El informe de IBM sobre el costo de una filtración de datos en 2026 demuestra que el aumento de costos se debe a la falta de gobernanza de IA, no a la IA en sí
Cada año, alguien escribe el mismo titular sobre este informe: el costo promedio subió, aquí está la cifra, aquí una cita sobre cómo la ciberseguridad importa más que nunca. Ese titular ya está obsoleto cuando se publica, y este año ni siquiera cuenta la historia real.
IBM y el Instituto Ponemon publicaron este mes el Informe 2026 sobre el costo de una filtración de datos, la edición número 21 de un estudio que analiza la economía de las filtraciones desde 2005. El costo promedio global de una filtración subió a 4,99 millones de USD, un aumento del 12% respecto al año pasado y un nuevo récord. Esa cifra encabezará la mayoría de las coberturas. No debería. El dato relevante está escondido en la página 40: el 92% de las organizaciones que sufrieron un incidente de seguridad relacionado con IA no contaban con controles de acceso a IA adecuados en ese momento.
Lee eso de nuevo. No «algunas» organizaciones. No «muchas». Noventa y dos por ciento. Son empresas que ya tuvieron un modelo o aplicación de IA comprometido, y casi todas seguían sin implementar controles básicos de acceso basado en roles o autenticación multifactor. Esta no es una historia sobre la inteligencia artificial siendo peligrosa. Es una historia sobre la gobernanza que nunca llegó a la reunión de implementación.
La mayoría de los comentarios sobre este informe tratan el riesgo de IA como un problema futuro, algo a lo que anticiparse antes de que sea urgente. Los datos dicen lo contrario. Los ataques impulsados por IA aumentaron un 56% año tras año. Los incidentes de seguridad que involucraron modelos de IA propios de una organización pasaron del 13% de las filtraciones al 21% —un aumento del 61% en un solo ciclo de investigación. Los incidentes de shadow AI más que se duplicaron, del 20% al 43%. Esto no es una predicción. Está ocurriendo a gran escala, ahora mismo, dentro de las 602 organizaciones que Ponemon estudió en 17 industrias y 16 países entre marzo de 2025 y febrero de 2026.
Conclusiones clave
- El costo global de las filtraciones alcanza un récord de 4,99 millones de USD. Es un aumento del 12% respecto al año anterior, revirtiendo una rara baja en 2025 y continuando una tendencia al alza que se mantiene desde la pandemia.
- La adopción de IA sin gobernanza, no la IA en sí, es el principal impulsor de costos. Entre las organizaciones que sufrieron una filtración relacionada con IA, el 92% carecía de controles de acceso a IA adecuados, y esos incidentes promediaron 5,33 millones de USD frente a 4,70 millones de USD para filtraciones sin IA involucrada.
- Los incidentes de shadow AI más que se duplicaron hasta el 43% de las organizaciones afectadas, frente al 20% del año pasado, elevando el costo promedio de 4,63 millones a 5,39 millones de USD y generando multas regulatorias en aproximadamente uno de cada cinco casos.
- La gobernanza de IA está perdiendo terreno, no ganándolo. Solo el 32% de las organizaciones afectadas cuentan hoy con políticas de IA, frente al 37% del año pasado, y apenas el 19% coordinan entre los equipos de gobernanza de IA y seguridad.
- La IA y la automatización en seguridad siguen siendo el reductor de costos más eficaz disponible, ahorrando a los adoptantes extensivos 1,93 millones de USD por filtración y reduciendo el tiempo de contención en 65 días —pero solo el 36% de las organizaciones usan estas herramientas de manera extensiva.
