El punto ciego de la IA en Linux: 7 puntos de exfiltración que su DLP no ve
Sep 16, 2026
Una de cada cinco filtraciones de datos ahora involucra IA en la sombra. Para la mayoría de las organizaciones, el mayor riesgo se encuentra en los endpoints Linux (donde el 78,5 % de los desarrolladores trabaja), que carecen de aplicación de políticas DLP. Los ingenieros pueden pegar código libremente en herramientas de chat de IA, sincronizar modelos propietarios con almacenamiento en la nube personal y transferir archivos mediante dispositivos extraíbles.
Esto ocurre porque las soluciones DLP tradicionales se diseñaron para gateways de correo electrónico y redes Windows. Las estaciones de trabajo de ingeniería, donde los datos se mueven a través de herramientas de IA, recursos compartidos de red y dispositivos conectados, nunca formaron parte del modelo de amenazas original. Hoy, el 69 % de las organizaciones tiene evidencia de uso no autorizado de herramientas de GenAI, a menudo sin visibilidad DLP en los endpoints macOS y Linux.
Según el Informe del Costo de una Filtración de Datos de IBM 2026, el 97 % de las organizaciones afectadas por filtraciones relacionadas con IA no contaban con controles de acceso adecuados. Los marcos HIPAA, PCI DSS, GDPR y CMMC responsabilizan a las organizaciones por los datos sensibles, incluidos los datos trasladados a herramientas de IA de terceros. Esta aplicación es legalmente obligatoria.
Según NIST SP 800-53 (MP-7), ISO 27001, PCI DSS y la Regla de Seguridad de HIPAA, las organizaciones están formalmente obligadas a gestionar, restringir o escanear los medios extraíbles. Sin embargo, a pesar de estos mandatos regulatorios, la mayoría de las organizaciones tienen controles mínimos en los endpoints Linux. Una filtración en servicios financieros expuso más de 300.000 registros de clientes a través de una unidad USB personal infectada, y un empleado de un contratista de defensa transfirió más de 3.600 archivos propietarios a dispositivos de almacenamiento personales.
Netwrix Endpoint Protector ofrece control de dispositivos granular en más de 20 tipos de dispositivos en Linux. La aplicación de políticas bloquea o audita las transferencias en tiempo real, con políticas que permiten transferencias legítimas mientras bloquean las no autorizadas según la clasificación de los datos. La acción se registra, bloquea o remedia según la política. Esta capacidad ofrece un control consistente en Windows, macOS y Linux desde un único panel.
Los controles de Bluetooth rara vez forman parte de las estrategias DLP de Linux. Se asume que Bluetooth es de bajo riesgo, personal o «problema de otra persona.» Pero MITRE ATT&CK designa la exfiltración por Bluetooth como T1011.001, una técnica que elude por completo firewalls, proxies y herramientas DLP.
El tráfico Bluetooth nunca toca las interfaces de red ni los puntos de inspección DLP. Actores de amenazas avanzados, incluidos Flame (2012) y ScarCruft (2019), ya han convertido a Bluetooth en un arma para el robo de datos. Sin controles a nivel de endpoint, este vector de exfiltración suele permanecer sin monitorear.
El DLP tradicional supervisa el correo electrónico y las cargas web, pero la actividad de sincronización en la nube a menudo escapa por completo a él. Las máquinas Linux pueden tener agentes de sincronización en la nube instalados, y herramientas como Dropbox, Nextcloud, ownCloud, FileZilla y SFTP se utilizan a menudo sin supervisión organizacional. La sincronización ocurre en segundo plano, archivo por archivo, sin la visibilidad que proporcionan los gateways de correo electrónico.
MITRE ATT&CK designa esto como T1567.002 (Exfiltración a Almacenamiento en la Nube), una técnica que los adversarios explotan porque los servicios en la nube ofrecen cobertura cuando las organizaciones ya se comunican con ellos. Investigaciones de Cyberhaven confirman que subir datos a almacenamiento en la nube personal es una de las formas más comunes en que los datos sensibles abandonan las organizaciones. Una vez que los datos están en una cuenta personal en la nube, la organización no tiene control sobre su movimiento o persistencia.
