El riesgo de Shadow AI se concentra entre los usuarios avanzados de las empresas

Google News puso de relieve una seria advertencia de Akamai: el 5% de los usuarios empresariales genera 12 veces más conversaciones con IA que la mitad inferior de los empleados. Estos trabajadores no se limitan a hacer preguntas ocasionales. Integran la IA en flujos de trabajo recurrentes, comparten contexto laboral, cargan archivos y, en ocasiones, despliegan agentes con acceso a sistemas empresariales.

El hallazgo cuestiona la respuesta habitual al shadow AI, es decir, al uso de IA en el trabajo que opera fuera de los controles aprobados por el empleador. Muchas empresas todavía publican una única política para todos, bloquean algunos sitios web reconocibles y contabilizan licencias de plataformas autorizadas. Ese enfoque trata la exposición como si estuviera distribuida de manera uniforme, cuando la telemetría de Akamai indica que está altamente concentrada.

Esto no significa que deba ignorarse el uso ocasional. Casi la mitad de las conversaciones empresariales con IA observadas utilizaron identidades personales en lugar de cuentas gestionadas por la empresa. Sin embargo, la combinación de acceso personal, prompting intensivo y agentes conectados genera un riesgo mucho más relevante que una solicitud aislada.

Por tanto, el principal conflicto no se da entre los empleados y los equipos de seguridad. Se trata de una gobernanza amplia a nivel de aplicación frente a controles conscientes de la identidad y centrados en el comportamiento real. El primer enfoque pregunta si un servicio de IA está permitido. El segundo pregunta quién lo utiliza, bajo qué identidad, con qué datos y con acceso a qué sistemas.

Esta distinción importa porque los empleados que más valor generan con IA también pueden crear la mayor exposición no gestionada. Ralentizarlos de forma indiscriminada desperdiciaría experiencia y fomentaría más soluciones alternativas. Dejar su actividad invisible permitiría que los flujos de trabajo sensibles crezcan más allá de los límites normales de seguridad.

Google News revela un problema de Shadow AI más acotado

Los datos de Akamai desplazan el debate sobre shadow AI de la adopción total hacia la concentración de actividad y acceso.

Los hallazgos subyacentes proceden del Enterprise AI Usage Risk Report 2026 de Akamai, publicado el 5 de agosto. Akamai basó el informe en datos de uso de LayerX, la empresa de seguridad de navegadores empresariales que adquirió. La investigación examina cuentas personales, aplicaciones de IA, extensiones de navegador, prompts sensibles y agentes autónomos.

Según el informe sobre IA empresarial, el usuario empresarial promedio generó más de 36 conversaciones con IA. Ese promedio oculta una distribución pronunciada. La mitad de los usuarios registró 12 conversaciones o menos, mientras que el 5% superior generó al menos 144.

La diferencia no se limita al número de conversaciones. Una conversación típica con IA incluye alrededor de cinco prompts, según Akamai. Las conversaciones entre los usuarios más intensivos alcanzan al menos 18 prompts, lo que muestra una colaboración sostenida en lugar de un único intercambio similar a una búsqueda.

Las conversaciones más largas crean más oportunidades para que información empresarial entre en un sistema externo. Un usuario puede comenzar con una petición inocua de un esquema. Los prompts posteriores pueden añadir datos de clientes, restricciones internas, extractos de documentos, código fuente, supuestos financieros o instrucciones copiadas de comunicaciones privadas.

Ese contexto acumulado importa más que cualquier frase aislada. El trabajo moderno con IA suele desarrollarse mediante fragmentos. Un trabajador añade datos en varios prompts, carga archivos de apoyo y pide al modelo que revise repetidamente su resultado. Cada divulgación individual puede parecer modesta, mientras que la conversación completa reconstruye un proceso empresarial sensible.

Akamai también informa de que el 47,11% de las conversaciones empresariales con IA se realizan mediante identidades personales. Estas sesiones quedan fuera de los controles corporativos de identidad, las configuraciones de retención, los sistemas de auditoría y las protecciones de datos negociadas. Los equipos de seguridad pueden ver que un navegador accedió a un servicio de IA sin saber si el empleado utilizó una cuenta gestionada.

