Shadow AI: los riesgos que tu startup no ve (Check Point)

Por qué la Shadow AI ya no es un problema solo de TI

Eusebio Nieva, director técnico de Check Point Software para España y Portugal, lo resume sin rodeos en una entrevista para Escudo Digital: los empleados están pegando código fuente, secretos comerciales, datos financieros y planes estratégicos en herramientas de IA no aprobadas. Y la pregunta ya no es si tu empresa tiene Shadow AI, sino cuánto está perdiendo sin darte cuenta. La conversación con Nieva coincide con cifras recientes del sector: según recoge Forbes citando a Gartner, el 69% de las organizaciones sospecha o tiene evidencia de que sus empleados usan IA generativa pública no autorizada, y un estudio de Wakefield Research reportado por ITWeb sitúa esa proporción en el 66% de los trabajadores de oficina.

La diferencia respecto al Shadow IT clásico es importante. Antes el riesgo era un Dropbox personal o una VPN no declarada; ahora el empleado introduce un fragmento de código de tu SaaS en ChatGPT para pedirle un refactor, o sube un contrato con datos personales para resumirlo. El daño es proporcional: la información sale del perímetro corporativo en el mismo momento en que se pulsa Enter, y el equipo de seguridad ni se entera.

Qué datos concretos están saliendo de las empresas

Nieva enumera los activos más habituales que terminan en prompts de IA generativa:

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

Código fuente interno y fragmentos de repositorios privados
Secretos comerciales y propiedad intelectual
Datos financieros y planes estratégicos
Datos personales de clientes o empleados, con el riesgo regulatorio que eso implica (RGPD en Europa, normativas locales en LATAM)

Las consecuencias, según el CTO de Check Point para Iberia, van desde la exposición pública no deseada de propiedad intelectual hasta la posibilidad de que esos datos acaben formando parte de los conjuntos de entrenamiento de modelos de terceros, pasando por sanciones regulatorias. TechCrunch recogió en septiembre de 2026 el caso de una empresa cotizada estadounidense donde una auditoría con la plataforma Cymphony detectó unos 85.000 archivos que habían quedado accesibles a herramientas de IA sin que TI lo supiera. La propia Cymphony detalla otro incidente: un colaborador externo había instalado una instancia no autorizada de Claude que, usando sus credenciales legítimas, escaneó miles de archivos sensibles.

Cómo detectar Shadow AI antes de que sea un incidente

Nieva propone un enfoque de monitorización por capas, no un único punto de control. Para identificar uso no autorizado, el departamento de TI debería vigilar:

Patrones de tráfico web saliente hacia dominios y APIs conocidas de servicios de GenAI
Nuevos registros SaaS vinculados a correos corporativos
Extensiones de navegador no reguladas y comportamientos anómalos en endpoints
Inventario de aplicaciones usadas y consumo inusual de ancho de banda o procesado local

El propio informe 2026 Cloud Security de Check Point, citado por Yahoo Finance, cifra el problema: solo el 5% de las organizaciones tiene visibilidad completa sobre el uso de herramientas de IA en su entorno. El estudio complementario que recoge The Next Web va más allá y eleva la cifra: el 48,9% de las organizaciones no tiene visibilidad alguna sobre el tráfico máquina a máquina que generan sus agentes de IA. Para un founder, eso significa que tu stack de SaaS, código y datos probablemente tiene más puertas invisibles de las que tu CTO cree.

Prompt injection: la nueva superficie de ataque

Una de las partes más operativas de la entrevista es la explicación de qué es un ataque de prompt injection y por qué el cortafuegos tradicional no lo ve. Nieva distingue dos modalidades:

Directa: el propio usuario introduce instrucciones maliciosas en el prompt
Indirecta: las instrucciones van ocultas en contenido externo que la IA procesa, como páginas web, documentos, correos o archivos

Lo segundo es lo más peligroso en entorno corporativo: un atacante mete la instrucción maliciosa en un PDF que un agente de IA va a leer automáticamente, y el modelo la ejecuta como si fuera una orden legítima. Dentro de la empresa, un atacante puede usar esta técnica para exfiltrar datos confidenciales, manipular el razonamiento del modelo para que apruebe operaciones fraudulentas, o —si el sistema está conectado a agentes corporativos— ejecutar comandos no autorizados en bases de datos o herramientas internas.

La diferencia con un jailbreak, según Nieva, es de alcance: el jailbreak busca eludir de forma general las barreras del modelo para responder a peticiones prohibidas, mientras que la prompt injection manipula la lógica situacional del modelo o de la aplicación que lo envuelve. Ambos se consideran técnicamente parte del mismo espectro, y ambos dejan a la ciberseguridad convencional sin visibilidad: un prompt aparentemente inofensivo puede contener una instrucción maliciosa.

