplica este mismo principio en su documentación de seguridad: recomienda sandboxing, allowlists estrictas, perfiles de acceso por agente y limitar especialmente herramientas de alto riesgo como ejecución, navegador o acceso a credenciales.
El patrón debería ser el contrario al tradicional “dale acceso y ya restringiremos después”:
Por defecto: sin acceso
↓
Añadir solo las herramientas necesarias
↓
Restringir cada herramienta
↓
Separar lectura y escritura
↓
Solicitar aprobación para acciones sensibles
¿Puede un agente autorizar a otro agente?
La propuesta de Steinberger de utilizar un agente para autorizar a otro es interesante. Un segundo modelo puede aportar contexto y detectar que una acción es innecesaria, demasiado costosa o desproporcionada.
Pero existe un límite importante.
No deberíamos convertir un modelo probabilístico en la única frontera de autorización de otro modelo probabilístico.
Un agente de autorización puede ayudar a evaluar una petición, pero las acciones críticas deberían seguir sujetas a controles deterministas independientes.
Por ejemplo:
Agente
↓ solicita acción
Capa de control
├── IAM / policy engine
├── presupuesto
├── rate limit
├── clasificación de riesgo
└── human approval cuando proceda
↓
Herramienta / API
Si el agente pide eliminar doscientos recursos cloud y el “agente autorizador” considera que la acción parece razonable, una política IAM o una approval gate debería poder seguir respondiendo DENIED.
Esta separación entre decisión y ejecución también aparece en las recomendaciones de OWASP para agentes: no confiar únicamente en la salida del modelo para decisiones de autorización y exigir validación independiente en operaciones de alto impacto.
El control plane de un agente
A medida que los agentes ganan autonomía, necesitamos pensar en una capa de control alrededor de ellos. No basta con proteger el modelo.
AI Agent
│
┌────────────┼────────────┐
│ │ │
Identity Budget Tool policy
│ │ │
├────────────┼────────────┤
│ │ │
IAM Rate limits Approval gates
│ │ │
└────────────┼────────────┘
│
Audit / Observability
│
Kill switch
Ese control plane debería responder, como mínimo, a estas preguntas:
- ¿Qué identidad utiliza el agente?
- ¿En nombre de quién está actuando?
- ¿A qué datos puede acceder?
- ¿Qué herramientas puede utilizar?
- ¿Qué operaciones son solo lectura y cuáles modifican estado?
- ¿Cuánto puede gastar por tarea y por periodo?
- ¿Cuántas veces puede reintentar?
- ¿Puede crear subagentes?
- ¿Qué acciones necesitan aprobación humana?
- ¿Podemos reconstruir después exactamente qué hizo?
- ¿Existe un mecanismo que detenga la ejecución y revoque sus credenciales?
La observabilidad también cambia. Ya no basta con registrar la petición inicial y la respuesta final. Necesitamos correlacionar llamadas al modelo, decisiones, herramientas, identidades, costes y cambios realizados sobre los sistemas.
FinOps empieza a formar parte de la seguridad de Agentic AI
Cloud Security y FinOps ya estaban relacionados: un recurso comprometido puede utilizarse para cryptomining, exfiltración o consumo fraudulento. Con Agentic AI, la relación se vuelve todavía más directa.
El gasto no deseado puede proceder de un atacante, pero también de un agente que está haciendo exactamente aquello para lo que fue diseñado, solo que de una manera demasiado agresiva.
Esto obliga a tratar el presupuesto como una política de ejecución, no únicamente como una alerta financiera que revisaremos al final del mes.
Una alarma presupuestaria que llega después del consumo sirve para FinOps. Un límite que detiene una ejecución antes de exceder el presupuesto sirve también para seguridad.
La autonomía necesita límites independientes del modelo
La cifra de 10 millones de dólares de OpenClaw es espectacular, pero no es la lección principal.
La verdadera cuestión es qué ocurrirá cuando los agentes que hoy utilizamos para programar, investigar o resumir información empiecen a operar de forma continua sobre correo, sistemas cloud, repositorios, herramientas corporativas y procesos de negocio.
Entonces ya no bastará con preguntar si el modelo es bueno o si el prompt está bien escrito.
Tendremos que preguntar:
¿Quién es este agente?
¿Qué puede hacer?
¿Con qué credenciales?
¿En nombre de quién?
¿Durante cuánto tiempo?
¿Cuántas acciones puede ejecutar?
¿Cuánto puede gastar?
¿Qué necesita aprobación?
¿Quién puede detenerlo?
¿Podemos auditar todo lo que hizo?
La seguridad de los agentes no puede depender exclusivamente de que el modelo “tome buenas decisiones”. Debe apoyarse en controles que el propio agente no pueda saltarse ni reescribir.
Autonomía sin límites no es inteligencia. Es exposición técnica y financiera sin control.
Referencias
- The Register — OpenClaw creator says he spent $10 million in tokens last month
- OWASP — AI Agent Security Cheat Sheet
- OWASP — Excessive Agency
- NIST — Identity and Authority of Software Agents
- OpenClaw — Security documentation
¿Te interesa la seguridad en Cloud?
Comparto análisis técnicos, laboratorios prácticos y experiencias reales sobre Cloud Security.