Un empleado de RIZAP, la cadena japonesa de entrenamiento personal, subió datos de clientes a un servicio de inteligencia artificial generativa que utilizaba a título personal. La empresa salió a disculparse públicamente el 3 de septiembre, en un incidente que concentra los riesgos de privacidad que la IA generativa introduce en el día a día corporativo.
Según el comunicado oficial, la exposición ocurrió mientras un trabajador hacía tareas de agregación de datos del sistema de gestión del programa estatal de asesoría sanitaria específica para prevención de enfermedades ligadas al estilo de vida. La información comprometida corresponde a personas registradas entre el 1 de enero y el 19 de agosto e incluye números de póliza de seguro, correos electrónicos, nombres, fechas de nacimiento, sexo, parte de direcciones y teléfonos, además de datos sensibles de salud, como el tipo de apoyo recibido y registros de enfermedades.
RIZAP aseguró que ya reportó el caso a la autoridad japonesa de protección de datos y que notificará a los afectados de manera escalonada. También afirmó haber contactado al operador del servicio de IA, que no se confirmó que terceros ajenos a ese proveedor hayan podido ver la información, y que esta no fue utilizada para entrenar modelos. Lo que sigue bajo verificación es si los empleados del propio operador tuvieron acceso a los datos.
Un vector de riesgo distinto
El episodio ilustra lo que la investigación especializada viene señalando: las filtraciones en la era de la IA generativa rara vez se parecen a un ataque externo contra una base de datos; se desplazan hacia el uso cotidiano de las herramientas. Un reporte publicado el 21 de marzo de 2025 revisó incidentes documentados en OpenAI, Google, Anthropic, Meta y Microsoft, incluyendo la exposición de información de pago de usuarios de OpenAI, la indexación accidental de conversaciones privadas de un chatbot por parte de Google y la filtración de un modelo de Meta. La conclusión matiza el alarmismo: el daño medible se ha limitado en su mayoría a violaciones temporales de privacidad, daños reputacionales y disrupciones operativas, sin pérdidas financieras masivas ni compromisos generalizados de identidad.
Ese diagnóstico, sin embargo, no debería invitar a la relajación. Los vectores de fuga propios de esta generación tecnológica son nuevos: información sensible que se cuela en los mensajes dirigidos a un chatbot, memorización involuntaria de datos durante el entrenamiento y modelos filtrados que pueden ser reutilizados con fines dañinos. El caso RIZAP cae en la primera categoría. No intervino ningún hacker ni se explotó una vulnerabilidad técnica; un empleado cargó información de clientes en una herramienta que la compañía no había autorizado. De hecho, la propia firma señaló que su política interna prohibía el uso de servicios de IA generativa no aprobados, y que ahora redobla esa restricción. Una medida preventiva necesaria, aunque insuficiente si no se combina con controles que eviten el error antes de que ocurra.
Privacidad por diseño como respuesta
Parte de la investigación académica ya trabaja en esa dirección. Un estudio publicado el 24 de febrero de 2026 propone un marco de IA que detecta y mitiga la discriminación de precios hacia los consumidores sin sacrificar la privacidad de los datos. La arquitectura combina aprendizaje federado, que permite entrenar modelos de forma colaborativa sin compartir los datos crudos entre las partes, con privacidad diferencial, que impide que los cálculos intermedios del entrenamiento revelen información sensible.
En las pruebas, el sistema logró detectar conductas de precios discriminatorios con una precisión del 87,6 %, un consumo de presupuesto de privacidad de apenas 1,2 y una precisión superior al 85 % en escenarios de comercio electrónico y plataformas de viajes compartidos con ajustes mínimos. El trabajo estima, además, que este enfoque podría reducir hasta 42 % las quejas de los consumidores por diferencias de precios y facilitar el cumplimiento de regulaciones como el Reglamento General de Protección de Datos europeo.
Para América Latina, el caso RIZAP llega en un momento en que la forensia de IA conversacional, el campo que estudia cómo auditar plataformas como ChatGPT, Gemini, Copilot y Claude, apenas empieza a desarrollarse. Eso deja una pregunta incómoda para los responsables de riesgo en la región: si una organización no sabe qué herramientas de IA están usando sus empleados hoy, ¿cómo va a proteger la información de sus clientes mañana?
La próxima fuga no llegará con la estridencia de una brecha de seguridad masiva; puede producirse, como en RIZAP, desde el escritorio de alguien que solo intentaba ser más eficiente.