La división por identidad varía de forma marcada según la plataforma. La telemetría de Akamai indicó que Gemini Enterprise mantuvo el 98,15% de las interacciones dentro de los sistemas de identidad corporativa. Microsoft Copilot for Microsoft 365 mantuvo el 90,55% dentro de esos sistemas.

El acceso orientado al consumidor mostró el patrón opuesto. El informe asoció el 61,36% de las interacciones con ChatGPT, el 61,09% de las interacciones con Claude y el 63,92% de las interacciones con Microsoft Copilot Standard con identidades personales. DeepSeek alcanzó el 99,8%.

Estas cifras no demuestran que cada sesión personal haya filtrado datos confidenciales. Establecen una brecha de visibilidad. Un empleador no puede aplicar de forma coherente reglas corporativas de retención, acceso y tratamiento de datos cuando el trabajo pasa por una identidad que no gestiona.

El artículo aparecido en Google News también subraya una correlación crucial. Los mismos usuarios avanzados que mantienen conversaciones más profundas tienen más probabilidades de cargar archivos, compartir información empresarial y conectar la IA con tareas operativas. El riesgo sigue a la actividad porque cada interacción adicional crea otra oportunidad de exposición inapropiada.

Este enfoque resulta más útil que considerar a cada empleado como una fuente equivalente de peligro. Un trabajador que formula una pregunta general sobre redacción no crea el mismo riesgo que un ingeniero que conecta un agente a un repositorio de código. Ambos usan IA, pero su acceso, sus datos y su impacto potencial difieren drásticamente.

La cifra principal, el 5%, no debería convertirse en un umbral permanente. Cada organización tendrá una distribución distinta. El cambio importante es metodológico: los equipos de seguridad deben medir la concentración antes de decidir dónde corresponden controles más estrictos.

Los usuarios más arriesgados suelen ser los más productivos

Los empleados con mayor probabilidad de eludir una política amplia de IA suelen ser quienes ya han convertido la IA en infraestructura de trabajo.

Los usuarios avanzados suelen surgir porque descubren valor repetible antes de que la adquisición formal se ponga al día. Pueden utilizar IA para resumir investigación de clientes, depurar código, redactar contratos, comparar documentos técnicos, analizar llamadas de ventas o preparar escenarios financieros. El éxito repetido fomenta una integración más profunda.

Esta progresión suele comenzar de forma inocente. Un empleado prueba un chatbot público con material no confidencial. Después crea prompts reutilizables, añade archivos de referencia, instala una extensión de navegador o conecta el modelo a otra aplicación. Un experimento personal se convierte gradualmente en un flujo de trabajo de producción no documentado.

Microsoft observó esta presión de adopción años antes del informe de Akamai. Su estudio sobre IA en el trabajo de 2024 concluyó que el 75% de los trabajadores del conocimiento encuestados utilizaba IA en el trabajo. Entre esos usuarios, el 78% incorporó sus propias herramientas de IA en lugar de esperar una opción proporcionada por su empleador.

La encuesta anterior midió comportamientos autodeclarados, mientras que Akamai presenta telemetría de uso observada. Las fuentes utilizan métodos y periodos distintos, por lo que sus cifras no deben combinarse en una única afirmación estadística. Aun así, describen la misma tensión organizativa: los trabajadores adoptan herramientas convenientes más rápido de lo que las empresas pueden evaluarlas y gobernarlas.

Las prohibiciones generales a menudo no abordan esa motivación. Una política puede indicar a los empleados que no introduzcan información sensible en un modelo no aprobado. No puede hacer útil una alternativa autorizada, reducir una larga solicitud de acceso ni explicar qué información es segura dentro de un flujo de trabajo específico.

Cuando la herramienta autorizada carece de las capacidades necesarias, un usuario intensivo se enfrenta a una fricción inmediata. Puede detener un trabajo productivo, presentar una solicitud de adquisición o continuar mediante una cuenta personal. Si la aprobación tarda semanas, la cuenta personal se convierte en el camino de menor resistencia.

Esto no justifica el tratamiento no autorizado de datos. Explica por qué la formación genérica produce resultados desiguales. Una presentación anual de cumplimiento compite con plazos diarios, interfaces de consumo conocidas y el valor inmediato de una cadena de prompts que funciona.

