El problema: tu empleado se va con tus datos en un pendrive
Tu empresa maneja datos sensibles: contratos, listas de clientes, información financiera, código fuente. Los empleados tienen acceso a estos datos todos los días. Y cuando un empleado se va (por despido, renuncia o jubilación), puede llevarse copias de todo en un pendrive, por correo personal o en la nube.
El caso de Sodimac es real y reciente: la empresa se querelló contra un exgerente por delitos informáticos, acusándolo de sacar 17.622 archivos en un pendrive antes de jubilar. No es un caso aislado. Es un patrón que se repite en empresas de todos los tamaños en Chile.
El problema no es la falta de políticas. El problema es que las políticas (prohibir pendrives, bloquear correos personales, desactivar accesos) son reactivas y fáciles de evadir. Un empleado determinado puede enviar archivos por WhatsApp, subirlos a Google Drive personal o simplemente memorizar los datos. Y cuando la empresa descubre el robo, ya es demasiado tarde.
La IA puede cambiar esto. Un modelo de IA puede detectar patrones de exfiltración de datos en tiempo real: archivos que se copian en masa, correos con adjuntos sensibles, accesos a datos fuera del horario laboral, descargas inusuales. No reemplaza las políticas de seguridad: las complementa con detección automática. Pero para que la IA funcione, necesita datos de tu infraestructura, un plan de respuesta definido y una infraestructura que proteja la información.
Lo que dicen los datos
8,8 billones de intentos de ciberataque en Chile 2025: Fuente primaria: SEK (Security Ecosystem Knowledge), reporte "Think Ahead" (datos 2025), publicado en rga.cl (Pulso/La Tercera) el 1 de julio de 2026. De los 8,8 billones, 5 billones son escaneos activos (no ataques exitosos). El dato indica que el entorno digital chileno es altamente hostil, incluyendo amenazas internas.
Informe de Materialidad de Grandes Empresas (La Tercera, junio 2025): La escasez de talento y la irrupción de la IA son los principales desafíos para las empresas chilenas. La conclusión: las empresas saben que necesitan IA, pero no tienen el equipo para implementarla. Y sin equipo de seguridad, la implementación de IA para detección de fugas falla.
Ley 21.719 (vigente desde 1 de diciembre de 2026): Exige que las empresas protejan los datos personales de sus clientes y empleados. Si un empleado roba datos personales y la empresa no tenía medidas adecuadas, la responsabilidad es mayor.
Caso Sodimac (La Tercera, octubre 2026): La empresa se querelló contra un exgerente por delitos informáticos, acusándolo de sacar 17.622 archivos en un pendrive antes de jubilar. El caso ilustra el riesgo real de robo de datos por empleados en empresas chilenas.
La conclusión es que las empresas chilenas necesitan IA para detectar y prevenir el robo de datos por empleados, pero sin exponer datos de clientes y empleados.
Los 5 patrones de robo de datos que la IA puede detectar
1. Copia masiva de archivos
El problema: Un empleado copia cientos o miles de archivos a un pendrive, a un disco externo o a una carpeta de la nube personal. El proceso toma minutos y las políticas tradicionales (bloquear USBs) no siempre funcionan.
Cómo la IA ayuda: Un modelo de IA monitorea el comportamiento de los empleados y detecta copias masivas: archivos que se copian en cantidades inusuales, velocidades de transferencia anormales, accesos a carpetas sensibles en horarios no habituales.
Ejemplo: La IA detecta que un empleado copió 500 archivos en 10 minutos a un pendrive. La IA alerta: "Copia masiva de archivos detectada. Empleado: Juan Pérez. Hora: 22:30. Archivos: contratos, listas de clientes, datos financieros."
La regla: La IA detecta, el gerente investiga. La IA genera la alerta, el gerente toma la acción.
2. Envío de archivos por correo personal
El problema: Un empleado envía archivos sensibles a su correo personal (Gmail, Hotmail, etc.) para tenerlos fuera de la empresa. Los filtros de correo tradicionales no detectan este patrón porque el correo parece normal.
Cómo la IA ayuda: Un modelo de IA analiza los correos salientes y detecta patrones de exfiltración: correos con adjuntos sensibles enviados a direcciones personales, correos con asuntos como "para mi casa", "backup", "personal".
Ejemplo: La IA detecta que un empleado envió 20 correos con adjuntos (contratos, datos de clientes) a su correo personal en Gmail. La IA alerta: "Posible exfiltración de datos por correo. Empleado: María González. Destino: [email protected]. Archivos: 20 adjuntos sensibles."
