Respuesta corta: los datos publicos e internos pueden entrar en un LLM casi siempre, los datos confidenciales solo en un entorno con clausulas contractuales de no entrenamiento y no retencion, y los datos restringidos no entran nunca en un prompt salvo en forma enmascarada. La regla operativa es la exposicion minima necesaria: enviar al modelo solo lo que necesita para responder. Las cifras de 2026 explican la urgencia: alrededor del 35% de los datos corporativos que los empleados introducen en herramientas de IA se clasifican como sensibles, frente al 27% del ano anterior y al 11% de dos anos antes.
El problema real no es la tecnologia, es el uso que ya esta ocurriendo
En la mayoria de las organizaciones el debate sobre si adoptar IA se celebra en una sala de direccion mientras los empleados ya estan pegando texto. Las encuestas de 2026 indican que alrededor del 80% de los empleados usa herramientas de IA que su departamento de TI no ha aprobado, y que cerca del 63% de ellos ya ha pegado material sensible (codigo fuente, registros de clientes, datos financieros o documentos de estrategia) en una cuenta personal de chatbot.
El detalle preocupante es la titularidad de la cuenta. Cuando el texto se pega desde una cuenta personal queda fuera de todo control organizativo: sin registro, sin control sobre la retencion y sin forma de borrarlo despues. Segun los mismos informes, alrededor del 82% de los pegados en herramientas de IA proceden de cuentas personales.
El precio: las organizaciones con niveles altos de uso de IA no autorizada asumen de media unos 670.000 dolares de coste adicional por brecha, y el 97% de las organizaciones que reportaron una brecha relacionada con IA no tenia controles de acceso adecuados. Al mismo tiempo, solo cerca del 37% de las organizaciones cuenta con alguna politica para detectar o gestionar ese uso.
La conclusion practica: una prohibicion general no funciona, solo empuja el uso a la clandestinidad. Lo que si funciona es una politica de clasificacion clara acompanada de una alternativa aprobada que resulte realmente comoda.
Los cuatro niveles de clasificacion y que se permite en cada uno
La mayoria de las politicas de clasificacion empresarial usan cuatro niveles: publico, interno, confidencial y restringido. La tabla los traduce a una decision practica frente a un modelo de lenguaje:
| Nivel | Ejemplos | Que se permite con un LLM |
|---|---|---|
| Publico | Contenido de marketing, especificaciones de producto publicadas, informes ya difundidos | Permitido en cualquier herramienta, incluidas las publicas |
| Interno | Procedimientos, presentaciones internas, documentacion de procesos | Permitido solo en una herramienta corporativa aprobada |
| Confidencial | Datos de clientes, listas de precios, codigo fuente, previsiones | Solo donde apliquen clausulas contractuales de no entrenamiento y no retencion |
| Restringido | Datos de salud, nominas, identificadores personales, secretos comerciales | Nunca entra en un prompt. Solo en forma enmascarada o resumida |
La distincion mas importante es entre confidencial y restringido, y es donde mas se confunden las organizaciones. Los datos confidenciales causan dano comercial cuando se filtran, asi que un buen contrato basta. Los datos restringidos causan dano regulatorio y personal, y ahi un contrato no alcanza, porque la exposicion no se puede deshacer despues.
Las dos tecnicas que resuelven la mayoria de los casos
La anonimizacion elimina u oculta de forma irreversible los identificadores personales. Se usa cuando no hace falta vincular la respuesta con una persona concreta, por ejemplo al analizar tendencias en tickets de soporte.
La seudonimizacion sustituye los identificadores por tokens reversibles. El nombre de un cliente se convierte en CLI_4471, y cuando vuelve la respuesta el sistema lo revierte. Es la tecnica que permite trabajar con datos reales de clientes sin enviar nombres fuera.