Los hallazgos de Akamai sobre shadow AI sugieren que la formación debería seguir el comportamiento observado. Los usuarios ocasionales necesitan límites claros y opciones aprobadas. Los usuarios avanzados necesitan orientación más detallada que cubra clasificación de datos, identidad, extensiones, conectores, permisos de agentes y notificación de incidentes.

También necesitan una vía más segura para experimentar. Una empresa puede crear entornos controlados donde los usuarios avanzados prueben nuevos modelos sin exponer datos de producción. Los equipos de seguridad pueden entonces observar los requisitos reales antes de decidir qué servicios, integraciones y flujos de trabajo aprobar.

Este enfoque trata a los usuarios avanzados de shadow AI como socios sin asumir que la experiencia equivale a conciencia de seguridad. Alguien puede comprender el comportamiento de los modelos y aun así subestimar los riesgos de retención, autorización o procesamiento por terceros. La confianza técnica a veces hace que un flujo de trabajo no oficial parezca más seguro de lo que es.

El usuario productivo también puede convertirse en un propietario oculto de sistemas. Si un equipo depende de prompts almacenados en una cuenta personal, la empresa no tiene un registro fiable de esas instrucciones. Si el empleado se marcha, cambia de herramienta o pierde acceso, el flujo de trabajo puede desaparecer con él.

El mismo problema se aplica al conocimiento. Los trabajadores suelen proporcionar a la IA notas, documentos, contexto de reuniones y decisiones dispersas en espacios personales. Un sistema personal de conocimiento gobernado puede reducir esa fragmentación, pero solo cuando sus prácticas de acceso y datos se ajustan a los requisitos organizativos.

Por ello, los equipos de seguridad se enfrentan a una tarea delicada. Deben preservar la experiencia que hace útil a la IA mientras trasladan el flujo de trabajo circundante a identidades gestionadas, rutas de datos aprobadas y sistemas revisables.

Castigar a los usuarios más activos puede empujarlos aún más a la clandestinidad. Ignorarlos puede convertir la experimentación privada en infraestructura sin seguimiento. La mejor respuesta comienza por identificarlos, comprender lo que han construido y separar las prácticas valiosas de las decisiones de implementación inseguras.

Una política amplia ve aplicaciones, no exposición

Una lista de aplicaciones no puede mostrar si un usuario hizo una pregunta general o dio a un agente autónomo acceso a un repositorio crítico.

Los programas tradicionales de shadow IT suelen inventariar servicios, clasificar proveedores y bloquear dominios prohibidos. Este modelo supone que cada aplicación representa una unidad de riesgo relativamente estable. La IA generativa complica esa suposición porque la misma interfaz puede admitir comportamientos radicalmente distintos.

Un empleado puede utilizar ChatGPT para reescribir una descripción pública de un puesto. Otro puede pegar especificaciones de producto no publicadas en el mismo servicio. Un tercero puede instalar una extensión de programación con acceso a archivos locales y credenciales de desarrollo.

El dominio es idéntico, pero la exposición cambia según la identidad, el contenido, los permisos y la duración. Una simple decisión de permitir o bloquear no puede expresar esas diferencias.

El análisis de seguridad de Akamai identifica cinco áreas conectadas: expansión del uso de IA, cuentas personales, exposición de datos, extensiones de navegador o desarrollo y agentes autónomos. La combinación importa más que cualquier categoría individual.

Las extensiones de navegador merecen un escrutinio particular porque operan cerca de la actividad del usuario. Según sus permisos, las extensiones pueden leer el contenido de las páginas, observar la entrada de datos, interactuar con aplicaciones en la nube o enviar información a servicios externos. Los empleados pueden instalarlas sin considerar la acción como un despliegue de software.

Las extensiones de los entornos de desarrollo integrados presentan un problema similar para los ingenieros. Un asistente de programación con IA puede ver archivos de código fuente, material de configuración, registros de errores o secretos cercanos. Incluso cuando el servicio principal está aprobado, una extensión, tipo de cuenta o configuración concreta puede quedar fuera de los controles corporativos.

Los agentes elevan aún más el riesgo. Un agente de IA es software que utiliza un modelo para perseguir un objetivo mediante herramientas con una intervención humana limitada. Puede buscar archivos, llamar a APIs, modificar registros o activar otras aplicaciones, según los permisos que reciba.

