Trae Tu Propio Modelo: La Amenaza de IA Sombra que Tu Red No Puede Ver
Meta: Los empleados están descargando y ejecutando silenciosamente potentes modelos de IA directamente en sus portátiles de trabajo. No hay tráfico de red que monitorear. No hay datos que salgan del edificio. No hay rastro de auditoría. Por eso BYOM es el punto ciego de la IA en la sombra que las herramientas de seguridad tradicionales pasarán completamente por alto.
---
Imagínese esto: un analista de datos en su empresa descarga Llama 3.3 un martes por la tarde. Tarda unos diez minutos. El modelo, una IA genuinamente capaz de 70 mil millones de parámetros, se ejecuta completamente local en su MacBook Pro. Comienza a alimentarlo con datos de abandono de clientes, proyecciones financieras internas, borradores de contratos. El modelo procesa todo. Sus herramientas DLP no ven nada. Los registros de su proxy están limpios. Su CASB no reporta anomalías.
Porque nada salió del edificio.
Esta es la nueva frontera de la IA sombra, y está tomando a la mayoría de las organizaciones completamente desprevenidas.
La IA sombra acaba de volverse mucho más difícil de detectar
La mayoría de los equipos de seguridad empresarial han construido sus defensas contra la IA sombra basándose en una suposición razonable: si un empleado usa una herramienta de IA no autorizada, los datos tienen que ir a algún lado. A los servidores de OpenAI. A la API de Anthropic. A alguna plataforma SaaS con un nivel gratuito y una política de privacidad que nadie lee. Ese flujo de datos saliente es detectable: puede monitorear solicitudes DNS, bloquear puntos finales de IA conocidos, marcar tráfico API inusual.
Pero 2026 nos ha traído un nuevo problema. Los modelos son lo suficientemente pequeños para ejecutarse localmente y lo suficientemente potentes para ser realmente útiles. Llama 3, Mistral, Phi-3, Gemma: ya no son modelos de juguete. Pueden resumir documentos, escribir código, analizar hojas de cálculo, redactar contratos y sintetizar investigaciones. Y funcionan cómodamente en un portátil moderno con una GPU decente. O incluso sin ella, si tienes paciencia.
La tendencia "Trae Tu Propio Modelo", BYOM, si quieres un acrónimo, es exactamente lo que parece: empleados descargando estos modelos y ejecutándolos directamente en hardware corporativo. Sin llamadas a API en la nube. Sin suscripciones que señalar. Sin tráfico de red inusual. Solo un proceso ejecutándose localmente, consumiendo los datos que el empleado decide alimentar.
Según datos recientes, entre el 43% y el 80% de los empleados ya admiten usar herramientas de IA no aprobadas en el trabajo. Ese número se basó en gran medida en herramientas basadas en la nube. La cohorte de modelos locales es más pequeña ahora, pero es el segmento de más rápido crecimiento y el más difícil de rastrear.
Lo que hace esto realmente diferente
Con la IA sombra tradicional, el modelo de riesgo está bastante bien entendido. Un empleado pega datos de clientes en ChatGPT, esos datos potencialmente entran en un pipeline de entrenamiento, el manejo de datos del proveedor se convierte en su responsabilidad. Malo, pero al menos hay un evento detectable.
BYOM rompe ese modelo por completo.
No hay transferencia de datos salientes que detectar. El modelo se ejecuta en un proceso local. Si un empleado usa [Ollama](https://ollama.com/), el entorno de ejecución de modelos locales más popular actualmente, todo parece una aplicación más ejecutándose en su equipo. La seguridad de tu endpoint podría marcarlo como software inusual. O podría no marcarlo en absoluto, porque no está haciendo nada tradicionalmente "malicioso".
Los riesgos son diferentes en su naturaleza, no inexistentes:
Procesamiento local no controlado de datos sensibles. Cuando un empleado procesa datos propietarios mediante un modelo local, no existe rastro de auditoría. No hay registro de qué se procesó, qué se generó ni qué conclusiones se obtuvieron. Si esos datos incluyen información personal regulada, registros financieros o propiedad intelectual, tienes una exposición de cumplimiento que ni siquiera puedes documentar, y mucho menos defender.
Persistencia y ajuste fino del modelo. Este es el escenario que debería mantener a los CISOs despiertos por la noche: un empleado ajusta finamente un modelo local con datos internos de la empresa. El modelo literalmente aprende los patrones, terminología, precios y estrategia de tu organización. Ese modelo luego permanece en su portátil. Cuando dejan la empresa, se lo llevan consigo.
Sin gobernanza, sin límites. Los proveedores de IA en la nube, los reputados, tienen políticas de contenido, filtros de salida y al menos algo de responsabilidad. Un modelo local tiene solo los límites que el desarrollador decidió incluir, que a menudo son ninguno. Los empleados que usan modelos locales para redactar comunicaciones, generar código o hacer recomendaciones no tienen supervisión organizacional sobre lo que se genera.
