SOC 2 AI Controls

SOC 2 Type II con Controles AI — Guia Completa de Alineacion

Guia del AI-First Engineering Framework v7.6.0

Version: 2.0.0 | Fecha: Marzo 2026 Estado: ACTIVO Fase: F08 Security — transversal a F07 (TEVV) y F09 (Operations) Referencia consolidada: framework/guides/Compliance_Regulatory_Alignment_Guide.md seccion 7

---

1. Introduccion

SOC 2 (Service Organization Control 2) es un marco de auditoria de la AICPA que evalua controles internos basandose en 5 Trust Services Criteria (TSC). Para sistemas AI agenticos, SOC 2 Type II verifica que los controles operan efectivamente durante un periodo (6-12 meses), cubriendo riesgos especificos de AI como alucinaciones, data leakage, prompt injection y agentes autonomos sin supervision.

1.1 Por que importa para AI

• Confianza del cliente: Demuestra que los agentes AI operan bajo controles auditados
• Prerequisito B2B: SOC 2 es condicion frecuente en contratos enterprise
• AI-specific risks: Modelos AI introducen riesgos que los controles tradicionales no cubren
• Compliance cascade: SOC 2 + ISO 42001 cubren ~85% de los requisitos enterprise

1.2 SOC 2 Type I vs Type II

Aspecto	Type I	Type II
Alcance	Diseno de controles en un punto	Efectividad operativa en un periodo
Duracion	Snapshot	6-12 meses de observacion
Valor	”Tenemos controles"	"Los controles funcionan”
Relevancia AI	Diseno inicial	Operacion continua de agentes

1.3 Scope de esta guia

Esta guia cubre el mapping completo de los 5 TSC al framework Baseline, especificando para cada control:

1. Que artefacto lo satisface
2. Que script genera evidencia automatizada
3. Que template completar en el proyecto
4. Que gaps existen y como remediarlos

---

2. Mapping Completo: Trust Services Criteria al Framework

2.1 CC6: Security (Criterio Comun — Obligatorio)

Principio: Proteger la informacion y los sistemas contra acceso no autorizado, destruccion o modificacion.

Control	Descripcion	Artefacto Framework	Script de Evidencia	Template Proyecto	Status
CC6.1	Control de acceso logico	settings.json permissions, .claude/rules/ deny lists	—	.claude/settings.json	Compliant
CC6.1-AI	Control de acceso a herramientas AI	.fab-config.yaml tool restrictions, AGENTS.md Never list	mcp-security-audit.py	F08_security/mcp_security_policy.yaml	Compliant
CC6.2	Gestion de credenciales	Pre-commit hook (secret scanning), .claudeignore	Pre-commit hook logs	.claude/hooks/pre_commit	Compliant
CC6.3	Testing de seguridad	sast-sca-scanner.py, owasp-asi-checker.py	sast-sca-scanner.py -d project, owasp-asi-checker.py -d project	F08_security/sast_sca_config.yaml	Compliant
CC6.4	Amenazas externas	mcp-security-audit.py (transport, auth, trust)	mcp-security-audit.py	F08_security/mcp_security_policy.yaml	Compliant
CC6.5	Gestion de cambios	Gate system (gate-check.sh), PR reviews	gate-check.sh <track> all	project-config.yaml (gates section)	Compliant
CC6.6	Gestion de vulnerabilidades	sast-sca-scanner.py (SCA: npm/pip/go audit)	sast-sca-scanner.py -d project --sca	F08_security/sast_sca_config.yaml	Compliant
CC6.7	Respuesta a incidentes de seguridad	fab-kill-switch.sh, incident_reporting_plan.yaml	fab-kill-switch.sh --test	F08_security/incident_reporting_plan.yaml	Compliant
CC6.8	Registro de eventos de seguridad	Git log + script outputs (JSON)	dora-metrics.py (AI attribution)	—	Partial