La regla: La IA detecta, el gerente investiga. La IA genera la alerta, el gerente toma la acción.
3. Acceso a datos fuera del horario laboral
El problema: Un empleado accede a datos sensibles fuera del horario laboral (noches, fines de semana, feriados). El acceso puede ser legítimo (trabajo remoto) o sospechoso (preparando el robo).
Cómo la IA ayuda: Un modelo de IA analiza los patrones de acceso de cada empleado y detecta anomalías: accesos a datos sensibles en horarios no habituales, accesos a carpetas que no corresponden al rol del empleado, descargas masivas.
Ejemplo: La IA detecta que un empleado accedió a la carpeta de contratos a las 2:00 AM un sábado. El empleado nunca ha accedido fuera del horario laboral. La IA alerta: "Acceso anómalo a datos sensibles. Empleado: Pedro Soto. Hora: 02:00 (sábado). Carpeta: contratos."
La regla: La IA detecta, el gerente investiga. La IA genera la alerta, el gerente toma la acción.
4. Subida de datos a la nube personal
El problema: Un empleado sube archivos a Google Drive personal, Dropbox, OneDrive personal o servicios similares. El proceso es invisible para los sistemas tradicionales porque el tráfico parece normal (HTTPS).
Cómo la IA ayuda: Un modelo de IA monitorea el tráfico de red y detecta subidas a servicios de nube personal: conexiones a dominios de Google Drive, Dropbox, OneDrive que no corresponden a las cuentas corporativas.
Ejemplo: La IA detecta que un empleado subió 2 GB de datos a Google Drive personal en 30 minutos. La IA alerta: "Subida masiva a nube personal. Empleado: Ana López. Servicio: Google Drive personal. Volumen: 2 GB."
La regla: La IA detecta, el gerente investiga. La IA genera la alerta, el gerente toma la acción.
5. Acceso a datos que no corresponden al rol
El problema: Un empleado accede a datos que no necesita para su trabajo: un vendedor que accede a datos financieros, un administrativo que accede a código fuente, un recepcionista que accede a contratos. El acceso puede ser curiosidad o preparación para el robo.
Cómo la IA ayuda: Un modelo de IA analiza los patrones de acceso de cada empleado y detecta anomalías: accesos a datos que no corresponden al rol, accesos a carpetas sensibles que el empleado nunca ha visitado antes.
Ejemplo: La IA detecta que un empleado del área de ventas accedió a la carpeta de contratos de RRHH y a los datos financieros de la empresa. La IA alerta: "Acceso a datos fuera del rol. Empleado: Carlos Ruiz (Ventas). Carpetas: contratos RRHH, datos financieros."
La regla: La IA detecta, el gerente investiga. La IA genera la alerta, el gerente toma la acción.
Los 4 requisitos para implementar IA en detección de fugas de datos
1. Visibilidad de los datos
La IA necesita visibilidad sobre los datos: qué archivos existen, dónde están, quién los accede y qué hacen con ellos. Si no tienes visibilidad sobre tus datos, la IA no puede detectar anomalías.
Si no cumples este requisito: La IA va a operar a ciegas. No va a detectar nada porque no sabe qué es normal y qué no.
2. Datos en tu infraestructura
La IA necesita que los datos de monitoreo estén en tu infraestructura (o en infraestructura en Chile con garantías de protección de datos). Si envías datos de monitoreo a un proveedor en la nube, tus datos salen de tu control.
Si no cumples este requisito: Los datos de tus empleados y clientes pueden estar expuestos.
3. Plan de respuesta a incidentes
La IA necesita un plan de respuesta definido: qué hacer cuando se detecta una fuga, quién responde, qué pasos seguir. Si tu plan es "llamar al técnico", la IA no puede ayudar.
Si no cumples este requisito: La IA va a detectar fugas pero nadie va a saber qué hacer. La detección sin respuesta es inútil.
4. Equipo de respuesta capacitado
La IA necesita que alguien responda a las alertas. Si no tienes un equipo (o al menos una persona) que revise las alertas y tome acción, la IA es inútil.
Si no cumples este requisito: Las alertas se acumulan y nadie las revisa. Las fugas siguen ocurriendo.
El checklist: ¿está tu empresa lista para detectar fugas de datos con IA?
Nivel 1: Lo básico (hazlo antes de empezar)
- Inventario de datos: Lista todos los datos sensibles que tu empresa tiene. Identifica qué datos están en cada sistema.
