DLP · Prevención de fuga de información
Data Loss Prevention
¿Qué es el DLP?
- Observa la salida de datos desde adentro, no los ataques de afuera
- Los campos de entrada de IA, una nueva vía de fuga
- Empezar con alertas y registros, y reducir gradualmente el alcance de los bloqueos
Muchas personas entienden el DLP como un mecanismo para bloquear a los hackers externos, pero la dirección que vigila esta herramienta es la contraria. Mira los datos que salen de adentro hacia afuera. Además, lo que realmente se detecta en su mayoría no es una filtración malintencionada, sino un error cometido con prisa: enviar la lista de participantes a un correo personal para trabajar desde casa, o pegar todo un documento de evaluación en la caja de texto de IA generativa para resumirlo. Antes que un dispositivo de vigilancia, el DLP es una red de seguridad que atrapa los errores.
Funciona en tres etapas. Primero identifica qué datos son importantes, a partir de patrones de formato fijo, como los números de registro de residente o de cuenta bancaria, palabras clave específicas y las marcas de clasificación asignadas a los documentos. Luego vigila las vías de salida: USB, impresión y capturas de pantalla de la PC, correo y cargas a la web, y el almacenamiento en la nube. Por último, elige la respuesta: solo registrar el evento, mostrar una advertencia, pedir un motivo para permitirlo o bloquearlo por completo.
La IA generativa abrió una vía más: el texto que se pega y los archivos que se suben a la caja de IA del navegador. Si la guía interna de uso de IA solo dice «no ingresar datos de clientes», nadie puede saber si se cumple; el DLP hace que esa frase funcione en la práctica. Al principio conviene empezar con alertas y registros en lugar de bloqueos, observar uno o dos meses qué se detecta y en qué áreas, y luego ir reduciendo el alcance de los bloqueos.
El problema en el terreno es el bloqueo excesivo. Si desde el primer día se cierran todos los puntos de salida, se detiene el trabajo normal y los colaboradores buscan vías alternas, como fotografiar la pantalla con el celular y enviarla. El riesgo de filtración sigue igual, pero desaparece el registro. Si hay demasiados falsos positivos, las alertas dejan de leerse y se cierran sin más. Además, como es una herramienta que revisa el correo y la actividad en pantalla de los colaboradores, si se implementa sin un procedimiento que informe qué se recopila y por qué, puede derivar en una invasión de la privacidad y en conflictos laborales. Antes de implementarla deben hacerse, en conjunto, la revisión legal y laboral y el aviso a los colaboradores.
Seolyeong ParkCon 17 años de experiencia práctica y más de 200 sesiones impartidas, especialista en capacitación en IA generativa y AX que permite usarla de inmediato incluso a quienes no tienen formación técnica
Jaryong KooDoctor en marketing y referente en IA, análisis de datos y marca personalEs el nombre de una familia de productos de seguridad que identifican y controlan los datos importantes que salen de la organización según su contenido. No tiene un creador concreto; el sector lo adoptó como nombre de la categoría de producto. A veces se desarrolla la sigla como Data Leakage Prevention, pero el significado es el mismo.
Veamos un caso hipotético. La empresa A, una firma de TI financiera con 600 colaboradores, distribuyó una guía interna de uso de IA e incluso capacitó a todo su personal. Sin embargo, tres meses después se descubrió por casualidad que alguien del área de Recursos Humanos había pegado comentarios de evaluación de 80 personas en un servicio externo de IA para resumirlos.
- El responsable de seguridad de la información informó en la reunión de directivos: «Tenemos la guía, pero no hay forma de verificar si se cumple. Hoy ni siquiera sabemos cuántos casos más hubo».
- La empresa implementó DLP, pero durante los primeros dos meses solo activó registros y alertas, sin bloqueos. En los tres puntos de salida —la caja de IA, el correo personal y el USB— se detectaron 1,400 casos al mes.
- Al analizarlo, de 1,400 casos, 900 eran falsos positivos: el número de empleado se leía como número de registro de residente. Cuando el responsable corrigió la regla de detección, los casos reales quedaron en 310 al mes.
- El jefe de Recursos Humanos dijo: «Si no hay forma de resumir las evaluaciones, volverán a pegarlas». La empresa abrió una herramienta de IA aprobada internamente y permitió que se ingrese información en ella.
- El área de relaciones laborales envió a todos los colaboradores un aviso con los datos que se recopilan y su finalidad, y en el consejo de trabajadores y empresa se acordó limitar el acceso a los registros a dos personas del área de seguridad de la información.
- Desde el tercer mes, solo los documentos con número de registro de residente (identificación personal coreana) y con calificaciones de evaluación pasaron a bloqueo, y los datos importantes enviados a IA externa se redujeron de 310 a 22 casos al mes.
- Cuando existe una guía de uso de IA pero no hay forma de verificar si se cumple
- Cuando existen áreas que manejan documentos cuya filtración causa grandes daños, como datos personales, evaluaciones o nóminas
- Cuando se quiere priorizar la capacitación en seguridad según las vías y la cantidad de casos de filtración
- Cuando se quiere bloquear todo desde el inicio sin haber clasificado qué datos son importantes
- Cuando se quiere recopilar registros de pantallas y correos sin informar a los colaboradores ni someter el caso a revisión legal y laboral
- Cuando se aumentan las prohibiciones sin una herramienta alternativa aprobada