CC6 — Evidencia automatizada

# CC6.3: Reporte SAST/SCA completo
python3 scripts/sast-sca-scanner.py -d project -o F08_security/sast_report.json

# CC6.3: Verificacion OWASP ASI
python3 scripts/owasp-asi-checker.py -d project

# CC6.4: Auditoria de seguridad MCP
python3 scripts/mcp-security-audit.py

# CC6.5: Verificacion de gates
bash scripts/gate-check.sh <track> all

# CC6.6: Solo SCA (dependencias)
python3 scripts/sast-sca-scanner.py -d project --sca-only

CC6 — Gaps y remediacion

Gap	Severidad	Remediacion	Esfuerzo
CC6.8: No hay formato estandarizado de audit log	Media	Crear audit_log_config.yaml con formato (timestamp, actor, action, resource, outcome), retencion 12 meses	1 sprint
CC6.1-AI: Revision periodica de permisos de agentes	Baja	Establecer revision trimestral de settings.json y .fab-config.yaml	Procedimiento

---

2.2 CC7: Availability

Principio: Los sistemas estan disponibles para operacion y uso segun lo comprometido.

Control	Descripcion	Artefacto Framework	Script de Evidencia	Template Proyecto	Status
CC7.1	Monitoreo de disponibilidad	fab-health-check.sh, fab-feedback-loop.py	fab-health-check.sh (cada 15 min)	F09_operations/operating_baseline.yaml	Compliant
CC7.2	Respuesta a incidentes	fab-kill-switch.sh (emergency stop + graceful shutdown)	fab-kill-switch.sh --test	F08_security/incident_reporting_plan.yaml	Compliant
CC7.3	Recuperacion	Checkpoint protocol (HANDOFF.md cada 60 min), git worktrees	Git log de checkpoints	HANDOFF.md	Compliant
CC7.4	Continuidad del negocio	fab-cost-guard.py circuit breakers (green/yellow/red/critical)	fab-cost-guard.py --report	.fab-config.yaml (budget section)	Compliant
CC7.5	Gestion de capacidad	.fab-config.yaml budget limits, fab-cost-guard.py	fab-cost-guard.py --report	.fab-config.yaml	Compliant

CC7 — Evidencia automatizada

# CC7.1: Health check de FABs activos
bash scripts/fab-health-check.sh

# CC7.2: Test de kill switch (dry-run)
bash scripts/fab-kill-switch.sh --test

# CC7.4: Reporte de cost guard
python3 scripts/fab-cost-guard.py --report

# CC7.1 + CC7.5: Metricas operativas con AI attribution
python3 scripts/dora-metrics.py

CC7 — Gaps y remediacion

Gap	Severidad	Remediacion	Esfuerzo
Plan formal de continuidad para factories	Media	Documentar BCP para escenario de caida completa de factory (failover, recovery time)	2 sprints
SLA de disponibilidad documentado	Baja	Completar F09_operations/slo_baseline.yaml con SLAs especificos de agentes AI	1 sprint

---

2.3 CC8: Processing Integrity

Principio: El procesamiento de datos es completo, valido, exacto, oportuno y autorizado.

Control	Descripcion	Artefacto Framework	Script de Evidencia	Template Proyecto	Status
CC8.1	Validacion de entrada	artifact-validator.py (42 schemas), validate-intent.py	artifact-validator.py -d project, validate-intent.py	Schemas en scripts/schemas/	Compliant
CC8.2	Controles de procesamiento	compliance-linter.py (15 reglas), gate system	compliance-linter.py -d project -t <track>	F08_security/compliance_matrix.yaml	Compliant
CC8.3	Validacion de salida	Eval framework (compare-evals.py), eval scorecards	compare-evals.py	F07_tevv/evaluation_scorecard.yaml	Compliant
CC8.4	Manejo de errores	Gate system (A-F + DG), FAB blocker rules	gate-check.sh <track> all, fab-gate-check.py	project-config.yaml (gates)	Compliant
CC8.5	Completitud del procesamiento	fab-gate-check.py confidence scoring, acceptance criteria	fab-gate-check.py	progress-tracker.md	Compliant
CC8.6	Integridad de datos en transito	MCP transport security (HTTPS/stdio), tool annotations	mcp-security-audit.py	F08_security/mcp_security_policy.yaml	Compliant

