Pagas la IA dos veces: cómo proteger el conocimiento de tu empresa

Cada vez que usas IA llegan dos facturas. Una la ves: la suscripción. La otra ni la notas: la que se cobra con lo que devuelves al sistema.

En 30 segundos: no todas las herramientas de IA utilizan tus datos de la misma forma. El riesgo real aparece cuando compartes documentos, contexto operativo y criterios internos sin conocer las condiciones del proveedor. La estrategia más segura no es abandonar la nube, sino separar las tareas: datos sensibles en local o anonimizados; tareas complejas y no confidenciales en servicios remotos; y memoria de trabajo bajo control de la empresa.

Satya Nadella, CEO de Microsoft, llamó a este problema “Reverse Information Paradox”: la empresa paga por el acceso a la inteligencia y, al mismo tiempo, puede revelar conocimiento propietario a través de los prompts, herramientas, evaluaciones y correcciones necesarios para que el modelo sea útil. La tesis fue presentada por Nadella en un ensayo publicado en X y posteriormente analizada por TechRadar.

Según TechRadar, Nadella criticó a las empresas que “protegen” sus modelos pero aprenden de los datos de los clientes en las interacciones y el feedback. En sus palabras, es pagar la inteligencia dos veces y ceder aquello que hace único tu trabajo.

Vamos a desmenuzar qué significa esto, por qué necesitas reaccionar ahora y cuál es el camino práctico: mantener la potencia de la IA sin regalar en bandeja el know-how de tu empresa.

La segunda factura: por dónde se escapa tu know-how

Piensa en la IA como un becario brillante. Lo observa todo, trabaja rápido, aprende con cada ajuste tuyo. En tres meses hace casi como tú. Solo hay un detalle: no es tuyo. Lo que aprendió contigo mañana puede aparecer en la mesa de tu competidor.

Así es como se pierde lo que más vale: tu memoria de oficio, tus estándares de calidad, tus atajos mentales. No es “solo dato”. Es criterio. Cuando pegas un documento entero “solo para resumir”, explicas en qué proyecto estás o corriges respuestas con “no lo hagas así, hazlo asá”, estás transfiriendo método.

Esto no ocurre igual en todos los servicios. Las reglas dependen del producto, del plan contratado y de la configuración de privacidad. En productos personales, algunos proveedores pueden usar las conversaciones para mejorar sus modelos, aunque ofrezcan mecanismos para excluirte. En ofertas empresariales y APIs es habitual que el entrenamiento con datos del cliente venga desactivado por defecto. Por eso, antes de compartir información sensible, consulta la política específica del producto, no solo la política general de la empresa. Mira, por ejemplo, las políticas oficiales de OpenAI y de Anthropic.

Ese es el núcleo de la advertencia de Nadella: con la IA, quien corre el riesgo de regalar conocimiento no es quien vende el modelo, es quien compra el servicio y necesita alimentarlo para que funcione bien.

Cómo clasificamos los datos en los proyectos de IA Operators

Antes de conectar cualquier modelo, en IA Operators partimos de una idea simple: no todos los datos merecen el mismo trato. La mayoría de las fugas de know-how no vienen de un ataque sofisticado, sino de mandar “fuera” algo que debería haberse quedado dentro. Por eso, lo primero no es elegir herramienta: es clasificar la información y decidir su ruta.

Este es el marco que aplicamos como punto de partida en un proyecto:

Un patrón que vemos a menudo (ejemplo ilustrativo): un equipo pega contratos completos en un chat público “solo para resumirlos”. El resumen sale rápido, pero acaba de exponer cláusulas, importes y estrategia de negociación. La misma tarea, resuelta con una versión anonimizada del contrato o con un modelo local, entrega el resumen sin exponer lo que diferencia a la empresa. El resultado es casi idéntico; la factura oculta, no. Esta clasificación es exactamente el tipo de riesgo que sacamos a la luz en una auditoría del ecosistema tecnológico, donde el Shadow AI —herramientas usadas sin control ni política— suele ser la mayor fuente de fugas.

Pesos abiertos, open source y elección real

“Si mañana te quitan el modelo que usas, ¿puedes seguir trabajando?” Si la respuesta es no, estás en un callejón sin salida.