Un chatbot normalmente devuelve texto para que una persona lo evalúe. Un agente puede actuar. Ese cambio convierte resultados inexactos, instrucciones manipuladas o permisos excesivos en consecuencias operativas.

Un empleado que experimenta con un agente podría conectar un token personal, conceder acceso amplio a repositorios o ejecutar el sistema desde un dispositivo no gestionado. Es posible que los equipos de seguridad no sepan que el agente existe porque aparece como actividad ordinaria de navegador, API o desarrollo local.

El riesgo también persiste más allá de la conversación original. Un prompt puede dejar de recibir atención después de cerrar una pestaña del navegador. Un agente puede permanecer programado, conservar credenciales o seguir operando mediante integraciones.

Netskope identificó esta superficie en expansión en su investigación de shadow AI de 2025. Descubrió que el 60 % de los usuarios empresariales observados seguía accediendo a aplicaciones personales de IA generativa en mayo de 2025. La empresa también rastreó agentes personalizados, plataformas de IA en la nube y herramientas on-premises como formas emergentes de shadow AI.

Netskope informó que la organización promedio de su conjunto de datos utilizaba siete aplicaciones de IA generativa de software como servicio, frente a 5,6 tres meses antes. También rastreaba más de 1.550 aplicaciones de IA generativa distintas. Estas cifras ilustran por qué mantener una lista de bloqueo completa se vuelve difícil.

Sin embargo, sustituir una lista de bloqueo por la vigilancia de cada prompt crearía sus propios problemas. La privacidad de los empleados, las normas laborales, la minimización de datos y la confianza siguen siendo relevantes. Una mayor visibilidad no implica automáticamente una mejor gobernanza si la recopilación carece de un propósito claro o de salvaguardas adecuadas.

El objetivo debería ser un control proporcional. Las organizaciones pueden empezar con metadatos como el tipo de identidad, la categoría de aplicación, los eventos de carga, los permisos de extensiones, las conexiones de herramientas y los niveles inusuales de actividad. Pueden aplicar una inspección más profunda solo cuando la ley, la política y el riesgo lo justifiquen.

Este modelo se asemeja a los principios establecidos de confianza cero. El acceso depende de la identidad, el dispositivo, el recurso y el contexto, y no solo de la ubicación. La gobernanza de IA debería evaluar cada interacción mediante una combinación similar de señales.

Un servicio de IA gestionado no hace que cada acción sea segura. Un servicio no aprobado no hace que todas las acciones sean igual de peligrosas. La pregunta relevante es a qué pueden acceder conjuntamente el usuario, el modelo y las herramientas conectadas.

Por eso una política amplia pasa por alto el problema central de concentración. Regula el nombre de la aplicación, mientras que la exposición real se acumula en torno a identidades y flujos de trabajo concretos.

El control concentrado crea sus propios riesgos

La gobernanza focalizada es más precisa que la restricción generalizada, pero las organizaciones no deberían confundir el volumen de uso con una prueba de conducta indebida.

Los hallazgos de Akamai respaldan una atención más estrecha a los usuarios avanzados. No establecen que el 5 % superior haya causado la mayoría de los incidentes confirmados, filtrado los registros más sensibles o actuado de forma irresponsable. Una alta actividad es un indicador de riesgo, no un veredicto de incidente.

Esta limitación importa. La telemetría describe conversaciones, identidades y patrones de uso. No puede revelar el propósito empresarial completo detrás de cada interacción. Un analista de seguridad que prueba controles de IA puede parecerse a un usuario inseguro cuando se mide únicamente por el volumen de conversaciones.

Por tanto, las organizaciones deberían evitar convertir la cifra del 5 % en una categoría automática de aplicación de medidas. La actividad intensa debería activar una revisión contextual. No debería justificar la suspensión inmediata de cuentas, la monitorización invasiva ni medidas disciplinarias sin pruebas adicionales.

El conjunto de datos también refleja la visibilidad de Akamai y LayerX. No debería tratarse como un censo universal de todos los sectores, geografías, dispositivos y despliegues de IA. Las empresas necesitan su propia línea de base antes de asignar umbrales o estimar la exposición.

