El 57% de los empleados ya metió información confidencial en una IA pública: por qué la IA soberana dejó de ser opcional
La pregunta ya no es si tu organización va a usar inteligencia artificial, sino dónde se van a procesar los datos cuando lo haga.
Cada consulta que alguien de tu equipo escribe en un servicio de IA público sale de tu red. Contratos en negociación, expedientes de clientes, código fuente, currículums, estrategias que todavía no se anuncian. No hay robo ni intención maliciosa: hay un empleado resolviendo su trabajo más rápido. Pero la información ya salió, y traerla de vuelta no es una opción. La IA soberana existe precisamente para cerrar esa fuga sin renunciar a la capacidad analítica.
Lo que está pasando: la IA entró a tu organización sin pedir permiso
El volumen de información sensible que circula hacia herramientas de IA se disparó. Cyberhaven Labs analizó el comportamiento de unos siete millones de trabajadores y encontró que el 34.8% de los datos corporativos que hoy se comparten con herramientas de inteligencia artificial son sensibles, frente a apenas 10.7% dos años antes. Es decir: se triplicó.
El dato desde el lado del usuario es todavía más directo. TELUS Digital encontró que 57% de los empleados corporativos que usan IA generativa admitieron haber introducido información sensible o confidencial en herramientas públicas como ChatGPT.
Y el impacto ya se mide en incidentes. Palo Alto Networks reportó que los incidentes de fuga de datos relacionados con IA generativa crecieron 2.5 veces durante 2025, y ya representan 14% de todos los incidentes de seguridad de datos en aplicaciones SaaS.
A esto se le llama Shadow AI: uso de herramientas de IA fuera de cualquier política, control o visibilidad corporativa. Según el Logicalis Global CIO Report 2026, solo 37% de los líderes de TI afirma tener control completo sobre las herramientas y servicios de IA que usa su organización.
Por qué importa: cambió el marco legal y cambió el técnico
En México, el terreno regulatorio se movió por completo. El 20 de marzo de 2025 se publicó en el Diario Oficial de la Federación la nueva Ley Federal de Protección de Datos Personales en Posesión de los Particulares, que entró en vigor al día siguiente y abrogó la ley de 2010; con la desaparición del INAI, la autoridad en materia de protección de datos pasó a la Secretaría Anticorrupción y Buen Gobierno. La nueva ley también modifica la definición de responsable del tratamiento y amplía significativamente el universo de sujetos obligados, incluyendo ahora a los encargados.
Traducido a operación: si un tercero procesa datos personales de tus titulares —y un proveedor de IA lo hace— entra dentro del perímetro de responsabilidad que tú debes poder demostrar.
En paralelo, el argumento técnico que sostenía “usa la API pública o quédate atrás” se cayó. El informe State of Open Source AI 2026 de Mozilla, publicado el 14 de julio de 2026, muestra que los modelos de pesos abiertos —aquellos cuyos parámetros puedes descargar y ejecutar en tu propia infraestructura— cerraron la brecha de rendimiento con los sistemas propietarios a apenas 3%, e igualan a los cerrados en codificación, seguimiento de instrucciones y conocimiento general.
Y el criterio de compra empresarial ya refleja ese cambio: los compradores priorizan condiciones de licencia (31%) y propiedad de los datos (26%) por encima del rendimiento puro del modelo.
El problema regional es de gobernanza, no de adopción. Un estudio de G-CERTI de febrero de 2026 encontró que solo el 8% de las organizaciones en Latinoamérica que utilizan IA tienen un marco formal de gobernanza, mientras la inversión regional en IA alcanzó 8,300 millones de dólares en 2025 según IDC.