Los modelos de pesos abiertos ponen a disposición los parámetros finales del modelo, permitiendo, según la licencia, que se descargue y ejecute en infraestructura propia. Pero “pesos abiertos” no significa automáticamente “open source”. Según la Open Source Initiative, una IA verdaderamente open source exige también acceso suficiente al código, al proceso de entrenamiento y a la información sobre los datos para que el sistema pueda estudiarse, modificarse y compartirse.

Los modelos de pesos abiertos dan una salida real: puedes descargar y ejecutar los pesos en infraestructura propia y, según la licencia y los materiales disponibles, adaptar el modelo a tus necesidades. Eso te da libertad para mantener tu memoria y tus correcciones contigo, estandarizar tu “manual de trabajo” de forma portable, y evitar que tu trabajo dependa de un único proveedor.

El ecosistema de modelos de pesos abiertos está ganando adopción rápidamente. En junio de 2026, la propia OpenRouter informó de que la cuota de DeepSeek en tokens casi se duplicó en seis meses, pasando de aproximadamente un 9% a un 18%. Modelos chinos de Xiaomi, MiniMax y Tencent también crecieron, sobre todo a costa de modelos de Google y de OpenAI.

No se trata de elegir “lo mejor del mundo en todo”. Se trata de tener opciones. Y de poder seguir trabajando aunque alguien cierre el grifo.

«¿Pero se puede ejecutar IA local sin una máquina de 15 000 dólares?»

Pregunta directa que apareció varias veces. Respuesta honesta: depende de lo que quieras hacer.

Si la tarea es privada, repetitiva y bien delimitada (resumir documentos internos, generar borradores, clasificar correos, estandarizar informes), un modelo local pequeño o mediano suele ser suficiente. Si la tarea es abierta, creativa y pesada (investigación amplia, razonamiento complejo, multimodal avanzado), usar un servicio remoto potente seguirá siendo mejor.

No es todo o nada. Es diseñar un flujo en el que lo sensible y estándar corre en local, lo pesado y no confidencial corre en remoto, y tu memoria de trabajo se queda contigo.

¿Y el hardware? Lo que de verdad importa son tres cosas: memoria disponible (para cargar el modelo y el contexto), latencia aceptable (cuánto tiempo toleras por respuesta) y el tamaño/tipo de modelo (los pequeños, cuantizados, funcionan en máquinas normales; los gigantes exigen aceleración seria).

Proyectos como llama.cpp permiten ejecutar modelos localmente en distintos tipos de hardware, incluyendo CPU, GPU y configuraciones híbridas. También ofrecen cuantización en diferentes niveles para reducir el consumo de memoria. La documentación de Ollama explica que la cuantización puede hacer un modelo más rápido y viable en equipos más modestos, aunque normalmente exista cierta pérdida de precisión.

Dónde tropieza la gente:

• Esperar que un modelo gigantesco corra “fino” en cualquier portátil. No va a pasar.
• Creer que sin una GPU de gama alta nada sirve. No es verdad para muchas cosas útiles del día a día.
• Concluir que, por no ejecutar el modelo más grande, “la IA local no sirve”. Sí sirve, si eliges la tarea adecuada.

Consejo práctico para empezar sin sufrir: empieza con lo que ya tienes, ejecuta un modelo pequeño de pesos abiertos con cuantización, pruébalo en tus tareas y mide si cumple. Si se atasca, primero simplifica la tarea (menos contexto, más iteración) y solo después piensa en invertir en hardware. Evalúa latencia real frente a ganancia de privacidad: para muchas rutinas, esperar 5–10 segundos compensa si el contenido es sensible.

Muchas tareas delimitadas pueden ejecutarse sin una GPU de centro de datos, siempre que el tamaño del modelo, la cuantización, la memoria disponible y la latencia esperada sean compatibles con el equipo.

«¿Y si te limitan por hardware? ¿Y la geopolítica?»

Preocupación legítima. Pero especular sobre futuros bloqueos no ayuda a decidir hoy. ¿Qué se puede hacer ahora?

