L'anàlisi de malware exigeix velocitat, precisió i capacitat per interpretar informes complexos de detonació que abasten comportaments de fitxers, xarxa i processos. Tradicionalment, els models de llenguatge de gran escala (LLMs) han estat l'eina predilecta per a aquesta tasca, gràcies a la seva capacitat per comprendre artefactes tècnics. No obstant això, la seva opacitat i els elevats costos d'API dels models frontera de pes tancat han impulsat la recerca d'alternatives més accessibles. En aquest context, els models de llenguatge petits (SLMs) emergeixen com una opció prometedora, tot i que de forma individual el seu rendiment és limitat. El que canvia el paradigma és l'orquestració d'aquests SLMs: un conjunt de models petits col·laborant en arquitectures específiques pot igualar i fins i tot superar el rendiment d'un únic LLM de gran mida. Aquesta troballa, recolzada per investigacions recents, obre noves possibilitats per a empreses que necessiten solucions de ciberseguretat eficients i assequibles.
La investigació va comparar onze SLMs de codi obert, tres models preentrenats en ciberseguretat i sis LLMs frontera utilitzant el benchmark CyberSecEval Malware Analysis de Meta. Els resultats van ser contundents: mentre que els SLMs individuals mostraven una precisió modesta, les arquitectures orquestrades oferien millores significatives. Quatre esquemes van ser avaluats: un pipeline multiagent que descompon l'anàlisi en etapes de recollida d'evidència i raonament; un debat adversarial on dos agents critiquen els seus raonaments de forma iterativa; un sistema jeràrquic de consulta que combina un SLM generalista amb un expert en ciberseguretat; i una arquitectura híbrida que fusiona el pipeline basat en evidència amb el debat adversarial. Aquest últim sistema (Qwen3-4B amb Foundation-Sec-8B) va assolir un 35,30% de precisió global, superant el millor model especialitzat (22,54%) i el millor LLM frontera sense ancoratge a evidència (34,77%). Només quan es va aplicar el mateix pipeline d'evidència, el model Gemini ancorat va aconseguir un 38,22%, demostrant que la clau no és la mida del model sinó l'estratègia de col·laboració.
Imaginem l'escenari en una empresa que gestiona grans volums d'informes de detonació. Un SLM individual pot no tenir la capacitat de raonament necessària per detectar patrons complexos d'atac. No obstant això, en orquestrar diversos SLMs amb rols específics —un que recull fets de l'informe, un altre que debat possibles conclusions i un tercer que valida la coherència— s'aconsegueix un nivell d'anàlisi que rivalitza amb els LLMs més cars. Aquesta aproximació redueix dràsticament els costos d'infraestructura, ja que els SLMs requereixen menys recursos computacionals i poden executar-se en entorns locals o al núvol amb instàncies més lleugeres. Per a les empreses que busquen aplicacions a mida en ciberseguretat, aquesta tecnologia suposa un avantatge competitiu: integrar intel·ligència artificial d'alt rendiment sense dependre d'API costoses.
Des d'una perspectiva tècnica, l'orquestració de SLMs no és trivial. Requereix dissenyar arquitectures d'agents que es comuniquin, comparteixin evidència i arribin a un consens. A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, hem treballat en la implementació de sistemes multiagent per a tasques d'anàlisi de dades, incloent la integració de IA en processos de ciberseguretat. La nostra experiència mostra que la combinació de SLMs especialitzats amb pipelines d'evidència pot oferir resultats robustos, especialment quan es despleguen en infraestructures cloud com AWS o Azure. L'escalabilitat del núvol permet ajustar dinàmicament els recursos segons la càrrega de treball, mentre que les eines de BI com Power BI faciliten la visualització de les troballes dels agents. Per exemple, un pipeline que extreu esdeveniments de xarxa, un altre que analitza canvis al sistema de fitxers i un tercer que correlaciona comportaments sospitosos pot ser orquestrat mitjançant serveis serverless, minimitzant costos i maximitzant l'eficiència.
La rellevància d'aquest enfocament va més enllà de la ciberseguretat. La capacitat d'orquestrar models petits per resoldre tasques complexes és un avenç fonamental per al desenvolupament d'agents IA en múltiples dominis. En l'àmbit empresarial, això es tradueix en la possibilitat de crear assistents virtuals que col·laborin entre si per processar documentació tècnica, generar informes financers o analitzar dades de vendes. Q2BSTUDIO ofereix serveis d'automatització que integren aquestes arquitectures d'agents, permetent a les organitzacions optimitzar processos sense necessitat de grans inversions en hardware o llicències. A més, la seguretat de la informació es beneficia directament: els models petits poden ser auditats i controlats amb més facilitat, reduint el risc de biaixos o filtres de dades, quelcom crític en sectors regulats.
Un altre aspecte clau és la sostenibilitat. Els LLMs d'última generació consumeixen enormes quantitats d'energia, la qual cosa contrasta amb l'eficiència dels SLMs orquestrats. Per a una empresa compromesa amb la reducció de la seva petjada de carboni, optar per arquitectures de models petits no només és rendible, sinó també responsable. A Q2BSTUDIO, promovem l'ús de tecnologies eficients i oferim consultoria en cloud AWS/Azure perquè les empreses migrin les seves càrregues de treball d'IA a entorns optimitzats. La combinació de cloud computing amb SLMs orquestrats permet escalar segons demanda, pagar només pel que s'utilitza i mantenir alts nivells de rendiment.
Pel que fa a les eines d'anàlisi de negoci, la integració de BI amb aquests sistemes d'agents és natural. Els informes generats pels SLMs poden alimentar dashboards de Power BI, proporcionant als equips de seguretat una visió clara de les amenaces detectades i les decisions preses pels agents. Això facilita la presa de decisions informades i la millora contínua dels models. Q2BSTUDIO ha desenvolupat solucions personalitzades que connecten pipelines d'agents IA amb plataformes de BI, oferint als clients una finestra en temps real a l'estat de la seva ciberseguretat. La sinergia entre BI/Power BI i els SLMs orquestrats és un exemple de com la tecnologia pot integrar-se de forma coherent per resoldre problemes complexos.
No obstant això, el camí cap a l'adopció generalitzada d'aquestes arquitectures no està exempt de desafiaments. La latència en la comunicació entre agents, la necessitat d'un disseny acurat dels prompts i la gestió de la memòria compartida són aspectes que requereixen experiència tècnica. Les empreses que desitgin implementar aquests sistemes necessiten un soci tecnològic que entengui tant la teoria com la pràctica. Q2BSTUDIO, amb el seu equip multidisciplinari, està preparat per acompanyar les organitzacions en aquest procés, des de la conceptualització fins al desplegament en producció. Oferim serveis de ciberseguretat avançada, incloent proves de penetració i anàlisi de vulnerabilitats, que poden complementar-se amb sistemes d'agents IA per a una defensa més proactiva.
En conclusió, l'orquestració de SLMs representa un canvi de paradigma en l'anàlisi de malware i, per extensió, en moltes altres àrees de la intel·ligència artificial aplicada. La clau no està en la mida del model, sinó en com es combinen i estructuren per col·laborar. Els resultats de la investigació confirmen que un conjunt de models petits, ben organitzats, pot superar un sol model gegant, amb menors costos i major transparència. Per a les empreses que busquen solucions de programari a mida, IA, ciberseguretat i cloud, aquesta és una oportunitat per innovar sense comprometre el pressupost. A Q2BSTUDIO, creiem en el poder de la col·laboració —entre models i entre persones— per construir un futur tecnològic més eficient i segur.