El dato que todos pasarán por alto
Que el 92% carezca de controles de acceso a IA adecuados no es un simple error de redondeo. Es una falla estructural que se repite en todos los tipos de incidentes relacionados con IA que el informe rastreó. Los ataques de inversión de modelo, donde un atacante extrae datos sensibles al explorar las salidas del modelo, promediaron 6,07 millones de USD por filtración —un 18% por encima del promedio global. Los incidentes de inyección de prompts quedaron cerca con 5,89 millones de USD. Las configuraciones incorrectas en la nube que afectan cargas de trabajo de IA costaron 5,25 millones de USD. Ninguno de estos son ataques exóticos al razonamiento del modelo. Son el resultado predecible de conectar un sistema potente a datos sensibles sin controles de acceso ni gestión de identidades y accesos implementados. Una filtración de datos confirmada vinculada a inversión de modelo o inyección de prompts conlleva las mismas obligaciones de notificación bajo HIPAA, GDPR u otros marcos comparables que cualquier otra filtración —con la complejidad añadida de que reconstruir exactamente qué expuso un sistema de IA suele ser más difícil que rastrear una intrusión convencional.
El propio lenguaje del informe lo respalda: «Las causas raíz de estos incidentes fueron a menudo estructurales: compromiso de APIs conectadas, aplicaciones y configuraciones incorrectas en la nube, lo que indica fallas de gobernanza —no riesgo del modelo.» Así lo dicen IBM y Ponemon con sus propias palabras: el modelo rara vez es el punto débil. Lo es la infraestructura que lo rodea.
Esto importa porque la conversación en la industria sobre seguridad de IA sigue gastando enormes esfuerzos en el comportamiento del modelo —alucinaciones, sesgos, jailbreaking— mientras los datos de filtraciones muestran que la exposición aparece en brechas de DLP, entornos en la nube mal configurados y APIs que nadie protegió. La gobernanza de datos de IA no es un extra opcional sobre una implementación de IA. Es la implementación. Una evaluación de riesgos formal que inventarie específicamente qué APIs, configuraciones en la nube y cargas de trabajo de IA carecen hoy de controles de acceso —en lugar de evaluar el riesgo de IA solo a nivel de comportamiento del modelo— es la base de evidencia que convierte ese 92% de este año de una estadística abstracta en una lista priorizada de remediación.
Confías en que tu organización está segura. Pero ¿puedes comprobarlo?
Lee ahora
Shadow AI es el nuevo Shadow IT — con riesgos mayores
Hace una década, los equipos de seguridad libraron una batalla perdida contra el shadow IT: empleados que se registraban en herramientas en la nube sin aprobación, almacenaban datos de la empresa en cuentas personales de Dropbox, usaban SaaS no autorizados. La mayoría de las organizaciones finalmente crearon programas de visibilidad y CASB para controlarlo. El shadow AI repite exactamente ese patrón, salvo que las herramientas involucradas pueden ingerir, resumir y regenerar contenido confidencial de formas que una simple cuenta personal de uso compartido nunca podría.
El informe encontró que los incidentes de seguridad relacionados con shadow AI —herramientas de IA no aprobadas que los empleados adoptan por su cuenta— más que se duplicaron este año, del 20% al 43% de las organizaciones afectadas. Estos incidentes tuvieron un costo promedio mayor que el año pasado (5,39 millones de USD frente a 4,63 millones de USD) y consecuencias que van más allá de una simple filtración de datos: el 49% resultó en pérdida o compromiso de datos, el 42% causó interrupciones operativas y el 21% generó una multa regulatoria.
Aquí está el dato que debería preocupar a cualquier responsable de cumplimiento que lea esto: los incidentes de shadow AI ya generan multas en aproximadamente uno de cada cinco casos. Es un dato nuevo este año, y significa que el shadow AI ha pasado de ser un problema de control interno a una exposición regulatoria. Que un empleado pegue un registro de cliente en un chatbot no aprobado para responder más rápido ya no es solo una infracción de política. Es un posible evento RGPD o de ley estatal de privacidad con una cifra económica asociada, y si ese registro incluye PII o PHI, las obligaciones de notificación agravan la exposición a multas que documenta el informe.