CC8 — Evidencia automatizada

# CC8.1: Validacion de artefactos contra schemas
python3 scripts/artifact-validator.py -d project

# CC8.2: Score de compliance
python3 scripts/compliance-linter.py -d project -t <track>

# CC8.3: Comparacion de evals
python3 scripts/compare-evals.py

# CC8.4 + CC8.5: Verificacion de gates con scoring de confianza
python3 scripts/fab-gate-check.py -d project

# CC8.6: Auditoria de transporte MCP
python3 scripts/mcp-security-audit.py

CC8 — Gaps y remediacion

Gap	Severidad	Remediacion	Esfuerzo
No hay reporte de reconciliacion de datos procesados vs esperados	Baja	Implementar validation summary en fab-feedback-loop.py output	1 sprint

---

2.4 CC9: Confidentiality

Principio: La informacion designada como confidencial esta protegida segun lo comprometido.

Control	Descripcion	Artefacto Framework	Script de Evidencia	Template Proyecto	Status
CC9.1	Clasificacion de datos	data_classification.yaml (4 niveles: public, internal, restricted, prohibited)	compliance-linter.py (regla DG)	data_classification.yaml	Compliant
CC9.2	Integridad de modelos AI	aibom-generator.py + compare-evals.py + dora-metrics.py	Ver seccion 3 (CC9.2 detallado)	F08_security/aibom.yaml, F07_tevv/evaluation_scorecard.yaml	Compliant
CC9.3	Restriccion de acceso	.claudeignore, settings.json permissions, boundary rules (AGENTS.md Never list)	mcp-security-audit.py	.claudeignore, AGENTS.md	Compliant
CC9.4	Politicas de eliminacion	Data Governance Guide (retencion), data_classification.yaml retention fields	—	data_classification.yaml	Partial
CC9.5	Proteccion en comparticion	.fab-coordination.yaml file-locking, zero trust inter-agent	fab-coordinator.py	.fab-coordination.yaml	Compliant

CC9 — Evidencia automatizada

# CC9.1: Verificar clasificacion de datos
python3 scripts/compliance-linter.py -d project -t <track>

# CC9.2: Generar AIBOM
python3 scripts/aibom-generator.py -d project

# CC9.2: Metricas DORA con AI attribution
python3 scripts/dora-metrics.py

# CC9.2: Evaluar integridad de modelo via scorecards
python3 scripts/compare-evals.py

CC9 — Gaps y remediacion

Gap	Severidad	Remediacion	Esfuerzo
CC9.4: No hay procedimiento formal de data disposal	Media	Agregar campos retention_period y disposal_method a data_classification.yaml, documentar procedimiento	1 sprint

---

2.5 Privacy (Criterio Adicional)

Principio: La informacion personal se recolecta, usa, retiene, divulga y destruye de acuerdo con los compromisos de la organizacion.

Control	Descripcion	Artefacto Framework	Script de Evidencia	Template Proyecto	Status
P1	Notice (aviso)	ai_transparency_disclosure.yaml	compliance-linter.py (regla transparency)	F08_security/ai_transparency_disclosure.yaml	Compliant
P2	Consent (consentimiento)	Data Governance Guide (consent tracking)	—	data_classification.yaml (consent fields)	Partial
P3	Collection (recoleccion)	data_provenance_registry.yaml (fuentes, metodo, proposito)	compliance-linter.py (regla provenance)	data_provenance_registry.yaml	Compliant
P4	Use, retention & disposal	data_classification.yaml (niveles + politicas)	compliance-linter.py	data_classification.yaml	Partial
P5	Access (acceso del individuo)	—	—	—	Non-compliant
P6	Disclosure to third parties	data_provenance_registry.yaml (third-party fields)	—	data_provenance_registry.yaml	Partial
P7	Quality (calidad de datos)	Eval scorecards, data validation	artifact-validator.py	F07_tevv/evaluation_scorecard.yaml	Partial
P8	Monitoring & enforcement	fab-feedback-loop.py, compliance-linter.py	compliance-linter.py, fab-feedback-loop.py	F09_operations/operating_baseline.yaml	Partial

