Una enfermera de práctica avanzada termina una consulta compleja, abre una nueva pestaña del navegador y pega la nota del encuentro en ChatGPT para redactar una carta de derivación pulida. La nota incluye el nombre del paciente, su fecha de nacimiento, un diagnóstico y una lista de medicamentos. La derivación regresa impecable en segundos. El EMR que está en la pestaña de al lado —con su acceso basado en roles, sus registros de auditoría y su cifrado en reposo— no registró nada de esto. La información de salud protegida acaba de salir del control de la organización, y no hay forma de recuperarla.
Este es el hueco en la seguridad de datos clínicos que la mayoría de las organizaciones de salud no ha medido. Se dedica un esfuerzo enorme a proteger el registro médico electrónico: revisiones de acceso, registro de accesos de emergencia (break-glass), integraciones evaluadas para su alineación con PHIPA y el Proyecto de Ley C-27. Todo eso gobierna los datos dentro del sistema de registro. Nada de eso gobierna la casilla de texto a la que recurre el personal clínico en el momento en que el EMR no hace lo que necesita con la rapidez suficiente.
Por qué la seguridad del EMR no puede ver la casilla del prompt
La seguridad del EMR se construye alrededor de un límite: el sistema de registro y sus integraciones autorizadas. Todo lo que fluye a través de ese límite queda registrado, con permisos y con capacidad de defensa. El supuesto que lo sostiene es que la PHI se mueve entre sistemas conocidos por rutas conocidas.
La IA generativa rompe ese supuesto. El profesional copia texto del EMR —un acto legítimo e invisible— y lo pega en un lugar con el que el EMR no tiene ninguna relación. Desde la perspectiva del registro, no pasó nada. Ninguna integración se activó, ningún export quedó registrado, ninguna política se disparó. Los datos simplemente aparecieron en una herramienta pública a través de la interfaz más común de la informática: copiar y pegar.
Por eso tanto uso de IA pasa desapercibido. La investigación de LayerX de 2025 encontró que las organizaciones tienen cero visibilidad sobre aproximadamente el 89% del uso de IA, y que el 82% de los datos pegados en la IA provienen de cuentas personales, no gestionadas. En un entorno clínico eso significa que la carta de derivación, el resumen de alta, la apelación al seguro —todo redactado en una pestaña personal de ChatGPT que ningún panel de TI en salud verá jamás. Los datos de Netskope de 2025 ponen una cifra a esa exposición: la organización promedio registra alrededor de 223 violaciones de políticas de datos sensibles al mes a través de apps de IA generativa, y el 54% de ellas involucra datos regulados.
Los flujos de trabajo donde la PHI realmente se filtra
El riesgo no es abstracto, y no es malintencionado. Es el resultado natural de personas sobrecargadas usando la herramienta más rápida disponible. Piense en dónde aparece:
Un recepcionista de citas pega un lote de nombres y números de teléfono de pacientes en una herramienta de IA para reformatearlos en una lista de llamadas. Un investigador vuelca en un chatbot un conjunto de datos en proceso de anonimización para detectar valores atípicos —antes de que los identificadores estén realmente eliminados. Un médico resume una historia clínica extensa en lenguaje sencillo para una familia, pegando el historial completo para obtener un párrafo legible. Un administrativo sube una hoja de cálculo de registros de facturación —números de seguro social, fechas de nacimiento, códigos de diagnóstico— para que la IA encuentre las anomalías.
En cada uno de estos casos alguien está haciendo bien su trabajo, bajo presión, con la mejor herramienta a mano. El análisis de Cyberhaven de 2025 encontró que aproximadamente el 40% de las interacciones con IA involucra datos sensibles, y que la proporción sensible de los datos corporativos que van a la IA ha subido a cerca del 35% —desde alrededor del 11% hace dos años. La salud está en el extremo más afilado de esa tendencia: alta sensibilidad de los datos, fuerte regulación y personal clínico que ya vive todo el día en SaaS basado en el navegador.
Lo que está en juego tampoco es teórico. El Cost of a Data Breach Report de IBM de 2025 sitúa a la salud con el costo promedio de brecha más alto de cualquier sector —$7.42M— y encontró que las brechas que involucran altos niveles de IA en la sombra cuestan alrededor de $670K más en promedio. El mismo informe señala que el 97% de las organizaciones con una brecha relacionada con IA carecía de controles de acceso a la IA adecuados.
Por qué la respuesta no es otra prohibición
La reacción instintiva es bloquear las herramientas. No funciona, y los líderes de salud ya lo han visto fracasar. Cuando Samsung prohibió ChatGPT en 2023 después de que ingenieros pegaran código fuente en él, la prohibición llegó solo cuando los datos ya se habían ido —y la lección se generaliza: las prohibiciones empujan el uso hacia dispositivos personales y cuentas personales, donde la visibilidad cae a cero. Gartner encontró que el 88% de los empleados con acceso a IA empresarial también usa herramientas de IA personales para el trabajo.
Un profesional clínico que no puede usar IA en una cuenta de trabajo la usará en su teléfono durante un descanso. Los datos igual salen; simplemente usted dejó de poder verlos. Y una prohibición castiga las ganancias de productividad que hacen que valga la pena tener IA, así que la gente la esquiva en silencio y deja de contarle qué usa.
La gobernanza le gana a la prohibición. Los controles que realmente reducen la exposición de PHI operan a nivel de los datos, no de la herramienta: detectar el contenido sensible en el prompt antes de que se envíe y —fundamental— explicar a la persona en el momento qué se marcó y por qué. Redactar los identificadores mientras se deja pasar una versión con marcadores de posición realistas significa que la IA igual devuelve una carta de derivación utilizable, de modo que nadie tiene motivo para esquivar el control. Cada prompt marcado se convierte en una pequeña pieza de formación y, con el tiempo, la plantilla mejora de forma medible en el uso seguro de la IA. Los líderes obtienen una vista de dónde se concentra el riesgo de IA —un registro del evento de política, nunca los datos del paciente en sí.
Este es el principio sobre el que está construido Sanitized AI: los datos sensibles deben detectarse antes de que un prompt llegue siquiera a una herramienta de IA pública, porque una vez que la PHI se envía, no queda nada que controlar.
La pregunta que hay que hacerse este trimestre
Su auditoría del EMR le dice quién leyó una historia clínica. No le dice nada sobre si esa historia se pegó en una herramienta de IA pública una hora después. Son dos superficies de seguridad distintas, y la mayoría de las organizaciones de salud solo ha instrumentado una de ellas.
El paso práctico este trimestre es averiguar qué está pasando realmente en la pestaña del navegador junto al EMR —no encuestando al personal, que sub-reporta, sino examinando si la PHI puede salir por la casilla del prompt en absoluto. Si no puede responder eso, su gobernanza de datos clínicos tiene un punto ciego justo donde trabaja su gente más ocupada. Si desea ver cómo funciona en la práctica detectar la PHI antes de que salga, solicite una demostración.