La comparación con el shadow IT solo llega hasta cierto punto, y ese punto importa. El shadow IT solía significar datos almacenados donde no debían. El shadow AI significa datos siendo procesados, transformados y, en algunos casos, usados para entrenar o ajustar un modelo fuera de toda visibilidad. No siempre puedes revertir eso con una simple solicitud de eliminación. Precisamente esta es la brecha que los enfoques de generative AI de confianza cero y los marcos de gobernanza de riesgos de IA buscan cerrar: aplicar la política en el punto donde el contenido pasa de un usuario a un sistema de IA, en vez de intentar controlar el comportamiento después. La clasificación de datos antes de que el contenido llegue a una herramienta de IA es el requisito previo que permite esta protección —un motor de políticas no puede bloquear un registro de cliente en un chatbot no autorizado si no puede reconocer ese registro como confidencial desde el principio.
La gobernanza pierde terreno, no se pone al día
Si la gobernanza de IA estuviera mejorando, aunque fuera lentamente, los dos hallazgos anteriores serían solo un rezago temporal. No es así, porque el informe muestra que la gobernanza retrocede. Solo el 32% de las organizaciones afectadas tienen políticas de IA este año, frente al 37% del año pasado. Las organizaciones sin políticas también bajaron, del 41% al 35%, pero la proporción «en desarrollo» saltó del 22% al 33%. Traducción: menos empresas han terminado el trabajo y más están empezando una y otra vez.
La brecha de coordinación es peor. Solo el 19% de las organizaciones reportaron que sus equipos de gobernanza de IA y seguridad realmente coordinan entre sí —una pregunta que el informe hizo por primera vez este año. Los investigadores de IBM lo dicen claro: «Esa falta de colaboración puede generar puntos ciegos, conflictos de políticas y respuestas más lentas ante incidentes de seguridad.» Gobernanza y seguridad operando por separado es exactamente cómo se produce una tasa de fallos del 92% en controles de acceso sin que nadie asuma la solución. El CISO Dashboard da a ambos equipos una vista única, compartida y en tiempo real del acceso a datos mediado por IA —cerrando la brecha de coordinación al asegurar que gobernanza y seguridad miran la misma evidencia en vez de trabajar con reportes separados y desconectados.
Nada de esto ocurre porque las organizaciones no vean el riesgo. Ocurre porque la implementación de IA avanzó a velocidad de equipo de producto mientras la gobernanza avanzó a velocidad de comité, y la brecha entre esas velocidades es donde se acumulan los costos de las filtraciones. Los modelos de IA de frontera citados en el informe de este año —capaces de encontrar vulnerabilidades en sistemas operativos y navegadores más rápido que los investigadores humanos— solo han ampliado esa brecha. En dos años, investigadores de UC Berkeley proyectan que la IA favorecerá a los atacantes sobre los defensores en un 31,7%. La gobernanza diseñada para el modelo de amenazas del año pasado ya está desfasada.
La defensa con IA sigue siendo real — solo que poco utilizada
Nada de esto es un argumento contra el uso de IA en la empresa, y sería deshonesto plantearlo así. El mismo informe muestra que la IA y la automatización ofrecen la mayor reducción de costos disponible para los equipos de seguridad. Las organizaciones que usaron IA y automatización en seguridad de manera extensiva redujeron el costo promedio de una filtración a 4,00 millones de USD, frente a 5,93 millones de USD para las que no las usan —un ahorro de 1,93 millones de USD por filtración. Los adoptantes extensivos también identificaron y contuvieron filtraciones en 215 días, 65 días más rápido que las organizaciones que no usan estas herramientas.
El problema es la adopción, no la eficacia. Solo el 36% de las organizaciones usan IA y automatización en seguridad de forma extensiva, un aumento modesto respecto al 32% del año pasado. Su uso se concentra en detección y respuesta; la implementación en prevención va muy por detrás. Entre la mitad de las organizaciones afectadas que ejecutan agentes de IA en su centro de operaciones de seguridad, el 56% los usa para threat hunting y el 54% para respuesta automatizada, pero solo el 18% aplica agentes a escaneo y gestión de vulnerabilidades —justo el área donde los modelos de frontera de IA están generando más exposición. Las organizaciones están enfocando sus mejores herramientas en la limpieza, no en la puerta de entrada. Integrar señales de threat hunting y respuesta automatizada en una plataforma SIEM unificada da a los centros de operaciones de seguridad la capa de correlación necesaria para extender la detección impulsada por IA a la brecha de escaneo de vulnerabilidades que el informe identifica como poco utilizada.
