Cuando su IA habla con otra IA: ¿sabe usted realmente por dónde circula su conocimiento organizacional?

La inteligencia artificial se está instalando rápidamente en las empresas y en las organizaciones gubernamentales. Hay empleados que la utilizan para analizar documentos, resumir informes, escribir código, preparar presentaciones, buscar información, estructurar decisiones y acelerar una multitud de tareas cotidianas. A medida que aparecen los agentes de IA, esta integración avanza todavía más: la inteligencia artificial puede ahora acceder directamente a ciertas aplicaciones, consultar documentos, interrogar bases de datos, utilizar API e intervenir en procesos operativos.

Estas capacidades pueden producir beneficios considerables. También crean una nueva realidad: una parte del conocimiento organizacional comienza a circular a través de infraestructuras de inteligencia artificial cuyos componentes los usuarios no necesariamente conocen en su totalidad.

Un acontecimiento reciente en torno a Moonshot AI, la empresa detrás de los modelos Kimi, y Anthropic permite medir la importancia de esta cuestión. En un primer momento, las autoridades estadounidenses acusaron a Moonshot de haber utilizado las capacidades de Claude para acelerar el desarrollo de Kimi mediante técnicas de destilación. Estas acusaciones alimentaron un debate, en particular sobre la cronología planteada y sobre lo que realmente permitía explicar.

Algunas semanas más tarde, Anthropic formuló alegaciones mucho más precisas. Según la empresa, Moonshot habría redirigido ciertas consultas de sus propios usuarios hacia Claude y recuperado elementos de esos intercambios. Anthropic afirma que estas operaciones habrían representado más de 23 millones de intercambios entre mayo y julio de 2026 y que algunas consultas contenían información sensible procedente de usuarios que creían interactuar únicamente con Kimi.

Más allá de las dimensiones comerciales, tecnológicas y geopolíticas de este caso, surge una pregunta mucho más universal para las organizaciones: cuando un empleado transmite una información a una inteligencia artificial, ¿sabemos realmente quién la recibe, por dónde circula y qué puede hacerse después con ella?

Para una empresa o una organización gubernamental, la principal enseñanza de esta situación tiene que ver con la cadena de confianza. Cuando un usuario abre una interfaz de inteligencia artificial, generalmente ve una marca, un producto y una ventana de conversación. Esta aparente sencillez puede ocultar una arquitectura mucho más compleja.

Detrás de esa interfaz pueden intervenir varios proveedores. El servicio visible puede utilizar un modelo desarrollado por otra empresa. Ciertas consultas pueden dirigirse a distintos modelos según su naturaleza. Una función de búsqueda puede utilizar un servicio externo. Un agente puede llamar a varias API. Los datos pueden atravesar una plataforma de orquestación, una infraestructura en la nube y diferentes sistemas especializados antes de que la respuesta se presente finalmente al usuario. La experiencia sigue siendo simple. La cadena tecnológica, en cambio, puede ser larga.

Esta distinción adquiere toda su importancia cuando una organización utiliza la inteligencia artificial con su propia información. Según Anthropic, ciertas consultas dirigidas a Kimi habrían sido redirigidas hacia Claude sin que los usuarios implicados supieran necesariamente que sus datos se transmitían a otro proveedor. La empresa afirma que algunos intercambios incluían, entre otras cosas, código interno, credenciales activas e información procedente de organizaciones gubernamentales o de empresas públicas.

Sin necesidad de arbitrar las acusaciones entre las empresas implicadas, la situación permite ilustrar una debilidad mucho más general. El usuario conoce la herramienta que utiliza. Conoce mucho menos la arquitectura que se encuentra detrás de esa herramienta. Para una organización que maneja información sensible, esa diferencia puede llegar a ser considerable.

Autorizar el uso de un servicio de IA no debería, por tanto, basarse únicamente en el nombre que aparece en la parte superior de la pantalla. Hay que comprender el conjunto de la cadena de procesamiento. ¿Qué modelo ejecuta realmente la consulta? ¿Dónde se encuentra la infraestructura? ¿Se utiliza siempre el mismo modelo? ¿Puede el proveedor transmitir ciertas consultas a un subcontratista? ¿Se conservan las conversaciones? ¿Pueden utilizarse para el entrenamiento? ¿Qué metadatos se registran? ¿Intervienen servicios secundarios o API en el procesamiento?

