El enmascaramiento de datos cobra cada vez más relevancia a medida que los sistemas de inteligencia artificial obtienen un acceso más amplio a la información empresarial. La técnica no elimina los datos sensibles; en su lugar, oculta su identidad original y conserva suficiente utilidad de los datos para las tareas empresariales legítimas.
Los desarrolladores pueden necesitar datos representativos de clientes para probar aplicaciones, mientras que los analistas necesitan conservar relaciones y patrones para identificar tendencias. En ambos casos, puede no ser necesario acceder a identidades reales, números de cuenta u otros valores sensibles. El enmascaramiento reemplaza esos valores por alternativas realistas pero inutilizables, lo que permite a las organizaciones trabajar con los datos sin exponer su contenido original.
Las organizaciones también pueden utilizar la tokenización y el cifrado, dependiendo de cómo deba utilizarse la información. El principio subyacente consiste en aplicar protección según la tarea, en lugar de poner automáticamente a disposición datos sensibles sin procesar.
Sin embargo, las empresas primero deben saber dónde se almacena su información sensible. El informe 2026 Thales Data Threat Report concluyó que el 34% de las organizaciones encuestadas conocía por completo la ubicación de sus datos, mientras que el 39% afirmó que podía clasificarlos en su totalidad. Los encuestados también informaron de que utilizaban un promedio de siete herramientas para la protección y la supervisión de datos.
Los entornos de nube aumentan el desafío porque la información puede duplicarse en lagos de datos, plataformas de software como servicio, entornos de desarrollo y copias de seguridad. Los detalles sensibles también pueden permanecer ocultos en documentos no estructurados o volverse accesibles para aplicaciones creadas mucho después de que se recopilaran los datos.
La gestión de la postura de seguridad de los datos aborda este problema al centrarse en los propios datos. Implica descubrir y clasificar la información sensible, identificar dónde reside, comprender quién o qué puede acceder a ella y evaluar si las medidas de protección actuales son adecuadas. Una vez identificada la exposición innecesaria, las organizaciones pueden eliminar o restringir el acceso, o aplicar medidas como el enmascaramiento, la tokenización y el cifrado.
El problema cobra mayor importancia a medida que las empresas pasan de experimentar con la IA generativa a utilizarla en sus operaciones diarias. Las aplicaciones de IA necesitan información para producir resultados, mientras que los agentes pueden requerir un acceso más amplio para recuperar datos, tomar decisiones y actuar en varios sistemas.
Según la misma investigación, el 61% de las organizaciones afirmó que sus aplicaciones de IA estaban siendo objetivo de atacantes, y que los datos sensibles eran el principal objetivo identificado. El rápido cambio en el ecosistema de la IA fue el riesgo de seguridad de la IA citado con mayor frecuencia.
Aplicar los principios de mínimo privilegio a la IA puede limitar estos riesgos. El acceso a una base de datos no debería proporcionar automáticamente a un sistema de IA todos los valores sensibles sin procesar que contiene. Dependiendo de las circunstancias, las organizaciones pueden enmascarar la información personal antes de que llegue a los entornos de desarrollo o pruebas, tokenizar los valores especialmente sensibles, cifrar los datos y controlar estrictamente su descifrado, o impedir por completo que un sistema de IA acceda a un conjunto de datos.
El enfoque depende en gran medida de prácticas de seguridad de datos ya establecidas: identificar dónde reside la información sensible, comprender su contexto, minimizar el acceso innecesario y proteger los datos según cómo se utilicen. A medida que evolucionan las aplicaciones y los sistemas de IA, esas decisiones también deben reevaluarse.
Fuentes: TechRadar.