Proliferación de endpoints. Cada instalación de un modelo local es, efectivamente, un nuevo sistema de IA operando dentro de tu entorno. Sin evaluación de riesgos. Sin aprobación de uso aceptable. Sin evaluación del proveedor. Solo una descarga y un comando de ejecución.
Por qué TI no puede simplemente bloquearlo
La respuesta instintiva es bloquear las descargas de modelos a nivel de red o mediante gestión de endpoints. Y sí, puedes dificultarlo. Pero este enfoque choca con algunas realidades incómodas.
Muchos modelos locales se distribuyen a través de Hugging Face, que también es una plataforma legítima de investigación y desarrollo usada por tus equipos de ciencia de datos. Bloquearla por completo genera fricción para quienes realizan trabajos autorizados. Lo mismo ocurre con GitHub, donde los pesos de modelos y herramientas como Ollama están disponibles libremente.
Más prácticamente: los empleados suficientemente motivados para ejecutar modelos locales también lo están para descargarlos en redes domésticas y transferirlos por USB, o usar dispositivos personales conectados a sistemas corporativos. Estás jugando al "whack-a-mole" con un segmento técnicamente sofisticado de tu plantilla.
La respuesta no es un muro más duro. Es una mejor visibilidad de lo que se ejecuta en los endpoints, combinada con estructuras de gobernanza que realmente puedan acomodar el uso legítimo de IA local mientras señalan lo riesgoso.
La brecha de gobernanza es el verdadero problema
Esta es la verdad incómoda: el 63% de las organizaciones aún carecen de políticas formales de gobernanza de IA. De las que tienen políticas, la mayoría fueron escritas pensando en herramientas de IA en la nube. Hablan de listas de proveedores aprobados, clasificación de datos para herramientas externas y uso aceptable de plataformas SaaS de IA.
Nada de eso cubre el modelo que se ejecuta silenciosamente en el portátil de alguien.
La gobernanza efectiva para la era BYOM debe abordar varios aspectos que la mayoría de las políticas actuales no cubren:
Inventario de IA a nivel de endpoint. No puedes gobernar lo que no puedes ver. Saber qué modelos de IA están instalados y en ejecución en toda tu flota, no solo qué herramientas SaaS se están usando, es la nueva base mínima.
Clasificación del manejo de datos para inferencia local. Que los datos no salgan del edificio no significa que su uso sea incontrolado. Las políticas deben especificar qué categorías de datos pueden procesarse mediante modelos locales y bajo qué condiciones.
Herramientas locales aprobadas. En lugar de una prohibición total que fomente comportamientos ocultos, las organizaciones inteligentes establecen listas seleccionadas de modelos locales aprobados para casos de uso específicos, y ofrecen vías legítimas para que los empleados soliciten nuevas incorporaciones.
Procedimientos de salida. Cuando un empleado se va, los procesos estándar de desvinculación no fueron diseñados para la posibilidad de que hayan ajustado un modelo con tus datos. Eso debe cambiar.
Los empleados no son los villanos aquí
Vale la pena decirlo: la mayoría de las personas que ejecutan modelos locales de IA en sus portátiles de trabajo no intentan exfiltrar datos ni evadir la seguridad. Intentan hacer mejor su trabajo, a menudo con herramientas que son genuinamente más privadas que las alternativas basadas en la nube que podrían usar.
El analista que procesa datos sensibles de clientes mediante un modelo local Mistral en lugar de subirlos a ChatGPT podría tener mejores instintos de privacidad que colegas que no lo han considerado. Han identificado una necesidad legítima, análisis asistido por IA, y elegido una opción que, en su opinión, mantiene los datos internamente.
El problema es que "interno pero sin control" no es lo mismo que "gobernado y seguro." Las buenas intenciones no crean registros de auditoría ni evaluaciones de riesgo.
Las organizaciones que manejarán esto bien son las que se adaptan a sus empleados: reconociendo el valor legítimo de productividad de las herramientas locales de IA, creando marcos que permitan el uso autorizado y construyendo la visibilidad para saber cuándo se está eludiendo el marco.
Las organizaciones que tendrán dificultades son las que tratan BYOM solo como un problema de seguridad a bloquear, en lugar de un problema de gobernanza a gestionar.
Qué hacer ahora
Si tu programa actual de gobernanza de IA se centra únicamente en monitorear el tráfico saliente y gestionar tu lista de proveedores SaaS aprobados, es hora de ampliarlo. Comienza con una evaluación honesta de tu panorama de endpoints: ¿ya se están ejecutando herramientas locales de IA en tu entorno? (Pista: casi seguro que sí).
A partir de ahí, el trabajo es familiar: clasifica el riesgo, crea políticas adecuadas, establece vías legítimas para empleados con necesidades reales y desarrolla la capacidad de monitoreo para detectar lo que está fuera de esas vías.
Los modelos seguirán siendo más pequeños y capaces. La barrera para ejecutar IA realmente potente localmente seguirá bajando. Esta tendencia no se revertirá. La pregunta es si tu gobernanza avanza al mismo ritmo.