• Trabaja con estándares abiertos y portables (modelos de pesos abiertos, formatos simples para tu memoria y tus instrucciones).
• Evita atar tu proceso a un único proveedor o a un SDK exclusivo.
• Ten un plan B: un segundo proveedor remoto y un modelo local funcional para lo esencial.

Lo que interesa es reducir la dependencia excesiva. Eso es controlable hoy, sin aceptar la parálisis por miedo. Cuando esa dependencia afecta a sistemas críticos, conviene ordenarla dentro de un roadmap tecnológico que priorice qué migrar, en qué orden y con qué alternativas.

Privacidad sin renunciar a recursos: un camino intermedio

Si quieres las comodidades de un asistente online pero no quieres pagar la segunda factura con tus datos, ya puedes elegir distinto.

Proton, conocida por Proton Mail y Proton VPN, lanzó Lumo, un asistente de IA centrado en la privacidad. (Transparencia: este es un enlace de referido. Podemos recibir un beneficio si te registras a través de él, sin coste adicional para ti.) Según su modelo oficial de seguridad, la empresa no guarda logs de las conversaciones y no usa el contenido para entrenar sus modelos. El historial guardado está protegido con cifrado de acceso cero. Durante la generación de la respuesta, sin embargo, el mensaje debe descifrarse temporalmente en los servidores de Proton para ser procesado por el modelo; después de eso, el servidor no mantiene una copia permanente en texto claro.

¿Por qué importa aquí? Porque ataca el corazón de la segunda factura: reducir la fuga de tu criterio y de tu contexto cuando necesitas ejecutar algo fuera de tu máquina.

Usa cualquier herramienta que te dé tres cosas: control explícito sobre el uso de datos; memorias y preferencias portables; y claridad sobre qué modelo se está ejecutando y dónde.

Cómo montar un flujo híbrido LOCAL/REMOTO que protege lo que es tuyo

Aquí tienes un diseño de proceso para incorporar ya en tu trabajo. Es, en esencia, la estrategia de IA para empresas que aplicamos con nuestros clientes.

1. Define la política de lo que nunca sale. Enumera lo sensible: documentos de clientes, contratos, bases internas, correos personales. Crea una “versión de trabajo” sin datos críticos (una redacción simple ya resuelve mucho).

2. Estructura tu memoria de trabajo. Guarda en local instrucciones, patrones de voz, checklists y rúbricas de revisión. Cada corrección que haces se convierte en regla explícita. Ese es tu manual. Es tuyo, no del proveedor.

3. Separa tareas por riesgo x ganancia. Alta sensibilidad + baja creatividad: corre en local. Sensibilidad media + esfuerzo medio: prueba en local; si el tiempo se dispara, valora remoto con protección de datos. Baja sensibilidad + alta complejidad: remoto potente.

4. Ten dos rutas de modelo. Un camino con un modelo de pesos abiertos que puedas ejecutar hoy. Un camino con un proveedor remoto de confianza, y un segundo de reserva. Así no quedas rehén.

5. Audita la “segunda factura”. Registra cuándo compartiste contexto, adjuntos y correcciones. Pregúntate: ¿de verdad necesitaba mandar esto afuera? ¿Qué podría haberse quedado en mi manual?

6. Mide lo que importa. Tiempo hasta un buen borrador. Número de correcciones necesarias. Comodidad de privacidad con lo que enviaste.

Mejora continua: cada vez que corriges al agente, convierte la corrección en regla dentro de tu memoria local. Así tu criterio se queda contigo.

«¿Los agentes locales funcionan de verdad?»

Tomemos un caso común: vuelves de vacaciones y necesitas retomar un cliente a partir de un paquete de documentos.

Flujo agente-local en 6 pasos:

1. Ingesta: el agente lee las carpetas del cliente (versiones redactadas), extrae temas, plazos, stakeholders y pendientes.
2. Mapa: genera un resumen ejecutivo de hasta 1 página y una línea de tiempo con próximos pasos.
3. Preguntas: señala incertidumbres y pide los documentos que faltan.
4. Estandarización: aplica tu tono y tus rúbricas (que están en tu memoria local) para dar formato a los entregables.
5. Chequeo: valida la consistencia con un checklist tuyo (fechas, nombres, números).
6. Salida: produce correos de retoma, agenda de reuniones y un plan de 30 días.