Qué cambia cuando la IA pasa de responder a actuar

Nieva introduce el concepto que más debería preocupar a un founder: la IA agéntica. Cuando un agente no solo responde preguntas sino que accede a datos, utiliza herramientas o actúa sobre sistemas corporativos, los riesgos saltan del plano informativo al operativo. Las consecuencias concretas que menciona:

Modificación o borrado ilegítimo de bases de datos
Ejecución no autorizada de transacciones
Propagación de malware a través de herramientas internas
Escalada de privilegios dentro del sistema
Agotamiento de infraestructura por llamadas masivas a APIs
Decisiones automatizadas con consecuencias financieras y legales

El dato que avala esta preocupación lo aporta el Netskope Threat Labs Report: India 2026, recogido por Business Standard. En India, el 53% de las organizaciones da a herramientas de IA acceso de escritura a plataformas de productividad en la nube, el 40% les da acceso a correo y el 25% a repositorios de código. La tendencia se replica globalmente. Cuando concedes a un agente permisos de escritura sobre tu CRM o tu ERP, el prompt injection deja de ser un problema de seguridad y se convierte en un problema de continuidad de negocio.

Zero Trust aplicado a IA: misma filosofía, distinto objeto

Nieva explica cómo se traduce el modelo Zero Trust al mundo de la IA, y la diferencia con el Zero Trust clásico es relevante para founders:

Zero Trust tradicional: verifica usuarios, dispositivos y servicios, con foco en identidad y acceso
Zero Trust para IA: añade la confianza semántica, control de acciones, contexto, fuentes de datos y respuestas del modelo

En la práctica: ya no basta con saber quién hace la petición. Hay que validar qué se le pide al modelo, con qué datos, bajo qué contexto, y qué acciones derivadas puede ejecutar. Esto choca de frente con la cultura de startups donde cualquier developer con curl puede invocar una API de OpenAI sin pasar por el SOC.

Qué debe analizar un AI Firewall en tiempo real

Nieva define qué tiene que hacer un cortafuegos específico para IA para no quedarse en un firewall tradicional con marketing:

Análisis semántico de prompts y respuestas para detectar inyección directa o indirecta
Detección de exfiltración de información confidencial (DLP adaptado a IA)
Identificación de ataques de evasión
Evaluación de respuestas del modelo antes de entregarlas al usuario o al agente: código malicioso, enlaces no verificados, fugas accidentales de propiedad intelectual

La propia Check Point lanzó en julio de 2026 el AI Network Firewall, integrado en su infraestructura de firewall existente según recogió The Next Web, con tecnología heredada de Lakera (startup de seguridad para IA que Check Point adquirió en 2025). Es la primera materialización comercial de la idea que describe Nieva: visibilidad y protección de IA sobre la red que la empresa ya tiene desplegada, sin nuevo hardware.

Qué significa esto para tu startup

Si estás construyendo o desplegando IA agéntica, la conversación con Nieva y los datos del sector apuntan a tres bloques de acción inmediata:

Mide primero, bloquea después. Antes de comprar un AI firewall, necesitas un inventario real de qué herramientas de IA están usando tus empleados y qué datos les están metiendo. Empieza con logs de tráfico hacia APIs de GenAI (OpenAI, Anthropic, Google) y un registro de nuevas SaaS detectadas. Es lo que llama el sector «shadow AI discovery» y sin él cualquier política es papel mojado.
Human-in-the-loop obligatorio en acciones irreversibles. Si tu agente puede borrar registros, mover dinero o escribir en producción, necesitas confirmación humana antes de ejecutar. Nieva lo llama «principio de mínimo privilegio y confirmación humana en bucle»; el Netskope Threat Labs Report lo refuerza: cualquier acción que toque sistemas financieros, datos regulados o decisiones irreversibles debe quedarse fuera del alcance autónomo del agente.
Diseña el camino seguro como el más fácil. El estudio de Mitel recogido por Forbes lo formula bien: cuando los sistemas aprobados son lentos o rígidos, los empleados van a ChatGPT por su cuenta. La política gana si la herramienta corporativa es tan usable como la consumer. Para una startup eso significa invertir en integraciones internas y en UX del stack aprobado, no solo en governance.

Si quieres profundizar más, la cobertura reciente de Cymphony (TechCrunch, septiembre 2026) y los lanzamientos de Check Point AI Network Firewall (julio 2026, recogidos por The Next Web y Yahoo Finance) muestran que el mercado de seguridad para IA agéntica ya está moviendo rondas y productos serios. Tu decisión ya no es si vas a necesitar un AI firewall, sino cuánto tardas en tener al menos visibilidad básica sobre qué están haciendo tus agentes hoy.