Cada hallazgo sobre gobernanza y controles de acceso en este informe apunta a la misma solución práctica: aplicar los principios de arquitectura de confianza cero a la IA igual que se han aplicado a redes e identidades en la última década. Verificación continua. Acceso de mínimo privilegio. Aplicación de políticas en el punto de intercambio de datos, no después. El control de acceso basado en atributos (ABAC) —evaluando simultáneamente la sensibilidad del contenido, el rol del usuario o agente y el contexto de la solicitud en cada evento de acceso— es el mecanismo técnico que hace que la verificación continua sea operativa y no solo aspiracional. Kiteworks desarrolló su función de Compliant AI y el Secure MCP Server exactamente bajo este principio: gobernar a qué datos puede acceder, usar y compartir un sistema o agente de IA, con el mismo rigor que se aplica a los usuarios humanos, en vez de añadir controles después de que el modelo ya está en producción.
¿A dónde va el resto del dinero?
Algunos otros hallazgos del informe de este año merecen atención porque muestran dónde se concentran los costos fuera de la narrativa de IA. El sector salud sigue siendo el más caro por decimotercer año consecutivo, con un promedio de 6,64 millones de USD por filtración, aunque esa cifra bajó respecto a los 7,42 millones del año pasado. Los servicios financieros saltaron en la dirección opuesta, hasta 6,29 millones de USD desde 5,56 millones, y los servicios financieros y energía juntos representaron el 62% de todas las filtraciones impulsadas por IA estudiadas —una concentración que el informe califica como riesgo sistémico, ya que una interrupción en cualquiera de estos sectores se traslada a las finanzas del consumidor, los sistemas económicos y las redes eléctricas.
El phishing siguió siendo el vector de ataque inicial más costoso por cuarto año consecutivo, con un promedio de 5,29 millones de USD, y el phishing por voz y SMS se usó específicamente en el 17% de los ataques. El ransomware subió al 39% de las organizaciones afectadas, frente al 34% del año pasado y un aumento del 62,5% desde 2023, y los atacantes cada vez usan más la reputación de marca como arma junto con el cifrado de datos: el 41% de los ataques de ransomware ahora incluyen amenazas de escarnio público y filtraciones en medios, más común que la táctica tradicional de cifrar sistemas operativos.
En reducción de costos, el enfoque DevSecOps fue el factor individual que más bajó el costo de las filtraciones, recortando el promedio en 253.805 USD. La implementación de IAM quedó cerca con 225.622 USD, y el cifrado también se ubicó entre los principales reductores con 213.478 USD. Por el lado contrario, las filtraciones en la cadena de suministro que involucraron a un socio comercial comprometido sumaron en promedio 227.250 USD, el factor amplificador de costos más caro identificado —un recordatorio de que la gestión de riesgos de la cadena de suministro y la gestión de riesgos de terceros siguen siendo partidas obligatorias —aunque poco glamorosas— en cualquier presupuesto de seguridad.
El cifrado en sí aún no es universal, lo cual merece una pausa considerando lo central que es para cualquier marco de cumplimiento en este sector. Entre las organizaciones afectadas, el 53% no había cifrado datos sensibles en reposo y en tránsito al momento de la filtración, y otro 10% no estaba seguro de si los datos estaban cifrados. Solo el 37% podía afirmar con confianza que sí lo estaban. Eso no es un problema de IA ni de modelos de frontera. Es un problema de lo básico, y es algo que cualquier organización puede resolver sin esperar a que un comité de gobernanza termine su mandato. Cualquier dato expuesto en esta categoría probablemente incluye propiedad intelectual y registros de clientes cuya pérdida se multiplica mucho más allá del costo inmediato de la filtración que captura el informe.