Una segunda preocupación implica una falsa confianza en las cuentas empresariales. La identidad gestionada mejora la auditoría, el control de acceso y la protección contractual. No impide que un empleado introduzca información restringida, acepte una respuesta alucinada o conceda permisos excesivos a una aplicación conectada.

Las versiones corporativas de Gemini, Copilot, ChatGPT o Claude pueden reducir ciertos riesgos mediante controles administrativos. No pueden sustituir la clasificación de datos, el diseño de autorizaciones, la revisión de flujos de trabajo ni el juicio humano.

Una tercera preocupación es la confianza organizacional. Los empleados que creen que la dirección leerá cada interacción con IA pueden ocultar su uso, pasar a dispositivos personales o evitar herramientas aprobadas. Esa respuesta reduce la visibilidad que un programa focalizado debía crear.

Las empresas necesitan reglas de monitorización transparentes. Los usuarios deberían entender qué señales se recopilan, por qué importan, quién puede revisarlas y durante cuánto tiempo permanecen disponibles. Los equipos de seguridad deberían separar la detección de riesgos de la monitorización del rendimiento siempre que sea posible.

El perfil de IA de NIST ofrece un contrapeso útil a la aplicación restrictiva y limitada. Organiza el trabajo de riesgo en gobernanza, mapeo, medición y gestión. Este enfoque de ciclo de vida trata los controles como un sistema continuo en lugar de una única política para empleados.

La gobernanza define la propiedad, el uso aceptable, las vías de notificación y la rendición de cuentas. El mapeo identifica el contexto empresarial, las personas afectadas, los datos y las dependencias. La medición prueba si los riesgos y los controles pueden observarse. La gestión prioriza las respuestas según el impacto y la tolerancia.

Aplicada a los usuarios avanzados de shadow AI, esta secuencia evita un salto prematuro de la detección al castigo. Una empresa primero identifica flujos de trabajo intensivos, mapea su propósito empresarial y acceso a datos, mide la exposición concreta y luego elige un control proporcional.

La respuesta podría consistir en migrar una cuenta personal a una gestionada. Podría eliminar un permiso excesivo de una extensión, sustituir una clave API personal, limitar las herramientas de un agente o aprobar un mejor servicio empresarial.

Algunos flujos de trabajo deberían detenerse por completo. Un agente sin revisión que modifica registros financieros o procesa datos sanitarios regulados presenta un nivel de exposición distinto al de un asistente de redacción que utiliza material público. El análisis de concentración ayuda a detectar esa diferencia, pero la revisión humana sigue determinando su significado.

La gobernanza focalizada también debe tener en cuenta a los usuarios privilegiados. Ingenieros, administradores, investigadores, ejecutivos, equipos jurídicos y personal financiero suelen manejar información más trascendente que sus pares. El volumen de conversaciones y la sensibilidad del acceso deberían evaluarse conjuntamente.

Un usuario con 150 conversaciones de bajo riesgo sobre lenguaje de marketing público podría presentar menos exposición que alguien que cargó un único documento confidencial de adquisición. El volumen es útil porque identifica comportamientos arraigados. El contenido y el contexto de permisos determinan el impacto potencial.

La conclusión escéptica es sencilla: la telemetría de shadow AI de Akamai mejora la priorización, pero no proporciona una puntuación de riesgo completa. Las organizaciones siguen necesitando evidencia local, reglas transparentes y una revisión cuidadosa.

Qué deberían vigilar los equipos de seguridad a continuación

La próxima fase de la gobernanza de shadow AI se medirá por la adopción de identidades gestionadas, los permisos de los agentes y reducciones validadas de la exposición a datos sensibles.

La primera señal es la proporción de actividad de IA relacionada con el trabajo que pasa de identidades personales a cuentas gestionadas por la empresa. Esto es más significativo que contar licencias adquiridas. Una empresa puede poseer miles de licencias empresariales mientras los empleados siguen usando cuentas personales conocidas.

Los líderes de seguridad deberían medir la migración de cuentas por equipo y nivel de actividad. El progreso entre usuarios ocasionales es útil, pero el movimiento entre los usuarios más intensivos importa más. Una proporción decreciente de cuentas personales dentro de ese grupo respaldaría la tesis de concentración de Akamai y mostraría que la intervención focalizada funciona.

