La mayoría entiende lo que puede hacer la inteligencia artificial generativa, pero las empresas se topan con un gran obstáculo cuando deben permitir que un modelo acceda a información que no puede salir de su entorno privado. Datos como historiales médicos, detalles financieros de clientes o propiedad intelectual valiosísima corporativa no deben cruzar redes externas ni ser procesados fuera de la infraestructura propia para evitar riesgos de seguridad y privacidad.
Enviar estos datos a la nube o a un servicio SaaS implica que pasan por controles externos y se alojan en infraestructuras administradas por terceros. Esto genera preocupaciones legítimas relacionadas con el control, la responsabilidad y la posible exposición de información. Es aquí donde el entusiasmo por la IA choca con las complejas realidades de producción en entornos empresariales.
Alon Horev, director técnico y cofundador de la compañía VAST Data, explica que esta problemática se intensifica cuando los sistemas de IA manejan información sensible de clientes. Incluso si hoy se ordena a un modelo que oculte detalles o enmascare información personal en una conversación, es difícil tener plena confianza en que se haya cumplido correctamente. Pongamos como ejemplo a un agente de soporte que necesita acceder al perfil individual de un usuario para brindar una respuesta personalizada útil: la organización debe asegurarse de que esos datos no se revelen a otros clientes y determinar si las conversaciones pueden almacenarse para entrenamiento o mejora del sistema, considerando que pueden contener datos de identificación personal (PII) u otra información delicada, y que cualquier mal manejo impactará directamente en la empresa y en las personas cuyos datos maneja. 
La doble cara del problema de confianza
En la IA empresarial, existen dos partes críticas que deben sentirse seguras. Por un lado, las organizaciones necesitan mantener el control sobre sus datos confidenciales; por otro, los desarrolladores de modelos deben proteger los pesos y el software que representan cuantiosas inversiones en investigación, ingeniería y propiedad intelectual. La reticencia a compartir estos activos en entornos abiertos donde terceros, sean operadores o atacantes, puedan acceder a ellos, ha generado un punto muerto. ¿Cómo integrar modelos de alta calidad con datos sensibles sin sacrificar esta doble necesidad de control?
Horev señala que los modelos más avanzados suelen ofrecerse como servicios SaaS, pues es la vía más sencilla para su distribución y protección. Sin embargo, incluso con controles de cumplimiento, la empresa usuaria sigue asumiendo los riesgos ante filtraciones, usos indebidos o infracciones regulatorias. Además, enviar datos por redes amplias los expone a múltiples puntos vulnerables, y muchas organizaciones no pueden confiar plenamente en que el proveedor no retendrá, reutilizará o divulgará su información más allá del servicio contratado.
Para sectores regulados o sensibles a la soberanía de los datos, esta concesión puede resultar inaceptable. Por ello, muchas empresas adoptan estrategias híbridas: algunos procesos y conjuntos de datos se trasladan a la nube, pero otros permanecen en sus instalaciones, e incluso dentro del mismo edificio o país.
El papel de la IA confidencial
La IA confidencial incorpora mecanismos de cifrado en reposo y en tránsito para proteger los datos tanto cuando están almacenados como durante su movimiento entre sistemas. La computación confidencial da un paso más: extiende esta protección hasta el entorno de procesamiento usando ejecuciones aisladas en hardware que crean enclaves seguros donde tanto los datos como los pesos del modelo permanecen cifrados hasta que se autorizan a ser utilizados.
Mediante una atestación criptográfica, se verifica el hardware, la máquina virtual (VM), el software y la configuración que solicita acceso antes de liberar las claves necesarias. De este modo, el desarrollador del modelo puede cifrar su creación con una clave pública específica vinculada a una VM confidencial, y únicamente dicha VM, a través de su clave privada correspondiente, puede descifrarla y procesarla dentro de una memoria protegida, permitiendo al cliente utilizar el modelo sin acceder directamente a los pesos.