Estas preguntas resultan especialmente importantes cuando la información se refiere a la propiedad intelectual, las operaciones, la defensa, la investigación, infraestructuras críticas, datos personales o decisiones estratégicas. El problema supera entonces ampliamente la protección de un archivo individual. Afecta directamente al conocimiento de la organización.

Durante mucho tiempo, una fuga de información evocaba principalmente un documento robado, una base de datos copiada o un correo electrónico enviado al destinatario equivocado. La inteligencia artificial modifica esta dinámica. Hoy un empleado puede copiar algunas páginas de un documento estratégico en una interfaz y transmitir en pocos segundos un conocimiento que tomó años desarrollar.

Ese conocimiento puede adoptar la forma de código fuente, de una arquitectura técnica, de un proceso industrial, de un análisis de mercado, de una estrategia comercial, de un procedimiento operativo, de un modelo financiero o de una sucesión de decisiones que, en conjunto, revelan cómo funciona la organización. Cada fragmento puede parecer relativamente banal. Su combinación puede representar una parte considerable de su ventaja competitiva u operativa.

Esta realidad obliga a ampliar la noción de propiedad intelectual. Las patentes, las marcas y el software siguen siendo evidentemente importantes, pero gran parte del patrimonio estratégico de una organización reside en su saber hacer. ¿Por qué se tomó tal decisión? ¿Cómo funciona realmente este proceso? ¿Qué problemas ya se han encontrado? ¿Qué solución resultó eficaz? ¿Qué clientes presentan ciertas restricciones? ¿Qué proveedores son particularmente críticos? ¿Qué arquitectura se contempla para el próximo producto?

Es precisamente ese contexto lo que hace que la inteligencia artificial sea tan útil. Una IA genérica puede poseer capacidades notables, pero resulta mucho más pertinente cuando comprende la organización, sus documentos, sus procesos, su vocabulario y sus restricciones. Aparece entonces una paradoja: cuanto más comparte la organización sus conocimientos con la IA, más valor puede crear esta; cuanto más comparte sus conocimientos, más debe dominar las condiciones en las que estos se utilizan.

Una norma que simplemente pida a los empleados no transmitir nunca información confidencial a una herramienta de IA sigue siendo útil, pero resulta insuficiente. Un empleado no sabe necesariamente que una información es sensible. Un documento puede contener principalmente información pública y algunos elementos estratégicos. Una aplicación empresarial puede utilizar un modelo de IA en segundo plano sin que el usuario interactúe directamente con él. Un asistente de programación puede tener acceso al código y al contexto de todo un proyecto.

La llegada de los agentes de IA amplifica todavía más este fenómeno. Un chatbot generalmente espera a que un usuario le proporcione información. Un agente puede ir a buscarla él mismo. Puede consultar un buzón de correo electrónico, abrir documentos, interrogar una base de datos, utilizar un CRM, llamar a API y desencadenar ciertas acciones. La cuestión ya no es solamente saber qué decide transmitir voluntariamente un empleado a la IA. También hay que saber qué está autorizada la propia IA a consultar y a transmitir.

La identidad digital del agente se vuelve entonces fundamental. Como un empleado, un agente debería disponer de una identidad propia y de permisos que correspondan exactamente a su función. No necesita acceder al conjunto de los conocimientos de la organización simplemente porque sea técnicamente capaz de procesarlos. Los principios de mínimo privilegio, de Zero Trust y de Continuous Trust resultan directamente aplicables a los agentes de IA: verificar su identidad, limitar sus accesos, vigilar su comportamiento y poder modificar o revocar rápidamente sus permisos.