- Política de acceso: Define quién puede acceder a qué datos. Documenta los roles y permisos.
- Plan de incidentes: Define un plan de respuesta a incidentes de fuga de datos: qué hacer, quién responde, qué pasos seguir.
- Infraestructura: Verifica que tienes infraestructura para correr la IA localmente (o un proveedor en Chile).
Nivel 2: Lo importante (hazlo en las primeras 2 semanas)
- Monitoreo de archivos: Implementa el monitoreo de copias masivas de archivos con la IA.
- Monitoreo de correos: Implementa el monitoreo de correos con adjuntos sensibles con la IA.
- Monitoreo de accesos: Implementa el monitoreo de accesos fuera del horario laboral con la IA.
- Alertas: Implementa alertas para posibles fugas de datos.
Nivel 3: Lo avanzado (hazlo en el primer mes)
- Monitoreo de nube personal: Implementa el monitoreo de subidas a nube personal con la IA.
- Monitoreo de roles: Implementa el monitoreo de accesos fuera del rol con la IA.
- Dashboard: Implementa un dashboard que muestre las amenazas detectadas.
- Mejora continua: Usa el feedback del equipo para ajustar los modelos y mejorar la precisión.
El trade-off: seguridad manual vs. detección de fugas con IA
| Aspecto | Seguridad manual (políticas) | Detección de fugas con IA (Personnn) |
|---|---|---|
| Velocidad de detección | Lenta (días o semanas) | Rápida (tiempo real) |
| Cobertura | Parcial (lo que alguien nota) | Completa (todos los accesos) |
| Precisión | Variable (depende de la persona) | Alta (basada en patrones) |
| Coste | Alto (costo de una fuga) | Medio (infraestructura propia) |
| Escalabilidad | No escala (más empleados = más riesgo) | Escala (más empleados = misma detección) |
| Privacidad | Depende del sistema | Alta (todo en tu infraestructura) |
| Plan de respuesta | No (improvisado) | Sí (definido y automatizado) |
| Requiere conocimiento técnico | No (pero riesgoso) | Sí (o un proveedor como Personnn) |
Qué hace Personnn
Personnn tiene productos que ayudan a detectar y prevenir fugas de datos sin exponer información de empleados y clientes:
Inference: Modelos de IA que corren en tu infraestructura. La detección de fugas puede procesar datos de empleados sin enviarlos a terceros.
DataForge: Prepara, limpia y estructura tus datos para que la IA pueda monitorearlos. Conecta tus sistemas (archivos, correos, accesos) y consolida los datos en una fuente única de verdad.
Search: Motor de búsqueda semántica que busca en tus documentos por significado. Útil para encontrar políticas de seguridad, procedimientos de respuesta y documentación de incidentes.
Personnn Mail: Agente de IA que lee, clasifica y responde correos automáticamente. Puede detectar patrones de exfiltración en los correos salientes.
Higiene web / npmsecure: Herramientas que auditan la seguridad de tu sitio web y tus dependencias. Detectan vulnerabilidades, claves expuestas y configuraciones inseguras.
Para empezar, entra a personnn.com/servicios y pega la dirección de tu sitio para obtener un diagnóstico gratuito.
Fuentes
- 8,8 billones de intentos de ciberataque en Chile 2025. Fuente primaria: SEK (Security Ecosystem Knowledge), reporte "Think Ahead" (datos 2025), publicado en rga.cl (Pulso/La Tercera) el 1 de julio de 2026. De los 8,8 billones, 5 billones son escaneos activos. Verificado por web_fetch (vuelta 16).
- Informe de Materialidad de Grandes Empresas. La Tercera, junio 2025. Escasez de talento + irrupción de IA. Verificado por web search (vuelta 16).
- Ley 21.719: vigente desde el 1 de diciembre de 2026. Protección de datos personales en Chile. Fuente: tramitacion.senado.cl + varelaabogados.cl + boostify.cl + tline.cl. Verificado por web search (vuelta 16).
- Caso Sodimac: La Tercera, octubre 2026. Empresa se querelló contra exgerente por delitos informáticos (17.622 archivos en pendrive). Verificado por web_fetch (vuelta 69).
- Las cifras de "5 patrones", "4 requisitos" y "12 puntos" son una estructura editorial, no datos verificables. Se tratan como framework de evaluación.
- Los ejemplos ilustrativos (archivos, correos, accesos) son ejemplos genéricos, no datos verificables. Se tratan como estimaciones no verificadas.