La demora es la partida más cara del informe
Un patrón más atraviesa todos los hallazgos anteriores: el tiempo es dinero, casi literalmente. Las filtraciones que tardaron más de 200 días en identificarse y contenerse promediaron 5,65 millones de USD este año, un 12% más que los 5,01 millones del año pasado. Las filtraciones resueltas en menos de 200 días promediaron 4,32 millones de USD —también un 11% más año tras año, pero muy por debajo del grupo más lento. La brecha entre una respuesta rápida y lenta se amplió en vez de reducirse, en línea con lo que muestran los datos de ataques impulsados por IA: los atacantes comprimen sus propios tiempos mientras una parte significativa de los defensores no lo hace.
La recuperación cuenta una historia más alentadora, al menos en la superficie. El 42% de las organizaciones afectadas reportaron haberse recuperado completamente este año, frente al 35% del año pasado y una mejora de cuatro veces respecto al 12% de 2024. Pero «recuperación» en esta investigación significa operaciones restauradas, cumplimiento de obligaciones y reconstrucción de la confianza de los clientes —y el 58% de las organizaciones aún no había llegado a ese punto cuando los investigadores recopilaron los datos. Casi una de cada cinco organizaciones necesitó más de 150 días solo para recuperarse completamente, además del tiempo ya invertido en identificar y contener la filtración. Si sumas esos números, el costo real de un incidente lento ni siquiera se refleja en el promedio principal. Está en los meses de operaciones interrumpidas, contratos demorados y pérdida de clientes que una sola cifra no puede reflejar por completo.
Las organizaciones que identificaron filtraciones más rápido no dependieron de ayuda externa para lograrlo. Los equipos internos de TI y seguridad identificaron el 38% de las filtraciones este año —más que cualquier otra fuente— y lo hicieron en un promedio de 209 días, un 15% más rápido que el promedio global. Es el argumento más sólido de todo el informe para invertir en capacidad interna de detección en vez de tratar la respuesta a incidentes como algo completamente externalizable.
¿Qué cambia ahora?
Las propias recomendaciones de IBM coinciden estrechamente con lo que los datos muestran desde hace dos años consecutivos: trasladar la seguridad de identidad a una verificación continua y en tiempo real, no a una aprobación única; extender esa verificación a identidades no humanas, ya que solo el 46% de las organizaciones actualmente protegen las identidades de máquina de las que dependen sus flujos de trabajo de IA; y tratar la soberanía de IA —control sobre dónde se ejecutan los sistemas de IA, cómo se procesan los datos y quién tiene acceso— como un requisito de seguridad, no una preferencia filosófica.
El 85% de las organizaciones ahora afirma que planea aumentar el gasto en seguridad específicamente por las nuevas amenazas de modelos de IA de frontera, un salto respecto al 64% antes de entender el alcance de lo que estos modelos pueden hacer. Es el instinto correcto, pero llega tarde. Las organizaciones que saldrán adelante en el informe del próximo año no serán las que más gasten. Serán las que cierren la brecha entre implementar IA y gobernarla, antes de que el incidente obligue a la conversación. Si tu organización aún trata la gobernanza de datos y la implementación de IA como flujos de trabajo separados, este informe es el argumento para unirlos, y el intercambio seguro de datos de Kiteworks está diseñado específicamente para hacer cumplir esa gobernanza en el punto donde humanos y agentes de IA realmente interactúan con contenido confidencial. El panel de control de datos de Kiteworks unifica esa protección en correo electrónico, uso compartido de archivos, transferencia gestionada de archivos y conexiones con sistemas de IA, de modo que el mismo control de acceso y estándar de auditoría se aplica donde sea que se mueva contenido confidencial.
Para saber más sobre cómo gobernar a qué pueden acceder, usar e intercambiar los sistemas y agentes de IA, agenda una demo personalizada hoy.
Preguntas frecuentes
Según el Informe de IBM sobre el costo de una filtración de datos 2026, el costo promedio global de una filtración de datos es de 4,99 millones de USD, un 12% más que el año anterior y un nuevo récord. Estados Unidos registró el promedio regional más alto con 11,5 millones de USD, casi el doble que la cifra global. El informe atribuye el aumento principalmente a mayores costos de detección, escalamiento y pérdida de negocio, que juntos representaron el 63% del costo total de las filtraciones este año. Las organizaciones que buscan reducir la exposición en estas categorías de costos deberían empezar por evaluar su plan de respuesta a incidentes y sus herramientas de detección.