Privacy — Gaps y remediacion

Gap	Severidad	Remediacion	Esfuerzo
P2: No hay mecanismo formal de tracking de consentimiento	Media	Agregar seccion consent_tracking a data_classification.yaml con fecha, metodo, scope	1 sprint
P4: Politicas de retencion incompletas	Media	Completar retention_period y disposal_method por cada clase de datos	Procedimiento
P5: No hay mecanismo de acceso/rectificacion del individuo	Alta	Crear template data_subject_access_request.yaml con procedimiento DSAR	2 sprints
P6: Disclosure a terceros no sistematizado	Media	Agregar campo third_party_sharing a data_provenance_registry.yaml	1 sprint
P7/P8: Monitoreo de calidad de datos parcial	Baja	Extender evals para incluir data quality checks	1 sprint

---

3. CC9.2 AI Model Integrity — Detalle Especial

La AICPA publico en 2026 guidance adicional para evaluar la integridad de modelos AI bajo CC9.2. El framework satisface los tres pilares de evidencia:

3.1 Pilar 1: Model Inventory (AIBOM)

El AI Bill of Materials es la evidencia principal de inventario:

# Generar AIBOM automaticamente desde artefactos del proyecto
python3 scripts/aibom-generator.py -d project

Template: project/F08_security/aibom.yaml Contenido: Modelos usados, versiones, provenance, licencias, risk level Frecuencia: Cada release o cambio de modelo

3.2 Pilar 2: Model Testing (Eval Scorecards)

Los eval scorecards demuestran testing continuo de modelos:

# Comparar resultados de evaluaciones (detecta regresiones)
python3 scripts/compare-evals.py

Template: project/F07_tevv/evaluation_scorecard.yaml Contenido: Metricas de quality, safety, cost, latency por modelo Frecuencia: Cada release, minimo trimestral

3.3 Pilar 3: Operational Monitoring (DORA + AI Attribution)

Las metricas DORA con atribucion AI evidencian monitoreo continuo:

# Metricas DORA con porcentaje de trabajo AI
python3 scripts/dora-metrics.py

Template: project/F09_operations/dora_metrics_config.yaml Contenido: Deployment frequency, lead time, MTTR, change failure rate, AI attribution % Frecuencia: Continuo (CI/CD), reporte mensual

3.4 Relacion CC6.1 con .fab-coordination.yaml y settings.json

El control de acceso logico para agentes AI se implementa en dos niveles:

1. settings.json permissions: Define que herramientas puede usar cada agente, que archivos puede modificar, y que operaciones requieren aprobacion humana.
2. .fab-coordination.yaml: Define file-locking entre agentes, inbox routing, y task decomposition — asegurando que multiples agentes no corrompan datos simultaneamente.

Juntos, estos artefactos satisfacen CC6.1 para escenarios multi-agente donde el “usuario” es un agente autonomo.

