La Learning Network.

• Quince personas adversariales cubren todos los tipos de amenaza canónicos en los cuatro checkpoints de Safe House, incluido un topo de cadena de suministro en inside.integrity.
• El mutation-phase gating deja evolucionar los ataques solo mientras la detección por bucket se mantiene sobre el umbral, con histéresis sostenida para evitar oscilaciones, evaluado de forma independiente por substrate fingerprint.
• El tráfico del arena corre por su propia ruta de escritura aislada, separada de la señal de producción, de modo que los ataques sintéticos nunca puedan contaminar los datos de los clientes. El aislamiento se aplica del lado del servidor, no por convención.

• Los clientes reportan fallos (falsos negativos) y bloqueos excesivos (falsos positivos) directamente desde el dashboard o a través de la API de report.
• Cada informe llega a la misma cola de revisión que alimenta el arena: una única cola compartida, una pipeline firmada, sin importar de dónde proceda la señal.
• Calm-at-GA: esta señal existe porque los falsos positivos son inevitables. El mutation-phase gating y el auto-rollback ante falsos positivos se construyen sobre el supuesto de que nos equivocaremos, y de que usted nos lo dirá cuando ocurra.

• La red mantiene estadísticas móviles para cada substrate fingerprint: la combinación de proveedor, modelo y SDK sobre la que corre un agente. Cada evaluación de la red se estampa con esa fingerprint.
• Cuando eventos de seguridad aparentemente no relacionados en distintos clientes comparten una substrate fingerprint, el agregador los enlaza en una única firma de campaña: la vista multi-tenant que ningún cliente individual puede ver por sí solo. En producción.
• Esto es lo que nadie más en el mercado tiene. Los guardrails de los hyperscalers, los detectores in-process y los proxies por tenant ven un cliente a la vez. El agregador ve a través de todos ellos.

AEGIS ve desviación de comportamiento atribuida al sustrato a través de cada cliente que corre sobre la misma combinación provider/model/SDK. El flujo de evaluación de un cliente que hace emerger anomalías eleva la protección para cualquier otro cliente sobre ese sustrato — en OpenAI, Anthropic, Gemini o cualquier modelo local situado tras el gateway.

AEGIS es la capa de red. Los clientes que usan Lakera Guard, NeMo Guardrails, Cloudflare WAF, AWS Bedrock Guardrails o Robust Intelligence pueden ejecutar AEGIS en paralelo — complementa; no reemplaza. Capa distinta, señal distinta.

AAP hace pública la intención del agente — transparencia, no confianza. AIP entrega los verdicts de integridad en vuelo. CLPI gobierna el ciclo de vida de la card. AEGIS firma las defensas multi-tenant que actúan sobre la imagen integrada. Ninguna capa pretende ser la anterior.