Un ingeniero senior lleva tres horas atascado con un obstinado bug de concurrencia. Copia la función que falla —lógica propietaria, nombres de variables internos, un comentario que hace referencia a una arquitectura aún no publicada— y la pega en ChatGPT con un «¿por qué se produce este deadlock?». La respuesta es útil. El pegado es irreversible. Ese fragmento queda ahora sujeto a los términos de uso de un proveedor, y ninguna política posterior lo recupera.
Esta es la tensión que vive cada empresa intensiva en I+D. Las personas más cercanas a tu propiedad intelectual más valiosa son las que obtienen más provecho de la IA —y las más tentadas a alimentarla con el código exacto que hace que tu empresa valga algo. No quieres frenarlas. Pero cada respuesta rápida conlleva el riesgo de divulgar en silencio aquello sobre lo que se sostiene tu valoración.
Por qué las joyas de la corona son las más expuestas
La lógica cruel de la adopción de IA en las organizaciones de ingeniería es que la utilidad escala con la especificidad. Las preguntas genéricas obtienen respuestas genéricas. Los prompts que realmente desbloquean el trabajo son los que van cargados con tu código real, tus esquemas reales, tus decisiones de diseño reales. Así que el material más sensible es precisamente el que fluye con más naturalidad hacia el cuadro del prompt.
Las cifras dicen que esto ya está ocurriendo a gran escala. Cyberhaven halló en 2025 que aproximadamente el 40% de las interacciones con IA involucran datos sensibles, y que la proporción de datos corporativos sensibles que van a parar a la IA subió a cerca del 35%, desde alrededor del 11% dos años antes. LayerX informó que el 77% de los usuarios de IA pega datos en los prompts, y que el 82% de eso proviene de cuentas personales no gestionadas. La encuesta de Gartner de 2026 encontró que el 88% de los empleados con acceso a IA empresarial también usa herramientas de IA personales para el trabajo. Tu cuidadoso acuerdo empresarial no gobierna la pestaña que un ingeniero abrió con su propia sesión.
Samsung aprendió la forma de esto en 2023: en unos veinte días desde que permitió ChatGPT internamente, sus ingenieros habían pegado en él código fuente, un algoritmo de detección de defectos y la transcripción de una reunión. Los datos no pudieron recuperarse. Siguió una prohibición en toda la empresa —que es la reacción por defecto de la mayoría de las organizaciones, y la que fracasa en silencio.
Las prohibiciones no reducen el riesgo, lo ocultan
Cuando bloqueas ChatGPT en la red, no eliminas la necesidad del ingeniero de depurar más rápido. Eliminas tu visibilidad sobre cómo lo está resolviendo. Se pasa a una cuenta personal en el móvil, o a otra herramienta que aún no has bloqueado —hay más de una docena de uso común— y el pegado ocurre igual, ahora completamente fuera de todo lo que puedes ver o gobernar.
Esta es la trampa de tratar la IA como una herramienta que controlar en lugar de datos que proteger. Gartner informa que el 69% de las organizaciones sospecha o tiene evidencia de uso prohibido de GenAI pública. La prohibición ya existe para la mayoría de ellas. El uso prohibido ocurre de todos modos. Una prohibición convierte un comportamiento gobernable en uno invisible, y la invisibilidad es exactamente lo que no te puedes permitir cuando el material en juego es tu código fuente.
Hay también un coste real asociado a equivocarse en esto en la mesa de la diligencia. Cuando un adquirente o un inversor examina tu empresa, tu propiedad intelectual es el activo. «No podemos dar cuenta plena de a dónde se ha enviado nuestro código fuente» no es una frase que quieras decir durante una due diligence —y una vez que el código se ha enviado a una herramienta pública, puede ser retenido, procesado por subprocesadores en otros lugares o utilizado para entrenar los modelos del proveedor. Eso no es una exposición hipotética; es un debilitamiento fáctico de tu posición de secreto comercial.
Los secretos comerciales exigen secreto —y un pegado puede acabar con él
El razonamiento legal aquí merece detenerse en él, aunque sea de forma direccional. En Trinidad v. OpenAI (N.D. Cal., ene. 2026), se desestimó una demanda por secreto comercial porque desarrollar los presuntos secretos a través de ChatGPT se consideró divulgación voluntaria. El secreto que hacía protegible el material se trató como perdido en el momento en que entró en la herramienta.
Traslada eso a una empresa deep-tech: el estatus de secreto comercial y, en algunos casos, la patentabilidad dependen de que la invención no haya sido divulgada. Un ingeniero que pega un algoritmo pre-patente o un proceso novedoso en una herramienta de IA pública no solo filtra datos —puede estar socavando las protecciones legales que hacen que la invención sea tuya para comercializarla. Esto es direccional, no jurisprudencia asentada, pero la dirección es lo bastante clara como para que no quieras ser el caso de prueba.
Y el objetivo no es hacer que tus ingenieros teman usar la IA. Es que el riesgo de divulgación vive en un momento específico y atrapable: el instante antes de que se envíe un prompt. Antes de ese momento, tienes una decisión que tomar. Después, no queda nada que controlar.
Gobierna los datos, no la herramienta
La manera de mantener la velocidad es dejar de pedir a los ingenieros que hagan un juicio bajo presión sobre qué es seguro pegar. Ese juicio es exactamente lo que se quiebra en la tercera hora de una sesión de depuración. En cambio, el control tiene que actuar sobre los datos mismos, en el momento, sea cual sea la herramienta a la que el ingeniero haya recurrido.
Eso significa que el contenido sensible —código fuente, identificadores internos, detalles de diseño— se detecta y redacta antes de que el prompt llegue a la herramienta de IA, con valores de marcador de posición realistas para que el modelo aún pueda razonar sobre la estructura del problema y devolver una respuesta útil. El ingeniero conserva su ciclo rápido de retroalimentación. Los detalles de las joyas de la corona nunca salen de tu control. Y cuando algo se marca, una explicación en lenguaje sencillo de qué se detectó y por qué convierte cada cuasi accidente en un momento de formación, de modo que tu equipo mejora de forma medible en el uso seguro de la IA en lugar de simplemente quedar bloqueado.
Este es el principio sobre el que está construido Sanitized AI: proteger los datos en el punto de entrada, para que las personas no tengan que elegir entre hacer bien su trabajo y mantener intacta la propiedad intelectual de la empresa. Los líderes obtienen un registro de eventos de política y de dónde se concentra el riesgo —nunca el contenido de lo que un ingeniero escribió.
La pregunta que vale la pena hacerle a tu equipo este trimestre es simple: si mañana un ingeniero pegara tu función más valiosa en una herramienta de IA pública, ¿lo sabrías? ¿Y podrías haber detenido solo la parte sensible sin frenarlo? Si la respuesta honesta es no, esa es la brecha que hay que cerrar. Solicita una demo y te mostraremos cómo se ve en tu propio flujo de trabajo.