¿Qué puede que un modelo local no entregue? Investigación abierta en la web con calidad de primer nivel, razonamientos largos y creativos sin trocear en etapas, y generación multimodal avanzada.

Pero para reanudar el trabajo de forma organizada, con contexto privado, ya resuelve mucho. Y, cuando falte músculo, tienes la ruta remota, sin abrir toda la caja fuerte. Llevar este tipo de agente a producción, con estado persistente y observabilidad, es justo el trabajo de implementación de sistemas de IA.

Dónde más se equivoca la gente

• Entrenar, sin querer, la IA de otro con tu estándar de excelencia. Cada “ajuste fino” que das en el chat debería convertirse en regla tuya, no en contenido para su modelo.
• Creer que la “privacidad total” exige un hardware carísimo. Lo que resuelve es un alcance bien elegido y modelos de pesos abiertos adecuados, no solo GPU.
• Quedar rehén de un único proveedor. La dependencia sale cara cuando cambian las reglas y tú no puedes cambiar con ellas.
• Volcar datos sensibles en el chat por prisa. Una redacción simple evita la fuga innecesaria.
• Esperar que la IA local sustituya a todo el ecosistema remoto. La estrategia ganadora hoy es híbrida.

Trade-offs, sin ilusiones

En lugar de una regla absoluta, compara los tres modos según lo que de verdad está en juego:

Evita convertir la tabla en una regla absoluta: la configuración y el contrato siguen importando. La madurez está en saber cuándo cada uno tiene más sentido, y en no regalar tu manual de trabajo por impulso.

Datos que ayudan a decidir ahora

• La advertencia de “pagar dos veces” y la defensa del control, la portabilidad y la retención de lo que es tuyo vienen del propio CEO de Microsoft, según TechRadar. Úsalo como criterio al elegir proveedor.
• Si quieres un asistente online sin renunciar a la privacidad, Lumo de Proton usa cifrado de acceso cero, no almacena registros de chat y no entrena sus modelos con tus datos; la actualización Lumo 2.0 añadió capacidades de razonamiento, memoria persistente, imagen y búsqueda con citas manteniendo el foco en la privacidad.
• El ecosistema abierto está competitivo: en 2026, los modelos chinos superaron a los estadounidenses en participación de tokens procesados en OpenRouter a comienzos de junio. Es una señal relevante de adopción dentro de la plataforma, pero no representa por sí sola todo el mercado de IA.

Estos datos no te dicen que “lo cambies todo”. Refuerzan una línea: mantén tu poder de elección, guarda tu memoria contigo y ten un plan B que no dependa de una sola empresa.

Checklist final para proteger tu trabajo (y ganar velocidad)

• ¿Sé qué es lo que nunca envío afuera?
• ¿Mis correcciones se convierten en reglas de mi memoria local?
• ¿Tengo un modelo de pesos abiertos funcional para tareas sensibles?
• ¿Tengo dos rutas de proveedor remoto (principal y reserva)?
• ¿Registro cuándo y por qué comparto documentos y contexto?
• ¿Mi asistente remoto explica con claridad cómo usa mis datos?
• ¿Si mañana desaparece mi modelo favorito, sigo produciendo?

Si respondiste “no” a tres o más, ajusta el flujo hoy. No para aislarte. Para trabajar mejor en los dos frentes y, sobre todo, para que el fruto de tu esfuerzo siga siendo tuyo.

¿Conclusión? La IA puede ser tu mejor becario, tu mano derecha y tu acelerador. Siempre que el cuaderno de notas, el manual y la memoria se queden contigo, siempre.

Antes de conectar una IA más, descubre qué necesita seguir bajo tu control. IA Operators hace una Radiografía Digital de tu ecosistema tecnológico, mapeando aplicaciones, integraciones, dependencias, Shadow IT y riesgos operativos. Después, transformamos el diagnóstico en un roadmap priorizado y, cuando hace falta, implementamos las automatizaciones, integraciones y sistemas, con el mismo equipo, del diagnóstico a la ejecución.

Solicitar una conversación de 30 minutos con un especialista