---

4. Generacion Automatizada de Evidencia SOC 2

4.1 Scripts por Trust Services Criteria

TSC	Script	Comando	Frecuencia Recomendada	Output
CC6	sast-sca-scanner.py	python3 scripts/sast-sca-scanner.py -d project	Cada PR	JSON report
CC6	owasp-asi-checker.py	python3 scripts/owasp-asi-checker.py -d project	Cada release	JSON checklist
CC6	mcp-security-audit.py	python3 scripts/mcp-security-audit.py	Mensual	JSON audit
CC6	Pre-commit hook	Automatico en cada commit	Cada commit	Log
CC7	fab-health-check.sh	bash scripts/fab-health-check.sh	Cada 15 min	Log
CC7	fab-kill-switch.sh	bash scripts/fab-kill-switch.sh --test	Mensual	Log
CC7	fab-cost-guard.py	python3 scripts/fab-cost-guard.py --report	Diario	JSON report
CC8	compliance-linter.py	python3 scripts/compliance-linter.py -d project -t <track>	Cada PR	Score report
CC8	artifact-validator.py	python3 scripts/artifact-validator.py -d project	Cada PR	Validation report
CC8	compare-evals.py	python3 scripts/compare-evals.py	Cada release	Scorecard diff
CC8	fab-gate-check.py	python3 scripts/fab-gate-check.py -d project	Cada fase	Confidence scores
CC9	aibom-generator.py	python3 scripts/aibom-generator.py -d project	Cada release	AIBOM YAML
CC9	dora-metrics.py	python3 scripts/dora-metrics.py	Mensual	Metrics report
Privacy	compliance-linter.py	Incluido en run general	Cada PR	Score report

4.2 Script de evidencia integrado

Para generar toda la evidencia SOC 2 de una vez:

#!/bin/bash
# soc2-evidence-run.sh — Genera toda la evidencia SOC 2 del proyecto
set -euo pipefail

PROJECT_DIR="${1:-.}"
TRACK="${2:-lean}"
OUTPUT_DIR="${PROJECT_DIR}/F08_security/soc2_evidence"

mkdir -p "$OUTPUT_DIR"

echo "=== CC6: Security ==="
python3 scripts/sast-sca-scanner.py -d "$PROJECT_DIR" -o "$OUTPUT_DIR/sast_sca_report.json"
python3 scripts/owasp-asi-checker.py -d "$PROJECT_DIR" > "$OUTPUT_DIR/owasp_asi_report.json"
python3 scripts/mcp-security-audit.py > "$OUTPUT_DIR/mcp_audit_report.json"

echo "=== CC7: Availability ==="
bash scripts/fab-health-check.sh > "$OUTPUT_DIR/health_check.log" 2>&1 || true
python3 scripts/fab-cost-guard.py --report > "$OUTPUT_DIR/cost_guard_report.json" 2>&1 || true

echo "=== CC8: Processing Integrity ==="
python3 scripts/compliance-linter.py -d "$PROJECT_DIR" -t "$TRACK" > "$OUTPUT_DIR/compliance_score.json"
python3 scripts/artifact-validator.py -d "$PROJECT_DIR" > "$OUTPUT_DIR/artifact_validation.json"

echo "=== CC9: Confidentiality ==="
python3 scripts/aibom-generator.py -d "$PROJECT_DIR" > "$OUTPUT_DIR/aibom_report.json" 2>&1 || true
python3 scripts/dora-metrics.py > "$OUTPUT_DIR/dora_metrics.json" 2>&1 || true

echo "=== Evidencia generada en: $OUTPUT_DIR ==="

---

5. Checklist de Preparacion por Track

5.1 Track Solo (MVP)

Controles minimos viables para SOC 2 readiness:

• data_classification.yaml completado (CC9.1)
• Pre-commit hook instalado con secret scanning (CC6.2)
• sast-sca-scanner.py ejecutado al menos 1 vez (CC6.3, CC6.6)
• settings.json con permissions configurados (CC6.1)
• .claudeignore configurado para excluir datos sensibles (CC9.3)
• AIBOM generado con aibom-generator.py (CC9.2)
• ai_transparency_disclosure.yaml completado (P1)
• data_provenance_registry.yaml con al menos fuentes principales (P3)
• soc2_ai_controls.yaml con status inicial documentado

5.2 Track Lean

Todo lo de Solo, mas:

• compliance-linter.py score >= 60% (CC8.2)
• owasp-asi-checker.py sin hallazgos critical/high (CC6.3)
• fab-cost-guard.py configurado con budget limits (CC7.4, CC7.5)
• Eval scorecard completado para al menos 1 modelo (CC9.2, CC8.3)
• incident_reporting_plan.yaml completado (CC7.2)
• gate-check.sh ejecutado para fases completadas (CC6.5, CC8.4)
• mcp-security-audit.py ejecutado si usa MCP servers (CC6.4)
• soc2_ai_controls.yaml actualizado con evidencia por control

5.3 Track Full

Todo lo de Lean, mas:

• compliance-linter.py score >= 80% (CC8.2)
• dora-metrics.py ejecutado con AI attribution (CC9.2)
• fab-health-check.sh activo en produccion (CC7.1)
• fab-kill-switch.sh probado y documentado (CC7.2)
• fab-gate-check.py con confidence scoring (CC8.5)
• Plan de continuidad de negocio documentado (CC7.4)
• Procedimiento de access review trimestral establecido (CC6.1)
• Audit log con formato estandarizado (CC6.8)
• Privacy: consentimiento tracking implementado (P2)
• Privacy: procedimiento DSAR documentado (P5)
• Evidencia de 6+ meses para Type II
• Auditoria interna completada antes de auditoria externa
• soc2_ai_controls.yaml con todos los controles evaluados y evidencia referenciada

---

6. Roadmap de Implementacion — 4 Trimestres

Q1: Fundamentos (semanas 1-12)

Semana	Accion	Controles	Responsable
1-2	Completar data_classification.yaml	CC9.1	Tech Lead
2-3	Configurar pre-commit hooks (secret scanning)	CC6.2	DevOps
3-4	Activar sast-sca-scanner.py en CI	CC6.3, CC6.6	DevOps
4-5	Generar primer AIBOM	CC9.2 (Pilar 1)	Tech Lead
5-6	Documentar RACI para seguridad AI	CC6.1	Manager
6-8	Completar settings.json permissions por agente	CC6.1-AI	Tech Lead
8-10	Completar data_provenance_registry.yaml	P3	Data Engineer
10-12	Completar ai_transparency_disclosure.yaml	P1	Product

Entregable Q1: soc2_ai_controls.yaml con status inicial, evidencia de CC6.1-CC6.6, CC9.1, CC9.2 (Pilar 1), P1, P3.

Q2: Controles Operativos (semanas 13-24)

Semana	Accion	Controles	Responsable
13-14	Activar fab-health-check.sh en produccion	CC7.1	DevOps
14-15	Configurar fab-cost-guard.py con budget limits	CC7.4, CC7.5	Tech Lead
15-17	Ejecutar primer eval scorecard completo	CC9.2 (Pilar 2), CC8.3	QA
17-18	Primer compliance-linter.py run completo	CC8.2	Tech Lead
18-19	Configurar y probar fab-kill-switch.sh	CC7.2	DevOps
19-20	Completar incident_reporting_plan.yaml	CC7.2	Security
20-22	Ejecutar dora-metrics.py con AI attribution	CC9.2 (Pilar 3)	DevOps
22-24	Primera auditoria interna parcial	Todos	Security

Entregable Q2: Controles CC7 y CC8 operativos, evidencia de 3+ meses acumulandose.

Q3: Gaps y Evidencia (semanas 25-36)

Semana	Accion	Controles	Responsable
25-27	Implementar formato estandarizado de audit log	CC6.8	DevOps
27-28	Establecer procedimiento de access review trimestral	CC6.1	Security
28-30	Crear procedimiento DSAR (Data Subject Access Request)	P5	Legal + Dev
30-32	Documentar plan de continuidad para factories	CC7.4	DevOps
32-33	Implementar consent tracking	P2	Product + Dev
33-34	Documentar change management formal	CC6.5	Tech Lead
34-36	Segunda auditoria interna (todos los controles)	Todos	Security

Entregable Q3: Todos los gaps cerrados, evidencia de 6+ meses acumulada, listo para auditoria externa.