La métrica requiere una interpretación cuidadosa. Un inicio de sesión gestionado no demuestra un comportamiento seguro. Sí proporciona una base más sólida para el control de acceso, la configuración de retención, la auditabilidad y la respuesta a incidentes.

La segunda señal es el crecimiento de agentes y extensiones con acceso a sistemas empresariales. Las organizaciones deberían inventariar qué pueden leer, cambiar y transmitir esas herramientas. También deberían identificar qué identidades proporcionaron las credenciales.

Los permisos importan más que el número de agentes. Diez agentes limitados a información pública pueden generar menos exposición que un sistema con acceso de escritura a datos de producción. Las revisiones deberían priorizar recursos sensibles, credenciales persistentes, transferencia externa de datos y acciones que carezcan de confirmación humana.

Cualquier reducción de permisos excesivos reforzaría el argumento a favor de una gobernanza focalizada. Un crecimiento rápido de agentes no detectados debilitaría las afirmaciones de que las políticas actuales de IA ofrecen una cobertura significativa.

La tercera señal es si las organizaciones pueden demostrar menos eventos de datos sensibles sin suprimir una adopción útil. Esta es la medida más difícil porque exige que los equipos de seguridad y productividad evalúen los resultados conjuntamente.

Un programa exitoso debería reducir las cargas de información restringida, las credenciales no gestionadas y las integraciones no aprobadas. También debería mantener el uso aprobado lo bastante accesible como para que los empleados no se desplacen a canales invisibles.

Las métricas basadas únicamente en solicitudes bloqueadas generan los incentivos equivocados. Más bloqueos pueden indicar una aplicación más estricta, una mayor demanda insegura o alternativas aprobadas deficientes. Los equipos deben comparar los eventos de prevención con la migración de cuentas, la adopción de flujos de trabajo aprobados, los comentarios de los usuarios y los incidentes confirmados.

El enfoque de Google News seguirá siendo útil solo si las organizaciones lo contrastan con sus propios entornos. El umbral preciso del 5 % puede cambiar, pero la concentración debería aparecer en la telemetría interna si se mantiene el patrón subyacente.

Los equipos de seguridad pueden comenzar con varias preguntas prácticas. ¿Qué empleados utilizan la IA con mayor frecuencia? ¿Cuáles de ellos dependen de identidades personales? ¿Quién carga archivos, instala extensiones o conecta agentes a sistemas internos? ¿Qué herramientas aprobadas no satisfacen sus necesidades?

Estas preguntas crean un mejor punto de partida que preguntar si toda la IA debería permitirse o prohibirse. Conectan la gobernanza con el trabajo real y muestran dónde la comodidad está eludiendo el control.

Las empresas también deberían establecer una vía de escalamiento que no comience con medidas disciplinarias. Cuando seguridad detecta un flujo de trabajo avanzado no oficial, la primera revisión debería identificar su valor empresarial, entradas de datos, permisos y alternativas. Esto crea una oportunidad para preservar prácticas útiles mientras se elimina la exposición innecesaria.

Cuando el riesgo es inmediato, como en el caso de un agente con amplio acceso a producción, la contención debería ser lo primero. Cuando la exposición es menor, la migración y la formación pueden ofrecer un mejor cumplimiento a largo plazo que una prohibición generalizada.

Los líderes deberían plantear una última pregunta antes de declarar controlado el problema: ¿puede la organización describir sus flujos de trabajo de IA de mayor intensidad sin depender de una encuesta? Si la respuesta es no, la política está operando por delante de la evidencia.

Google News llamó la atención sobre una inversión importante. Shadow AI está muy extendida, pero su exposición más grave no necesariamente se distribuye de manera uniforme. Las personas que utilizan la IA con mayor profundidad son donde convergen la productividad, los datos, la identidad y el acceso autónomo.

Eso deja clara la siguiente acción. Identifique los flujos de trabajo concentrados, páselos a una identidad administrada, revise sus permisos y mida si disminuye la exposición de información sensible. Las reglas generales pueden establecer límites, pero solo la evidencia del uso real muestra dónde debe estar la protección.