Esta transformación convierte además el aprovisionamiento de IA en un verdadero desafío de seguridad y de gobernanza. La calidad de las respuestas sigue siendo, evidentemente, un criterio importante cuando una organización elige un proveedor, pero ya no basta. También hay que comprender su cadena de suministro digital. ¿Quién proporciona realmente el modelo? ¿Quién proporciona la infraestructura? ¿Qué subcontratistas intervienen? ¿Qué API se utilizan? ¿Por dónde circulan los datos? ¿Qué dependencias extranjeras existen? ¿Qué ocurre si el proveedor cambia de repente sus condiciones, su arquitectura o sus socios?

El proveedor visible puede ser solo la primera capa de una arquitectura mucho más amplia.

Esta realidad conduce naturalmente a la soberanía digital. Una organización puede perfectamente alojar sus datos en Canadá y, al mismo tiempo, utilizar un servicio de inteligencia artificial cuyas consultas se procesan en parte bajo otra jurisdicción. Puede explotar un modelo local cuyas funciones dependan en parte de API externas. También puede desarrollar su propia aplicación y seguir dependiendo de un proveedor extranjero para la inferencia, el entrenamiento o ciertas capacidades especializadas.

La residencia de los datos constituye, por tanto, una parte de la soberanía. El dominio de su circulación constituye otra. Ser soberano significa también saber por dónde circula la propia información y conservar la capacidad de cambiar cuando esa circulación deja de corresponder a los intereses de la organización.

Este enfoque no lleva necesariamente a alojar todos los modelos localmente. Los servicios públicos de inteligencia artificial ofrecen una potencia, una diversidad y una velocidad de innovación extraordinarias. Para numerosos usos que no implican ninguna información sensible, pueden constituir una excelente solución. Sin embargo, ciertas categorías de conocimiento pueden justificar una arquitectura diferente.

Una organización que trabaja con tecnologías sensibles, arquitecturas de seguridad, programas gubernamentales, datos regulados o propiedad intelectual estratégica puede tener interés en utilizar ciertos modelos en una infraestructura que controle en mayor medida. Una IA privada o soberana puede permitir dominar más estrechamente la residencia de los datos, los registros, los accesos, los modelos utilizados y las conexiones con otros sistemas.

Una arquitectura madura puede, por tanto, utilizar varias categorías de inteligencia artificial simultáneamente. Los modelos públicos pueden servir para tareas generales. Los entornos empresariales que cuentan con garantías contractuales y técnicas más sólidas pueden procesar cierta información interna. Las infraestructuras privadas o soberanas pueden reservarse para los conocimientos más sensibles. La clasificación de los datos y del conocimiento organizacional puede luego determinar qué entornos resultan apropiados para qué usos.

La inteligencia artificial se convierte entonces en una verdadera arquitectura empresarial más que en una colección de suscripciones SaaS.

Esta evolución otorga también una importancia particular a la gobernanza del conocimiento. Una organización no puede determinar a qué debería poder acceder una IA si ella misma no sabe qué conocimientos posee, dónde se encuentran, qué valor tienen y quién debería poder acceder a ellos. Ese es precisamente uno de los papeles que puede desempeñar el Qb Knowledge Standard — QKS. Estructurar y gobernar el conocimiento permite aprovecharlo mejor con la IA, pero también determinar qué debe clasificarse, protegerse o reservarse a ciertos entornos.

La gobernanza del conocimiento y la gobernanza de la IA quedan así profundamente vinculadas. Un agente encargado de apoyar las ventas probablemente no necesita acceder a documentos de investigación confidenciales. Un asistente destinado a los recursos humanos no tiene por qué consultar las arquitecturas de ciberseguridad. Un agente de ingeniería puede necesitar documentación técnica sin disponer por ello de los mismos derechos que un administrador de sistemas. Antes de dar más autonomía a los agentes, hay que comprender, por tanto, el conocimiento que estarán autorizados a utilizar.

El caso Anthropic–Moonshot pone también de relieve la otra cara del problema: los propios modelos pueden constituir una propiedad intelectual extremadamente valiosa. Una organización que desarrolla o entrena sus propios modelos debe reflexionar sobre la manera de detectar los comportamientos susceptibles de buscar extraer sistemáticamente ciertas capacidades. Unas pocas consultas realizadas por un usuario son algo ordinario. Miles de cuentas que generan millones de consultas metódicamente estructuradas presentan un perfil muy distinto.

El análisis del comportamiento, la detección de anomalías, la gestión de cuotas, la identidad robusta y la supervisión de las API se convierten entonces en mecanismos de protección de la propiedad intelectual. La ciberseguridad de la IA funciona, por tanto, en ambas direcciones: proteger a la organización frente a lo que sus usos de la IA podrían exponer y proteger sus propias capacidades de inteligencia artificial frente a quienes busquen extraer su valor.

No obstante, hay que evitar confundir este problema con la destilación en sí misma. La destilación es una técnica legítima y ampliamente utilizada en inteligencia artificial para transferir ciertas capacidades de un modelo a otro. El desafío aparece cuando se emplean técnicas en violación de derechos, de condiciones contractuales o de mecanismos de control. Esta distinción es importante: una tecnología no es intrínsecamente problemática por el simple hecho de que pueda utilizarse de una manera cuestionada.

Para los directivos, la enseñanza sigue siendo, sin embargo, muy concreta. Toda capacidad tecnológica suficientemente valiosa terminará probablemente por suscitar intentos de observarla, reproducirla o extraer una parte de su valor. Las organizaciones que desarrollan sus propios activos de IA deberán, por tanto, considerarlos progresivamente como activos estratégicos que requieren también una arquitectura de protección.

Esa arquitectura no puede basarse únicamente en una evaluación realizada en el momento de elegir al proveedor. Un análisis de seguridad tiene una fecha. El proveedor puede añadir nuevos socios, modificar su infraestructura, cambiar sus condiciones contractuales, ser adquirido por otra empresa o introducir nuevas funciones. Un servicio también puede empezar a utilizar varios modelos sin que su interfaz cambie de manera visible.

La confianza debe, por tanto, poder verificarse de forma continua. Las dependencias deben reevaluarse, los flujos documentarse, los contratos adaptarse y los comportamientos inusuales detectarse. Esta lógica coincide directamente con el Continuous Trust: una decisión de confianza tomada hace dos años no basta para determinar el nivel de confianza apropiado hoy, cuando el entorno tecnológico ha cambiado.

Para las organizaciones gubernamentales, esta vigilancia puede resultar especialmente importante. Los datos manejados pueden referirse a ciudadanos, infraestructuras críticas, políticas públicas, seguridad nacional o relaciones internacionales. Las consecuencias de una transferencia involuntaria pueden entonces superar ampliamente la confidencialidad comercial. Sin embargo, esta prudencia no debería llevar a frenar sistemáticamente la adopción de la inteligencia artificial.

Una gobernanza clara puede producir el efecto contrario. Cuando los empleados saben qué herramientas están autorizadas, qué datos pueden utilizarse y qué entornos convienen a las distintas categorías de información, necesitan improvisar menos. Los desarrolladores disponen de API aprobadas, los usuarios comprenden los límites, los equipos de seguridad obtienen mayor visibilidad y los directivos conocen mejor su exposición. Una organización que comprende sus riesgos a menudo puede autorizar más usos que una organización que simplemente ignora lo que circula.

Es aquí donde la seguridad puede convertirse en un acelerador de la adopción en lugar de un freno. El papel de la Hiperseguridad cobra también todo su sentido. La ciberseguridad sigue siendo indispensable para proteger los datos, las identidades, las API, las aplicaciones, los modelos y las infraestructuras. La Hiperseguridad añade una visión transversal de sus interacciones, de sus dependencias y de su evolución. Busca comprender cómo circula el conocimiento entre personas, agentes, modelos, aplicaciones, proveedores e infraestructuras, y después mantener un nivel de control compatible con el riesgo.

En un entorno de IA distribuida, proteger una base de datos ya no basta. Hay que proteger las rutas que permiten acceder a ella, las identidades que pueden consultarla, los agentes capaces de extraer información de ella, los modelos que pueden procesarla, los proveedores que participan en el procesamiento y las acciones que pueden realizarse a continuación. El control se vuelve dinámico porque las interacciones también lo son.

Para Quantum Beyond, el primer paso consiste entonces en comprender antes de conectar. ¿Qué herramientas de IA se utilizan ya? ¿Qué datos y qué conocimientos circulan por ellas? ¿Qué proveedores y subcontratistas intervienen? ¿Qué API están conectadas? ¿Qué agentes disponen de accesos? ¿Qué dependencias existen? ¿Qué conocimientos son lo bastante sensibles como para requerir una infraestructura o un nivel de control diferente?

Esa comprensión puede alimentar después una arquitectura adaptada al riesgo. Gobernanza de la IA, QKS, IAM, Zero Trust y Continuous Trust, IA privada y soberana, arquitectura de Hiperseguridad, ciberresiliencia y soberanía digital pueden funcionar en conjunto para permitir a la organización aprovechar más la inteligencia artificial conservando al mismo tiempo un dominio suficiente de sus conocimientos y de sus operaciones.

La pregunta más importante quizá ya no sea, por tanto, simplemente saber quién posee los datos. Las arquitecturas modernas exigen también preguntar quién puede leerlos, quién puede procesarlos, dónde pueden copiarse, qué modelos pueden interactuar con ellos, qué otras organizaciones pueden eventualmente acceder a ellos y qué acciones pueden derivarse de su utilización.

El control de la información se convierte progresivamente en un problema de circulación.

Una organización puede seguir siendo jurídicamente propietaria de una información y haber perdido al mismo tiempo una parte de su dominio operativo. A medida que la inteligencia artificial se integre en los procesos de trabajo, esta distinción resultará esencial.

Las acusaciones en torno a Kimi y Anthropic se inscriben en un contexto complejo donde se cruzan competencia tecnológica, intereses comerciales, propiedad intelectual, ciberseguridad y consideraciones geopolíticas. Quantum Beyond no tiene por vocación arbitrar ese debate. La enseñanza que una empresa o una organización gubernamental puede extraer de él es mucho más directamente aplicable a sus propias operaciones.

Una inteligencia artificial nunca es únicamente una ventana en la que un empleado escribe una pregunta. Detrás de esa ventana se encuentra una arquitectura compuesta por modelos, proveedores, API, infraestructuras en la nube, sistemas de identidad, servicios complementarios y, a veces, otros modelos de inteligencia artificial. Cada nueva conexión puede convertirse en un nuevo camino recorrido por el conocimiento de la organización.

Las organizaciones que deseen beneficiarse plenamente de la IA deberán, por tanto, desarrollar una capacidad fundamental: comprender y gobernar esa circulación. Esto significa conocer a los proveedores y sus dependencias, cartografiar los flujos, clasificar los datos y los conocimientos, controlar las identidades humanas y no humanas, aplicar el mínimo privilegio, supervisar los usos, proteger la propiedad intelectual y determinar qué información puede razonablemente confiarse a qué entornos.

Quantum Beyond puede acompañar a los equipos internos en este enfoque reuniendo gobernanza de la IA, QKS, IAM, Zero Trust y Continuous Trust, IA privada y soberana, Hiperseguridad y gobernanza del conocimiento. El objetivo consiste en dar a las organizaciones suficiente visibilidad y dominio para que puedan integrar la inteligencia artificial mucho más profundamente en sus actividades preservando al mismo tiempo sus activos estratégicos y su capacidad de decisión.

La IA produce su mayor valor cuando comprende lo suficiente el contexto de la organización como para serle realmente útil. Ese conocimiento posee en sí mismo un valor considerable. Aprender a compartirlo de manera controlada se convertirá, por tanto, en una de las competencias fundamentales de las organizaciones que logren su transformación mediante la inteligencia artificial.

En la era de la IA, proteger el propio conocimiento ya no significa únicamente impedir que alguien lo robe. Significa también saber a quién elegimos confiarlo, por qué caminos circulará y hasta dónde estamos dispuestos a dejarlo llegar.