Los ejercicios tabletop (TTX) se han convertido en un pilar de la formación en ciberseguridad dentro de la educación informática. Estas dinámicas permiten que los estudiantes, organizados en equipos, enfrenten incidentes simulados donde deben coordinar acciones, comunicarse eficazmente y tomar decisiones bajo presión. Sin embargo, la evaluación de su rendimiento plantea desafíos significativos debido a la naturaleza abierta y no lineal de las soluciones. Los instructores suelen basarse en rúbricas subjetivas o en observaciones manuales, lo que retrasa la retroalimentación y limita la escalabilidad de los programas formativos.
Investigaciones recientes, como la publicada en arXiv (2607.19209), han propuesto dos métodos automatizados para evaluar equipos en TTX: el clustering y los modelos de lenguaje de gran escala (LLM). El primero agrupa a los equipos según sus estrategias y patrones de comportamiento, permitiendo a los instructores ofrecer retroalimentación personalizada a cada grupo sin necesidad de revisar cada equipo individualmente. Este enfoque demostró ser válido y fiable, con bajos requerimientos computacionales. Por otro lado, los LLM como GPT-4o y GPT-5.2 se utilizaron para puntuar la comunicación de los equipos basándose en rúbricas estandarizadas. Mientras que GPT-4o mostró discrepancias frecuentes con las notas de los instructores, GPT-5.2 logró un error considerablemente menor, acercándose más a la evaluación humana.
Estos métodos se han integrado en INJECT, una plataforma de código abierto para TTX, lo que facilita su adopción en entornos educativos. La posibilidad de automatizar la evaluación no solo acelera el proceso, sino que también proporciona datos objetivos que pueden ser analizados con herramientas de Business Intelligence. Aquí es donde empresas como Q2BSTUDIO entran en juego. Con experiencia en el desarrollo de aplicaciones a medida y soluciones cloud, Q2BSTUDIO puede ayudar a construir plataformas TTX personalizadas que integren clustering y LLM de forma eficiente.
La infraestructura tecnológica es clave para escalar este tipo de evaluaciones. El uso de servicios cloud como AWS o Azure permite manejar grandes volúmenes de datos generados por los equipos durante los ejercicios, garantizando disponibilidad y rendimiento. Además, la implementación de agentes de IA puede enriquecer la experiencia: agentes autónomos que monitoreen la comunicación en tiempo real, detecten desviaciones en la estrategia o incluso simulen roles dentro del escenario. La inteligencia artificial no solo mejora la precisión de la evaluación, sino que también abre la puerta a la retroalimentación adaptativa, ajustando la dificultad del ejercicio según el desempeño del equipo.
Otro aspecto relevante es el análisis de los resultados mediante cuadros de mando basados en Power BI. Visualizar métricas como el tiempo de respuesta, la frecuencia de comunicación o la efectividad de las decisiones tomadas permite a los instructores identificar patrones y áreas de mejora tanto a nivel individual como grupal. Q2BSTUDIO, con su experiencia en BI y desarrollo de software, puede diseñar dashboards personalizados que integren los datos de los TTX y faciliten la toma de decisiones pedagógicas.
El futuro de la evaluación en ejercicios tabletop pasa por la combinación de métodos cuantitativos (clustering) y cualitativos (LLM), apoyados en una infraestructura cloud robusta y en la capacidad de los agentes IA para adaptarse dinámicamente. Las empresas de desarrollo tecnológico, como Q2BSTUDIO, están en una posición privilegiada para crear soluciones llave en mano que no solo automaticen la evaluación, sino que transformen la experiencia educativa. La colaboración entre investigadores y desarrolladores es esencial para cerrar la brecha entre la teoría y la práctica, permitiendo que los estudiantes reciban una retroalimentación inmediata y relevante que realmente potencie su aprendizaje en ciberseguridad.
