Ciberseguridad: enmascaramiento de datos y protección de la información corporativa frente a las amenazas de la IA | Noticias de tecnología perec.ru

Datos enmascarados: protección sin paranoia

2/11/2026, 15:00:00 Tecnología
✮✮✮✮✮
Datos enmascarados: protección sin paranoia

En Halloween se suele asustar con cibermonstruos y amenazas agazapadas en la oscuridad digital. Pero hay una metáfora festiva más útil para la protección de datos: la máscara. No destruye lo que hay debajo, sino que impide que cualquiera que pase por allí conozca el rostro verdadero. Con la información confidencial ocurre lo mismo: permitir que sea útil sin revelar más de la cuenta.

Los desarrolladores necesitan datos para probar aplicaciones, los analistas, para detectar patrones, y las herramientas de inteligencia artificial (IA), para trabajar con información corporativa. Pero la necesidad de utilizar datos no significa que cada usuario o sistema deba ver todos los secretos que contienen.

El enmascaramiento de datos sustituye la información confidencial por valores plausibles, pero inutilizables como originales. El conjunto de datos puede conservar las propiedades necesarias para el desarrollo, las pruebas y el análisis sin revelar nombres reales, números de cuenta y otros identificadores. Por ejemplo, un desarrollador puede necesitar datos realistas de clientes, pero no sus identidades reales; un sistema de análisis, relaciones y patrones, pero no cada número de cuenta auténtico.

Si la tarea no requiere el valor auténtico, revelarlo crea un riesgo sin aportar un beneficio empresarial equivalente. Además del enmascaramiento, se emplean la tokenización —la sustitución de un valor sensible por un token especial— y el cifrado. La protección debe elegirse teniendo en cuenta cómo se van a utilizar los datos, en lugar de abrir por defecto la información original.

Sin embargo, primero las empresas deben averiguar dónde se almacenan sus datos. No es tan sencillo como cabría desear. Según el informe Thales Data Threat Report de 2026, solo el 34 % de las organizaciones encuestadas sabe con exactitud dónde están sus datos, y el 39 % afirma que puede clasificar toda su información. De media, una organización utiliza siete herramientas distintas para proteger los datos y supervisarlos.

La infraestructura en la nube complica la tarea: la información se copia en lagos de datos, servicios SaaS, entornos de desarrollo y copias de seguridad. En documentos no estructurados pueden esconderse datos cuya existencia nadie sospechaba. Aplicaciones creadas años después de recopilar la información obtienen acceso a ella de repente. La IA agrava aún más el problema de la visibilidad: precisamente, buscar información se está convirtiendo en uno de los puntos fuertes de estos sistemas.

Aquí ayuda la gestión de la postura de seguridad de los datos (DSPM, por sus siglas en inglés). Este enfoque no empieza por proteger la infraestructura, sino por los propios datos: ayuda a detectar y clasificar la información sensible, averiguar dónde está, quién o qué tiene acceso a ella, cómo se utiliza y si la protección se ajusta al riesgo. Después, la empresa puede eliminar accesos innecesarios, restringirlos o aplicar enmascaramiento, tokenización o cifrado.

Esto es especialmente importante a medida que las empresas pasan de experimentar con la IA generativa a incorporarla en sus procesos cotidianos. Las aplicaciones de IA necesitan datos, y los agentes pueden necesitar todavía más: no solo crean contenido, sino que buscan información, toman decisiones y, potencialmente, realizan acciones en distintos sistemas.

Las amenazas ya son visibles. En el mismo estudio, el 61 % de las organizaciones afirmó que sus aplicaciones de IA habían sido objeto de ataques; los datos sensibles eran el principal objetivo de los atacantes. El riesgo para la seguridad de la IA mencionado con mayor frecuencia fueron los rápidos cambios en el propio ecosistema de la IA.

Pero la cuestión no es solo si se puede proteger la IA. Que una aplicación tenga acceso a una base de datos no debería significar automáticamente que pueda acceder a todos los secretos originales que contiene. El principio de mínimo privilegio, aplicado a las cuentas de usuario, también sirve para los datos: el sistema debe ver lo necesario para la tarea y proteger lo que no necesita.

Esto puede implicar enmascarar datos personales antes de enviarlos a entornos de desarrollo y pruebas, tokenizar valores especialmente sensibles o cifrarlos con un control estricto de quién puede descifrarlos. A veces, la decisión correcta es no dar acceso al conjunto de datos a un sistema de IA.

