Prevención de PII en tiempo real: Detener las fugas de datos IA antes de que ocurran.
Actualizado para 2026.
En marzo de 2023, un ingeniero de Samsung pegó código fuente en ChatGPT. El código abandonó el control de Samsung al instante. Ninguna herramienta lo detectó a tiempo. Los controles de seguridad posteriores no pueden detener las fugas de datos IA. Este evento lo demostró.
Las herramientas de detección te dicen lo que pasó después del hecho. Los registros de log, el DLP de endpoints y los registros de auditoría funcionan así. Para las fugas IA, después del hecho es demasiado tarde. Los datos ya llegaron al modelo IA.
La magnitud del problema
Un estudio Cyberhaven de 2025 analizó el uso de IA en empresas. Los hallazgos fueron llamativos.
- El 11 % de todos los prompts de ChatGPT contienen datos privados o sensibles.
- El empleado promedio usa herramientas IA 14 veces al día.
- Los usuarios frecuentes interactúan 30 a 50 veces al día.
- Al 11 %, esto significa 3 a 5 envíos sensibles por empleado al día.
En una empresa con 500 usuarios frecuentes, esto suma más de 2.000 envíos sensibles por día. Cada uno puede ser una infracción del Artículo 83 del RGPD. El riesgo no es solo legal. La reputación y la confianza también están en juego.
Tipos comunes de contenido sensible en prompts IA:
- Nombres y datos de contacto de clientes.
- Números de cuenta y registros de pago.
- Notas médicas del personal de salud.
- Detalles de casos legales de abogados.
- Notas de evaluación de empleados de RRHH.
- Proyecciones financieras o de ventas internas.
El estudio no separa el intercambio intencional del accidental. Ambos crean el mismo riesgo legal. Un empleado que olvida eliminar un nombre de cliente causa la misma infracción que quien ignora la regla a propósito. La intención no cambia el resultado.
Por qué la detección no es suficiente
El monitoreo de red no puede leer el tráfico HTTPS sin bloqueo TLS. El bloqueo TLS añade sobrecarga y genera preocupaciones de privacidad. Los navegadores modernos a menudo lo rechazan.
Los agentes DLP de endpoints supervisan el portapapeles y las pulsaciones de teclas. Pero tienen latencia. Cuando un agente detecta un patrón, el prompt puede estar ya enviado.
Los registros de auditoría del proveedor registran lo que se compartió después de compartirlo. Ayudan en la respuesta a incidentes. No detienen las fugas.
La formación del personal es una política, no un control. El estudio Cyberhaven muestra que el 11 % de los prompts sigue conteniendo datos sensibles incluso en empresas con políticas claras. La formación no detiene los errores accidentales.
Bloquear las herramientas IA elimina ganancias de productividad. Los empleados entonces usan dispositivos o cuentas personales. Eso coloca la actividad fuera de cualquier supervisión.
Ninguno de estos métodos detiene el contenido sensible en tiempo real.
Prevención en el punto de entrada
La única defensa fiable es el enmascaramiento antes del envío. Un nombre de cliente reemplazado con [PERSON_1] antes de salir del navegador nunca lo ve el modelo IA.
Así funciona el enmascaramiento en línea:
- Un empleado escribe un correo de cliente en Claude o ChatGPT.
- La extensión del navegador detecta datos personales en tiempo real.
- Las entidades se marcan con etiquetas de tipo: PERSON, EMAIL_ADDRESS, ACCOUNT_NUMBER.
- El empleado revisa los elementos marcados.
- Un clic reemplaza todas las entidades por tokens.
- El prompt enmascarado se envía.
La IA recibe un prompt como: «Cliente [PERSON_1] en [EMAIL_1] tiene la cuenta [ACCOUNT_1].»
La IA gestiona la solicitud sin ver nombres ni números reales. El empleado conoce al cliente real por contexto.
Este enfoque tiene ventajas claras:
- Los datos personales quedan fuera de los sistemas IA externos.
- Los datos de clientes no se añaden a los conjuntos de entrenamiento IA.
- Los empleados mantienen acceso a las herramientas IA. La productividad se mantiene alta.
No detiene el intercambio deliberado si un empleado elude la herramienta. Los archivos adjuntos necesitan un flujo de trabajo separado. Ningún control es perfecto. Pero el enmascaramiento en línea elimina el grupo accidental. Ese grupo supone la mayoría de los incidentes. El resultado es una gran reducción del riesgo sin cambios en el flujo de trabajo diario.
Caso práctico: despacho de abogados
Los asociados de un despacho usaban Claude para redactar resúmenes de contratos. Su método: copiar secciones del contrato, pegarlas en Claude, solicitar un resumen.
Antes del uso de la extensión Chrome — primeros 6 meses:
- 3 incidentes de datos de clientes encontrados durante la revisión de cumplimiento.
- Cada incidente: un nombre de cliente y un número de expediente aparecieron en el prompt.
- Los 3 fueron accidentales.
Después del uso de la extensión Chrome — siguientes 6 meses:
- Cero incidentes de datos de clientes.
- Los asociados recibieron alertas en tiempo real al pegar secciones con nombres de clientes.
- Un clic reemplazó «Johnson Controls Expediente 2024-0347» por «[PERSON_1] Expediente [REFERENCE_1].»
- El método se mantuvo igual.
El socio director dijo: «Nuestros asociados conocían la política antes de la extensión. La extensión hizo del cumplimiento el camino más fácil.»
Descubre cómo otras empresas lo han gestionado en nuestros casos prácticos. Revisa los controles en la visión general de seguridad.
Documentación RGPD para equipos de cumplimiento
Las empresas que usan enmascaramiento IA basado en navegador deben documentarlo como control técnico.
Registro de actividades de tratamiento (RAT): Indica que los prompts IA pasan por enmascaramiento del lado del cliente antes de llegar a los proveedores. Lista los tipos de entidades, la versión del motor y los registros de despliegue como evidencia.
Acuerdos de procesamiento de datos: Cuando ningún dato personal llega al proveedor IA, las obligaciones DPA se simplifican. Los datos que gestionas nunca salen de tu sistema.
Registros de auditoría: Los registros de la extensión capturan el número de entidades por sesión, la tasa de enmascaramiento y los tipos de entidades por volumen. Estas métricas alimentan directamente los informes de cumplimiento.
Revisa los requisitos del RGPD para herramientas IA en nuestra guía de cumplimiento legal y glosario. Las preguntas frecuentes están en nuestras FAQ.
Conclusión
El incidente de Samsung mostró que las fugas IA ocurren más rápido de lo que cualquier control posterior puede reaccionar. El estudio Cyberhaven lo cuantifica: el 11 % de los prompts, varias veces por empleado, cada día.
El enmascaramiento en tiempo real antes del envío soluciona la causa raíz. Cuando los datos personales nunca alcanzan el modelo IA, no hay nada que detectar, registrar ni limpiar. Los empleados conservan sus herramientas IA. Las empresas mantienen su postura de cumplimiento.
La detección te dice cuándo falló la prevención. Para las fugas de datos IA, el coste del fallo — multas, daño a la reputación, pérdida de confianza — justifica la prevención primero.
Explora los precios para tu empresa. Lee nuestra declaración del fundador sobre por qué la prevención es nuestro principio de diseño central.
Fuentes
- Cyberhaven: AI Data Exposure Study 2025 — cyberhaven.com.
- Fuga de datos Samsung-ChatGPT, marzo 2023 — Bloomberg.
- RGPD artículos 4 y 32: Datos personales y medidas técnicas — gdpr-info.eu.