GitHub reportó 39 millones de secretos filtrados en 2024, con 28,65 millones de nuevos secretos codificados de forma fija añadidos a repositorios públicos solo en 2025, lo que representa un aumento del 34 % interanual. Según una investigación publicada por ESEM, hasta el 30 % de los proyectos están en riesgo por credenciales codificadas de forma fija. Las credenciales codificadas de forma fija siguen siendo una de las causas más comunes de las filtraciones de datos.
Estas credenciales rara vez desaparecen por sí solas. Incluso cuando se eliminan de los repositorios, los secretos permanecen indefinidamente en el historial de Git. Una vez expuestas, los atacantes utilizan estas credenciales para aprovisionar infraestructura, acceder a bases de datos y comprometer sistemas. Sin descubrimiento de datos sensibles en el endpoint ni monitoreo de inspección de contenido, estos activos permanecen invisibles para los equipos de seguridad hasta que los atacantes los explotan.
SSH y SCP cifran sus canales, lo que hace que esta ruta de exfiltración sea aún más difícil de detectar a nivel de red. En una filtración manufacturera de 2025, los atacantes usaron SCP sobre el puerto 443 para exfiltrar diseños propietarios y datos de clientes. Esta técnica permitió al atacante mover gigabytes de propiedad intelectual sin ser detectado. Una vez que los datos se transfieren desde un recurso compartido centralizado a una estación de trabajo individual, ya sea mediante NFS, rsync o SCP, se descentralizan y resultan más difíciles de monitorear. Alguien puede sincronizarlos con almacenamiento en la nube personal, o los datos pueden abandonar la organización cuando esa persona se va.
Los LLM pueden memorizar datos de entrenamiento, incluida información personalmente identificable y sensible, que los atacantes pueden extraer mediante consultas dirigidas. Ese riesgo ya se ha materializado en código generado por herramientas como ChatGPT. En 2023, ingenieros de Samsung filtraron inadvertidamente código fuente confidencial y notas de reuniones internas a través de tres incidentes separados de ChatGPT, y los datos enviados fueron retenidos por OpenAI para el entrenamiento de modelos fuera del control de Samsung.
Ese riesgo se extiende más allá de lo que cualquier empresa individual puede contener. Un investigador de seguridad descubrió más de 143.000 conversaciones de usuarios con Claude, Copilot y ChatGPT accesibles públicamente en Archive.org. Investigaciones de Harmonic Security encontraron que la versión gratuita de ChatGPT fue la fuente de una exposición significativa de datos sensibles, con aproximadamente una cuarta parte de los prompts sensibles enviados a través de cuentas gratuitas de ChatGPT. Una vez que los datos entran en un sistema de IA no gestionado, las organizaciones pierden el control sobre su persistencia y acceso.
La mayoría de las organizaciones tienen DLP en Windows, ya que es la base, pero esa protección suele detenerse en los endpoints Linux donde trabaja el 78,5 % de los desarrolladores. Este es el mismo problema arquitectónico mencionado anteriormente: el DLP nunca se diseñó pensando en las estaciones de trabajo de ingeniería, por lo que las cargas a ChatGPT, las transferencias USB, las sincronizaciones en la nube y la actividad de recursos compartidos de red se mueven a través de endpoints Linux sin ser inspeccionadas.
- Descargue el libro electrónico: Por qué los endpoints Linux son la zona cero del riesgo de datos de IA
- Vea el seminario web: Cómo los entornos de desarrollo de IA en Linux rompen las estrategias DLP
- Obtenga la ficha técnica: Netwrix Endpoint Protector para Linux
Compartir en
Aprende más
Acerca del autor
Ryan Oistacher
Director de Marketing de Producto
Ryan es un líder en Marketing de Productos, Generación de Demanda y Desarrollo de Nuevos Negocios enfocado en crecer y acelerar la cartera a través de canales de ventas directas e indirectas. Con experiencia en investigación de marketing, tecnologías empresariales y análisis web, Ryan está interesado en utilizar datos para identificar oportunidades, establecer puntos de referencia y superar objetivos. Como líder de marketing de productos orientado al crecimiento, Ryan utiliza tendencias macro tecnológicas, KPIs, casos de negocio y eventos de noticias relevantes para alinear las campañas de ventas y marketing con los objetivos de los compradores de TI.