A menudo se presenta la seguridad de la IA como un campo completamente nuevo que exige respuestas completamente nuevas. Algunos riesgos sí son nuevos, pero también conviene aplicar principios de sobra conocidos: saber dónde se encuentran los datos sensibles, entender el contexto, reducir los accesos innecesarios y elegir la protección adecuada para cada finalidad. Estas decisiones deben revisarse a medida que cambian las aplicaciones y los sistemas de IA.

La IA puede ayudar a sacar más partido de los datos. Pero eso no significa que todos los sistemas que los aprovechan tengan que ver todo su contenido. Halloween es una vez al año; una buena máscara para la información sensible hace falta todo el año.

Nota: este artículo se ha preparado para el canal TechRadar Pro Perspectives y expresa la opinión de su autor, que puede no coincidir con la de TechRadarPro o Future plc.


PEREC.RU

En la seguridad corporativa hay una costumbre curiosa: primero se compra otra herramienta y luego se descubre que ya hay siete, pero sigue siendo un misterio dónde están exactamente los datos. Es la versión digital de ese trastero donde durante años se apilan cajas con la etiqueta «ya lo ordenaré». Y ahora entra allí la IA: no con una linterna, sino con la capacidad de encontrar rápidamente lo que hay dentro y hacer algo con ello.

El enmascaramiento no es magia ni un intento de esconder el problema bajo la alfombra. Es admitir que acceder a información útil no tiene por qué implicar acceder a cada detalle personal. Normalmente, un desarrollador necesita comprobar que una aplicación funciona, no averiguar los nombres reales de los clientes; a un análisis le importan los patrones, no una línea bancaria concreta de alguien. Pero la lógica empresarial suele optar por lo que no es estrictamente necesario, sino por «abramos todo, por si acaso»: la vieja forma de ahorrar cinco minutos para luego pagar las consecuencias.

De ahí la incómoda pregunta: ¿quién responde de que nadie sepa dónde están los datos ni quién puede acceder a ellos? Siete herramientas de protección suenan imponentes, casi como tener un guardia en la puerta. Claro que, si nadie ha trazado un plano del edificio, los guardias pueden pasar mucho tiempo vigilando con toda diligencia la puerta equivocada. La DSPM intenta empezar por hacer inventario y entender el contexto, no por comprar otro panel de control reluciente. Para el mercado de la ciberseguridad, probablemente no sea el giro más romántico: vender orden es más difícil que vender otro salvavidas.

La IA aporta velocidad, pero no corrige los errores de siempre. Un agente al que se le ha dado acceso amplio «por comodidad» puede no solo encontrar lo que necesita, sino también llegar a cosas que la tarea ni siquiera requería. Mientras tanto, los proveedores prometen eficiencia, las empresas se apresuran a adoptar novedades y la responsabilidad de establecer límites de acceso se diluye fácilmente entre equipos, contratistas y configuraciones predeterminadas. Si atacan el sistema, la información sensible se convierte en un botín especialmente atractivo: una sorpresa comparable a descubrir que se dejó la llave puesta en la cerradura.

Aquí conviene no convertir la nueva amenaza en un culto. El principio de mínimo privilegio no se inventó ayer: a una persona, una aplicación o una IA hay que darle exactamente el acceso que requiere para una tarea concreta. El enmascaramiento, la tokenización y el cifrado no son amuletos rivales, sino distintas formas de reducir el riesgo. A veces, la decisión madura no consiste en añadir otro ajuste, sino en negarse a conectar el sistema a datos que no necesita.

La conclusión más incómoda es sencilla: la IA no vuelve descuidada a una organización; amplifica el descuido que ya existe. Si los datos se multiplican por nubes, copias de seguridad y entornos de pruebas sin un control claro, la automatización solo propagará las consecuencias más deprisa. Por eso, la pregunta principal no es lo inteligente que sea el modelo, sino cuánta disciplina tienen quienes le han dado la tarjeta de acceso.

Podemos llamarlo innovación, transformación o una nueva etapa de eficiencia. Pero si todos los sistemas tienen acceso a los secretos, tras el bonito rótulo se esconde el viejo deseo de obtener resultados sin el aburrido trabajo de gestionar los accesos. Que sea cómodo no significa que sea seguro; sobre todo cuando la comodidad coincide por casualidad con los intereses de quienes venden rapidez, no responsabilidad.»

Compartir

Artículos relacionados