Zero data retention

Zero data retention (retención cero de datos) es un compromiso por el cual un proveedor de modelos de IA garantiza que no almacena, no registra ni retiene la información que vos le enviás. Tu prompt y la respuesta del modelo se procesan en memoria el tiempo justo para resolver la consulta y después se descartan: no quedan en logs, no se guardan en una base de datos y, sobre todo, no se usan para entrenar futuros modelos.

Es una de las garantías centrales cuando una empresa lleva datos sensibles (clientes, contratos, salud, finanzas) a un modelo de lenguaje. Sin retención cero, lo que escribís podría quedar guardado en la infraestructura del proveedor, exponiéndote a fugas, accesos indebidos o usos secundarios no autorizados. Por eso forma parte del estándar de seguridad y confidencialidad que Vantegrate aplica al implementar IA, descrito en Seguridad.

En la práctica, zero data retention se materializa de dos formas que conviene distinguir: una garantía contractual (lo que el proveedor se obliga por escrito a no hacer) y un control técnico (cómo la arquitectura impide efectivamente que los datos persistan). Una implementación seria combina las dos.

Por qué importa para una empresa

Cuando una empresa empieza a usar IA generativa o agentes de IA sobre sus procesos, los prompts dejan de ser preguntas inocentes: pasan a contener datos reales del negocio. Un agente de cobranza ve montos, números de factura y nombres de clientes; un asistente de ventas ve oportunidades y precios; un copiloto legal ve cláusulas de contratos. Si el proveedor del modelo guarda todo eso, la empresa pierde el control sobre dónde vive su información más sensible y queda expuesta a un riesgo regulatorio y reputacional grande.

Zero data retention corta ese riesgo en la raíz: garantiza que esos datos no sobreviven a la consulta. No quedan en un repositorio del proveedor, no son legibles por su personal y no terminan, vía entrenamiento, mejorando un modelo que mañana usa tu competidor. Para sectores regulados en Argentina y la región (servicios financieros, salud, farmacéutica) es muchas veces la condición sin la cual el proyecto de IA directamente no arranca.

Cómo funciona en la práctica

La retención cero se sostiene sobre varias capas que actúan juntas:

• Procesamiento efímero: el prompt se carga en memoria, el modelo genera la respuesta y todo se libera. No hay escritura a disco persistente del contenido.
• Sin logging de contenido: se pueden registrar metadatos operativos (cuántas consultas, latencia, errores) pero no el texto del prompt ni de la respuesta.
• Exclusión de entrenamiento: los datos enviados quedan fuera de cualquier dataset que se use para reentrenar o afinar el modelo (lo opuesto del fine-tuning con tus datos).
• Garantía contractual y de cumplimiento: queda escrito en el contrato o términos del servicio, idealmente respaldado por certificaciones y auditorías independientes.

En el ecosistema Salesforce, este principio es exactamente lo que provee el Einstein Trust Layer: una capa que se interpone entre los datos de la empresa y el modelo, garantizando retención cero ante el proveedor del LLM, además de enmascarar datos sensibles y registrar auditoría. Es la diferencia entre llamar a una API pública con tus datos crudos y operar dentro de un perímetro de confianza diseñado para empresas.

Un ejemplo concreto

Pensá en una financiera argentina que quiere un agente que responda consultas de scoring crediticio. Cada consulta incluye CUIT, ingresos declarados y historial del solicitante: datos protegidos por la normativa de datos personales. Sin retención cero, esa información podría quedar almacenada en servidores del proveedor del modelo, fuera del país y fuera del control de la empresa. Con zero data retention, la consulta se procesa, devuelve el resultado y desaparece: el dato nunca persistió afuera, y la empresa puede demostrarle al auditor que su información sensible no se almacenó ni se reutilizó.

En qué se diferencia de conceptos parecidos

Es fácil confundir retención cero con otras garantías de privacidad. La tabla aclara las fronteras:

La conclusión práctica: zero data retention responde a la pregunta qué pasa con mi dato después de que el modelo lo procesa. Una arquitectura segura completa la combina con residencia de datos, cifrado y control de accesos, no la usa como única defensa.

Errores comunes al evaluarla

• Asumir que retención cero es el default: muchas APIs públicas de IA, por el contrario, retienen datos por días para abuso/seguridad salvo que actives un modo o plan específico. Hay que verificarlo, no suponerlo.
• Confundirla con anonimización: retención cero no anonimiza nada; significa que el dato (anonimizado o no) no se guarda. Son controles complementarios.
• Quedarse solo con la promesa contractual: una cláusula sin un control técnico verificable y, mejor aún, auditorías de terceros, es una garantía débil.
• Ignorar la cadena completa: si tu propia integración o un intermediario loguea los prompts, la retención cero del proveedor del modelo no te sirve de mucho. La garantía tiene que cubrir todo el recorrido del dato.