Qué es una IA soberana y qué no es
Una IA soberana invierte el modelo actual: el modelo viaja hacia tus datos, no tus datos hacia el modelo. Los pesos (weights) se ejecutan dentro de tu perímetro —datacenter propio, nube soberana con residencia en México o un esquema híbrido— y los documentos, prompts y respuestas nunca abandonan tu red.
| IA pública (API/SaaS) | IA soberana | |
|---|---|---|
| Ubicación de los datos | Infraestructura del proveedor, jurisdicción externa | Tu perímetro o nube con residencia en tu país. |
| Prompts y documentos | Procesados bajo términos que no controlas | Nunca salen de tu red |
| Modelo de costo | Tarifa por token, variable | Infraestructura, predecible |
| Trazabilidad para auditoría | Limitada a lo que expone el proveedor | Bitácora completa bajo tu control |
| Operación en red aislada | No | Sí |
No es comprar una licencia y dejar que tu equipo se las arregle. Es diseñar, desplegar y operar una plataforma completa: cómputo, modelos, base vectorial, integraciones, controles y monitoreo.
Qué significa para tu organización
1. Tus casos de mayor retorno son justo los que no pueden salir. Diseños, contratos, expedientes, código, datos de clientes. Mientras más valiosa es la información que quieres procesar, menos sentido tiene enviarla fuera. La IA soberana resuelve esa contradicción.
2. El costo deja de ser una sorpresa mensual. Pagas infraestructura, no consumo por token. En proyectos con volumen alto y sostenido, la diferencia es estructural, no marginal.
3. Las respuestas se vuelven auditables. Con RAG (Retrieval-Augmented Generation, la técnica que conecta el modelo a tu documentación real) el asistente responde citando la fuente interna, con control de acceso por área, rol y clasificación de información.
4. Tienes evidencia utilizable en auditoría. Bitácoras de prompts, control de acceso, cifrado y políticas de uso alineadas con ISO 27001, ISO 42001, NIST AI RMF y la LFPDPPP vigente.
Qué debe hacer tu organización ahora
- Mide tu Shadow AI. Identifica qué herramientas de IA se están usando hoy y qué tipo de información se está pegando en ellas. Sin ese diagnóstico, cualquier política es teórica.
- Clasifica antes de automatizar. Define qué información puede salir de tu red y cuál no. Esa línea determina la arquitectura, no al revés.
- Prioriza casos de uso por impacto y riesgo. Descarta los que no justifican la inversión. Dos o tres casos bien elegidos valen más que un despliegue general sin adopción.
- Valida con un piloto controlado. Un área, un caso de uso, infraestructura real y documentación propia. Resultados medibles antes de comprometer la inversión completa.
- Documenta la gobernanza desde el día uno. Políticas de uso aceptable, guardrails, retención de bitácoras y responsables designados. Retrofitear cumplimiento cuesta el doble.
Conclusión
La discusión sobre IA en las organizaciones dejó de ser sobre capacidad del modelo. Los modelos abiertos ya están a distancia de meses —no de años— de los cerrados, y se ejecutan en hardware que puedes dimensionar y presupuestar. Lo que está en juego es custodia: quién tiene tus datos, bajo qué términos y con qué evidencia para demostrarlo.
Las organizaciones que hoy operan bajo supervisión regulatoria, manejan datos personales sensibles o trabajan con propiedad intelectual crítica no tienen que elegir entre quedarse fuera de la IA o entregar su información. Esa era una falsa disyuntiva, y dejó de serlo.
En Cyberseg Solutions diseñamos, implementamos y operamos plataformas de IA soberana para organizaciones mexicanas en sectores regulados: infraestructura, modelos, RAG sobre tu conocimiento corporativo, seguridad y operación gestionada. Si quieres evaluar la viabilidad de una IA privada en tu organización, empieza por un diagnóstico sin compromiso: escríbenos.
Fuentes: Infobae — Cyberhaven Labs sobre datos sensibles en herramientas de IA · Technocio — TELUS Digital y Palo Alto Networks sobre fuga de datos por GenAI · Logicalis Global CIO Report 2026 · Hogan Lovells — Nueva LFPDPPP 2025 · Mozilla — State of Open Source AI 2026 · G-CERTI — Gobernanza de IA 2026 en LATAM
© 2026 Cyberseg Solutions. All rights reserved