La regla que cubre ambos casos: exposicion minima necesaria. Envia al modelo solo lo imprescindible para responder, y omite por completo los elementos clasificados de los prompts externos. En la mayoria de los casos resulta que el modelo necesita la estructura y el contexto, no los nombres.
Que debe aparecer en el contrato con tu proveedor de IA
La diferencia entre que los datos confidenciales esten permitidos o no se decide casi siempre en el contrato, no en la tecnologia. Si un empleado pega una entrada confidencial en un LLM publico, esos datos pueden quedar registrados, retenidos o usados para mejorar el servicio salvo que el proveedor este contractualmente obligado a lo contrario. Tres clausulas que hay que verificar:
| Clausula | Que dice | Por que importa |
|---|---|---|
| No entrenamiento | Tu entrada no se usa para entrenar modelos | Sin ella tus datos pueden aflorar en la respuesta de otro usuario |
| No retencion o retencion limitada | Los prompts se borran tras una ventana definida | Reduce la ventana de exposicion si el proveedor sufre un incidente |
| Lugar de procesamiento y subencargados | Donde se procesan los datos y quien mas los toca | Determina que normativa aplica y que se puede transferir |
Como implementarlo sin un programa de seis meses
Paso 1: un inventario vivo. Mapea los tipos de datos sensibles por clase (identificadores personales, datos de salud, propiedad intelectual y datos financieros) y asigna a cada uno un propietario, un sistema de origen y una politica de retencion. No es un ejercicio teorico: es la lista sobre la que se apoya cada decision futura.
Paso 2: una alternativa aprobada y comoda. Antes de prohibir nada, ofrece una herramienta corporativa que funcione de verdad. Si la alternativa aprobada es lenta o torpe, los empleados vuelven a la cuenta personal y la politica se queda en el papel.
Paso 3: aplicacion en la capa de datos. Enmascara automaticamente los identificadores personales a la entrada del prompt, y aplica la misma comprobacion a la salida. Una aplicacion que se apoye solo en la formacion de los empleados no sobrevive al primer trimestre.
Paso 4: una regla que todos recuerden. Si no se lo enviarias por correo a otro cliente, no lo pegues en un chat. No es juridicamente preciso, pero se entiende y se aplica, que es lo que cuenta.
Preguntas frecuentes
Se pueden introducir datos de clientes en ChatGPT?
No en una cuenta personal ni en una version publica. Los datos de clientes son confidenciales, asi que solo pueden introducirse en un entorno corporativo con clausulas contractuales de no entrenamiento y no retencion. Sin ese contrato, introduce solo una version enmascarada en la que nombres e identificadores se hayan sustituido por tokens.
Cual es la diferencia entre datos confidenciales y restringidos?
Una filtracion de datos confidenciales causa dano comercial, asi que un contrato solido con el proveedor basta. Una filtracion de datos restringidos (salud, nominas, identificadores personales) causa dano regulatorio y personal que no se puede deshacer despues. Por eso los datos restringidos no entran nunca en un prompt.
Es una prohibicion general la solucion?
No. Las encuestas de 2026 muestran que alrededor del 80% de los empleados ya usa herramientas no aprobadas y que cerca del 82% de los pegados vienen de cuentas personales. Prohibir sin una alternativa aprobada y comoda solo desplaza el uso a una zona sin registro ni control.
Cual es la diferencia entre anonimizacion y seudonimizacion?
La anonimizacion elimina identificadores de forma irreversible y sirve para analizar tendencias. La seudonimizacion los sustituye por tokens reversibles para poder devolver la respuesta a la persona a la que se refiere. Usa la segunda cuando necesites actuar sobre un cliente concreto.
Que clausulas deben aparecer en un contrato con un proveedor de IA?
Tres: que tu entrada no se use para entrenar modelos, que los prompts se borren o se retengan de forma limitada dentro de una ventana definida, y una definicion clara del lugar de procesamiento y de los subencargados que tocan los datos.
Esta guia forma parte de una serie sobre negocio digital: