Piensa en la última pregunta que le hiciste a una IA. Quizá pegaste un correo del trabajo para que te lo resumiera. Quizá describiste un síntoma, un problema de dinero, el nombre de un cliente. En el momento en que pulsaste enviar, ese texto dejó de estar solo en tu pantalla: viajó por internet hasta el servidor de una empresa que no ves, en un país que probablemente no elegiste, y quedó guardado en algún registro. La conversación se sintió privada. La ruta del dato no lo fue.
La respuesta corta, para empezar por ella: lo que le escribes a una IA sale de tu dispositivo y llega a un servidor de la empresa que la opera; qué se hace luego con ese texto depende del producto, del plan que uses y de los ajustes que hayas tocado. En algunos casos tu conversación puede usarse para entrenar futuros modelos; en otros, no. La diferencia no es un detalle técnico: es la línea entre un dato que se evapora y uno que se queda. Y casi siempre está a un par de clics de distancia, en un menú que nadie abre.
Este artículo trata de esa línea. No para asustarte (la herramienta es útil y vas a seguir usándola) sino para que la uses sabiendo dónde termina lo que escribes.
01 · el viajeQué pasa con mis datos cuando uso ChatGPT y otras IA
Conviene imaginar el prompt como una carta, no como un pensamiento. Un pensamiento se queda en tu cabeza; una carta tiene remitente, destinatario y, sobre todo, copias. Cuando escribes en un chatbot, tu texto recorre al menos tres estaciones.
Primera: el tránsito. El mensaje sale cifrado de tu navegador o app y llega al servidor del proveedor. Ese cifrado protege el dato en el camino (nadie lo espía a mitad de trayecto) pero no dice nada sobre qué ocurre cuando llega a destino. Es la diferencia entre un sobre sellado y lo que el destinatario hace con la carta una vez abierta.
Segunda: el procesamiento. El modelo lee tu texto convertido en tokens, genera una respuesta y te la devuelve. Hasta aquí, nada raro: es el trabajo que le pediste.
Tercera, y la que importa: la retención. El proveedor guarda la conversación. Casi siempre lo hace, al menos un tiempo, por razones legítimas (mostrarte el historial, detectar abusos, cumplir la ley) y a veces también para entrenar versiones futuras del modelo con lo que la gente escribe. Aquí es donde tu carta puede volverse material de estudio.
El cifrado protege el viaje del dato. No decide qué pasa cuando el dato llega.
Esa tercera estación cambia según el producto. Y el cambio más grande no es entre una marca y otra, sino entre el tipo de cuenta que usas.
02 · el modoLa diferencia decisiva: cuenta gratuita, ajustes y planes de empresa
Si hay una sola idea que valga la pena llevarse, es esta: no todos los usos de una misma IA tratan tus datos igual. El mismo ChatGPT, el mismo asistente, se comporta distinto según cómo entras.
En la versión de consumidor (la cuenta gratuita o personal) el proveedor suele reservarse el derecho de usar tus conversaciones para mejorar sus modelos, salvo que tú lo desactives. OpenAI, por ejemplo, ofrece en los ajustes de ChatGPT una opción para excluir tu contenido del entrenamiento; está activada por defecto en el sentido contrario al tuyo, así que hay que ir a buscarla [1]. La opción existe. El problema es que casi nadie sabe que existe.
En Configuración → Controles de datos hay un ajuste del tipo "Mejorar el modelo para todos". Desactivarlo indica al proveedor que no use tus chats nuevos para entrenar. No borra lo ya enviado, pero corta el flujo hacia adelante. Los nombres exactos de los menús cambian con las versiones; el concepto (controles de datos) es estable.
En el otro extremo están los planes de empresa y las APIs de pago. Aquí la lógica se invierte por diseño: los proveedores serios se comprometen, por contrato, a no entrenar sus modelos con los datos que las empresas envían por la API o por los planes Team/Enterprise, salvo permiso explícito. OpenAI lo declara así para su plataforma de negocio [2]. La razón es comercial antes que ética: ninguna empresa integraría una IA en su operación si sospechara que sus secretos alimentan al modelo que mañana usará su competidor.
La pregunta correcta no es "¿es segura esta IA?", sino "¿en qué modo la estoy usando?".
| Modo de uso | ¿Puede entrenar el modelo con tu texto? | Control principal |
|---|---|---|
| Cuenta gratuita / personal | Con frecuencia sí, por defecto | Ajuste de "controles de datos" que puedes desactivar |
| Chats "temporales" / sin historial | Normalmente no se usan para entrenar | Activar el modo temporal antes de escribir |
| Plan Team / Enterprise | No, por política del producto | El proveedor lo garantiza por contrato |
| API de pago (integración) | No, salvo permiso explícito | Acuerdo de tratamiento de datos (DPA) |
Hay un matiz que confunde a mucha gente. Que un proveedor no entrene con tus datos no significa que no los guarde. Casi todos retienen las conversaciones un tiempo (días, semanas) para detectar abusos y cumplir requerimientos legales, aunque prometan no entrenar con ellas. Retención y entrenamiento son dos grifos distintos. Puedes cerrar uno y dejar el otro abierto sin darte cuenta.
La filósofa Helen Nissenbaum propuso una idea que ilumina todo esto: la privacidad no es secreto, es integridad contextual [3]. Un dato no es "privado" o "público" en abstracto; lo que importa es si fluye según las normas del contexto en el que se compartió. Contarle un síntoma a tu médico es apropiado; que ese mismo síntoma termine en el material de entrenamiento de un modelo global, no. No cambió el dato. Cambió el contexto sin que nadie te avisara. Ese desajuste, no el secreto perdido, es lo que sentimos como una violación.
03 · la prácticaCómo proteger lo que le escribes, sin dejar de usarla
La buena noticia es que casi todo el riesgo se gobierna con hábitos simples, no con conocimientos técnicos. Cuatro bastan.
Uno: separa el dato de la tarea. La mayoría de las veces no necesitas dar el dato real para obtener la ayuda. Si quieres que la IA mejore un correo, cambia el nombre del cliente por "Cliente A" y la cifra exacta por una aproximada. El modelo redacta igual de bien con datos ficticios. La utilidad no vive en el dato sensible; vive en la estructura del problema.
Dos: ajusta los controles una vez. Entra a la configuración de datos de la herramienta que uses a diario y decide, de forma consciente, si quieres que tus chats alimenten el entrenamiento. Es un menú, cinco minutos, y queda hecho. En muchas herramientas existe además un modo de "chat temporal" que no guarda historial: ideal para consultas puntuales que preferirías que no dejaran rastro.
Tres: elige el modo según la sensibilidad. Para lo trivial, la cuenta personal está bien. Para lo que involucra datos de clientes, salud, finanzas o secretos de tu negocio, usa un plan de empresa o una integración por API, donde el no-entrenamiento viene garantizado por contrato. No es esnobismo: es poner el dato sensible en el modo que lo protege por diseño.
Cuatro: recuerda que lo enviado, enviado está. Desactivar el entrenamiento hoy no rescata lo que mandaste ayer. Trata cada prompt como una decisión irreversible en el momento de enviarlo, no después. La prudencia va delante del botón, no detrás.
Antes de pegar algo en una IA, pregúntate: "¿me molestaría que este texto quedara guardado en el servidor de una empresa?". Si la respuesta es sí, o lo anonimizas, o cambias de modo, o no lo pegas.
Nada de esto exige desconfiar de la herramienta ni renunciar a ella. Exige entender que la comodidad de escribirle a una máquina en lenguaje natural tiene un reverso: ese lenguaje natural es también información, y la información viaja. Quien conoce el trayecto decide cuánto de sí mismo mete en el sobre.
La próxima vez que le escribas a una IA, no verás un cuadro de texto inocente. Verás una carta a punto de salir de tu casa. Y sabrás, por fin, hacia dónde va.
Fuentes
- OpenAI. How your data is used to improve model performance / Controles de datos en ChatGPT. Centro de ayuda de OpenAI: help.openai.com. (Describe la opción para excluir el contenido del usuario del entrenamiento del modelo.)
- OpenAI. Enterprise privacy at OpenAI. openai.com/enterprise-privacy. (Declara que los datos enviados por la API y los planes de negocio no se usan para entrenar los modelos por defecto.)
- Nissenbaum, H. (2004). Privacy as Contextual Integrity. Washington Law Review, vol. 79, n.º 1, pp. 101-139. (Marco de la integridad contextual como definición de privacidad.)