Q4: Auditoria (semanas 37-48)

Semana	Accion	Controles	Responsable
37-38	Recopilar toda la evidencia (6+ meses)	Todos	Security
38-39	Ejecutar suite completa de evidencia (soc2-evidence-run.sh)	Todos	DevOps
39-40	Remediar hallazgos de auditoria interna	Variables	Tech Lead
40-41	Seleccionar y contratar auditor SOC 2 (CPA con exp. AI)	—	Manager
41-44	Periodo de observacion auditor externo	Todos	Todos
44-46	Responder a hallazgos del auditor	Variables	Tech Lead
46-48	Recibir reporte SOC 2 Type II	Todos	Manager

Entregable Q4: Reporte SOC 2 Type II emitido.

---

7. Consideraciones Especiales para AI

7.1 Model Drift

Los modelos AI cambian de comportamiento con actualizaciones del proveedor. Para SOC 2:

• Mantener AIBOM actualizado con versiones exactas
• Ejecutar evals periodicos (minimo trimestral) para detectar regresiones
• Documentar cada cambio de modelo como change management (CC6.5)

7.2 Prompt Injection

Los ataques de inyeccion son el equivalente AI de SQL injection. Para SOC 2:

• owasp-asi-checker.py verifica controles anti-injection (ASI01)
• Boundary rules en AGENTS.md limitan superficie de ataque
• Input validation en artifact-validator.py y validate-intent.py

7.3 Data Provenance para AI

La procedencia de datos de entrenamiento y RAG es critica:

• data_provenance_registry.yaml es evidencia clave para CC9 y Privacy P3
• Cada fuente de datos debe tener: origen, licencia, clasificacion, consentimiento

7.4 Agent Autonomy

Un agente autonomo que toma decisiones incorrectas es un riesgo de processing integrity:

• Gate checks (fab-gate-check.py) verifican calidad antes de avanzar
• Eval scorecards miden precision de decisiones del agente
• Kill switch permite parada de emergencia

7.5 Cost Runaway

Un agente sin limites de costo puede generar gastos descontrolados:

• fab-cost-guard.py implementa circuit breakers (green/yellow/red/critical)
• .fab-config.yaml define budget limits por intent
• Evidencia directa de availability controls (CC7.4, CC7.5)

---

8. Template de Proyecto

El template project/F08_security/soc2_ai_controls.yaml permite registrar el estado de cumplimiento de cada control SOC 2 en el proyecto. Incluye:

• Cada TSC con sus controles mapeados a artefactos del framework
• Status tracking por control (compliant/partial/non_compliant/not_applicable)
• Referencias a evidencia generada
• Fecha de ultima evaluacion y proxima revision

Para validar el template:

python3 scripts/artifact-validator.py -f project/F08_security/soc2_ai_controls.yaml

---

9. Referencias

1. AICPA — SOC 2 Trust Services Criteria (2017, updated 2022)
2. AICPA — SOC 2 AI-Specific Controls Guidance (2026)
3. ISO/IEC 27001:2022 — Information Security Management System
4. Framework docs internos:
   • framework/guides/Compliance_Regulatory_Alignment_Guide.md — Guia consolidada (seccion 7)
   • framework/guides/Data_Governance_AI_Guide.md — Gobernanza de datos AI
   • framework/guides/FinOps_Observability_Handbook.md — Observabilidad y FinOps
   • framework/guides/Framework_Enforcement_Guide.md — Enforcement del framework

---

Guia completa de alineacion SOC 2 Type II con controles AI del AI-First Engineering Framework v7.6.0. Cubre los 5 TSC, mapeo a artefactos, generacion automatizada de evidencia, gaps, checklist por track y roadmap de 4 trimestres.