Este control independiente de claves preserva la segregación entre ambas partes: la empresa mantiene las claves que rigen sus datos y el desarrollador las que gobiernan el modelo. Mientras la carga de trabajo se ejecuta, el operador de infraestructura no controla ninguno de estos conjuntos de claves. Esta separación será cada vez más relevante a medida que la IA actúe con mayor autonomía, necesitando acceder a más datos y sistemas con menos intervención humana. Limitar el alcance y la capacidad de acción de estos agentes es fundamental para garantizar una gobernanza robusta y privacidad.
Del diseño a un ecosistema funcional
Muchas empresas no pueden gestionar por sí solas la integración, seguridad y mantenimiento de toda la pila de IA, dados los distintos proveedores y particularidades técnicas. VAST Data lanzó el 22 de septiembre DataEnclave, una solución dentro de su sistema operativo de IA que busca unificar el modelo, la capa de aplicación y la plataforma de datos bajo condiciones operativas controladas por el cliente y con protección mutua.
Este ecosistema cuenta con colaboradores destacados, desde creadores de modelos como Cohere, Deepgram, Factory, Fundamental y TwelveLabs, hasta proveedores de infraestructura y seguridad como Nvidia, CrowdStrike, Fortanix, Nscale, Cisco y Supermicro. La variedad de actores refleja que la IA confidencial no se reduce a una simple GPU protegida, sino que demanda modelos, aplicaciones, hardware acelerado, infraestructura de datos y soporte operacional coordinados.
Contar con infraestructura propia también cambia el debate económico. Mientras que los modelos alojados generan facturas variables en función del consumo de tokens, modelos y volumen de trabajo, la infraestructura bajo control del cliente permite planificar con mayor certeza recursos y costes, evitando gastos inesperados por decisiones ineficientes o actividades descontroladas.
Además, la capacidad delimitada del clúster fija un techo natural al rendimiento, facilitando a las organizaciones conocer su capacidad real de procesamiento. Los proveedores pueden tarificar el acceso según tokens, tareas o licencias, pero el cliente conserva visibilidad total de su gasto operativo.
La plataforma de datos: piedra angular del sistema
La IA confidencial protege los datos y los pesos del modelo durante la inferencia, pero no es la única pieza del rompecabezas. Los sistemas de IA productiva son entornos vivos donde la información circula entre almacenamiento, bases de datos, GPUs, redes, aplicaciones y agentes.
Por ello, la confidencialidad debe implementarse dentro de una plataforma integrada que proteja modelo, datos e infraestructura como un sistema único. La seguridad debe estar incorporada en múltiples capas y contar con responsables para actualizar rápidamente componentes comprometidos.
Una gestión unificada, o «single pane of glass», es recomendada para controlar almacenamiento, redes y computación, facilitando la supervisión y reduciendo los tiempos de detección y resolución de incidencias. Por ejemplo, un agente con acceso controlado puede detectar la causa raíz de una falla intermitente en un puerto de red si cuenta con permisos ajustados sobre qué infraestructura inspeccionar, qué datos consultar y qué acciones ejecutar.
La monitorización de las cargas de trabajo debe permitir ver el rendimiento, fallos y patrones de acceso sin poner en riesgo la privacidad de los datos del cliente ni la integridad del modelo. Los entornos de seguridad limitados, o sandboxes, restringen los sistemas y herramientas accesibles para cada agente, mientras que las capacidades de observabilidad registran qué datos fueron accedidos, cómo se utilizaron y cómo se interactuó con sistemas posteriores.
En definitiva, la evaluación se convierte en disciplina de producción: medir, observar, gobernar y gestionar cambios para evidenciar mejoras constantes, combinando confidencialidad, políticas a nivel de datos, observabilidad y precisión en el comportamiento.
Este ecosistema emergente apunta a una demanda creciente por modelos que puedan operar de forma segura bajo control del cliente en cualquier lugar donde residan datos sensibles. Como señala Horev, no se trata solo de utilizar una función aislada dentro de una plataforma más amplia, sino de sistemas vivos y en constante evolución.
La inteligencia artificial generativa promete una gran revolución, pero su adopción responsable y segura en empresas dependerá de resoluciones tecnológicas como la IA confidencial, que armonice la protección, control y gestión de datos y modelos, garantizando confianza y cumplimiento en un mundo digital cada vez más autónomo y complejo.