Los incidentes de seguridad que involucraron modelos o aplicaciones de IA propios de una organización pasaron del 13% de las filtraciones el año pasado al 21% este año, un aumento del 61%, según el mismo informe de IBM. El crecimiento refleja tanto una mayor adopción de IA en la empresa como una respuesta de gobernanza que no ha seguido el ritmo: el 92% de las organizaciones con una filtración relacionada con IA carecían de controles de acceso a IA adecuados en el momento del incidente. Cerrar esa brecha empieza por aplicar la misma disciplina de IAM a los sistemas de IA que las organizaciones ya aplican a usuarios humanos y redes. Las organizaciones sujetas a obligaciones de cumplimiento normativo deberían tratar ese 92% como un punto de referencia sectorial: los reguladores evalúan cada vez más la gobernanza del acceso a datos de IA bajo los mismos estándares de control de acceso que ya se aplican al acceso de usuarios humanos.
Shadow AI se refiere a empleados que usan herramientas de IA que no han sido evaluadas ni aprobadas por los equipos de TI o seguridad de su organización, similar al shadow IT de hace una década. El informe de IBM encontró que los incidentes de seguridad de shadow AI más que se duplicaron este año, del 20% al 43% de las organizaciones afectadas, con un costo promedio que subió a 5,39 millones de USD y multas regulatorias en aproximadamente uno de cada cinco incidentes. Como las herramientas de shadow AI pueden procesar y retener activamente datos confidenciales en vez de solo almacenarlos, las organizaciones necesitan clasificación de datos y aplicación de políticas en el punto donde el contenido llega a un sistema de IA, no después. La minimización de datos aplicada en ese mismo punto —asegurando que solo el contenido mínimo necesario para una tarea de IA llegue al modelo— limita aún más la exposición cuando una herramienta de shadow AI logra pasar desapercibida.
Sí, y el efecto es considerable. Las organizaciones que usaron IA y automatización en seguridad de manera extensiva reportaron un costo promedio de filtración de 4,00 millones de USD, frente a 5,93 millones de USD para las que no usan estas herramientas —un ahorro de 1,93 millones de USD. Los usuarios extensivos también identificaron y contuvieron filtraciones 65 días más rápido en promedio. El reto es la adopción: solo el 36% de las organizaciones actualmente califican como usuarios extensivos, y la mayoría concentra ese uso en detección y respuesta más que en prevención, donde herramientas como SOAR y la gestión automatizada de vulnerabilidades podrían cerrar la brecha restante.
Empieza por la visibilidad y el control de acceso, no por los documentos de políticas. El informe muestra que las fallas estructurales —APIs sin asegurar, entornos en la nube mal configurados conectados a cargas de trabajo de IA y falta de controles de acceso— causaron muchas más filtraciones relacionadas con IA que cualquier debilidad en los modelos subyacentes. Las organizaciones también deberían establecer coordinación entre los equipos de gobernanza de IA y seguridad, ya que solo el 19% lo hace actualmente, y extender la gestión de identidades y ciclo de vida a identidades no humanas, que solo el 46% de las organizaciones protege hoy. Una evaluación de riesgos que compare los controles de acceso actuales de cada carga de trabajo de IA con el 92% de fallos de este año da a los equipos de seguridad y gobernanza el punto de partida priorizado y basado en evidencia que señalan los hallazgos del informe.
Recursos adicionales
- Artículo del Blog
Estrategias Zero‑Trust para una protección de privacidad de IA accesible - Artículo del Blog
Cómo el 77% de las organizaciones está fallando en la seguridad de datos de IA - eBook
Brecha de gobernanza de IA: Por qué el 91% de las pequeñas empresas juega a la ruleta rusa con la seguridad de datos en 2025 - Artículo del Blog
No existe el «–dangerously-skip-permissions» para tus datos - Artículo del Blog
Los reguladores ya no preguntan si tienes una política de IA. Quieren pruebas de que funciona.