El cifrado que podría cambiar la inteligencia artificial: nace una nueva generación de seguridad para la era de los datos

En plena carrera global por dominar la inteligencia artificial, la seguridad de los datos se ha convertido en uno de los problemas más delicados. Un nuevo avance presentado en la conferencia FHE.org 2026 Conference en Taipéi podría cambiar radicalmente ese escenario.

Investigadores de la empresa tecnológica DESILO, junto con el pionero del cifrado Craig Gentry, presentaron un nuevo esquema de cifrado totalmente homomórfico (FHE) conocido como Gentry-Lee (GL). El sistema promete acercar un objetivo largamente buscado en informática: la “IA privada”, es decir, modelos capaces de procesar información sensible sin necesidad de descifrarla.

El sueño de calcular sobre datos cifrados

El concepto detrás del Cifrado Homomórfico Completo es tan elegante como complejo. Permite realizar operaciones matemáticas directamente sobre datos cifrados, produciendo resultados que, una vez descifrados, coinciden exactamente con los que se obtendrían si el cálculo se hubiera hecho sobre los datos originales.

En otras palabras, una inteligencia artificial podría analizar historiales médicos, datos financieros o información empresarial sin que esos datos se revelen jamás durante el proceso.

El propio Craig Gentry, hoy científico jefe de Cornami, fue quien demostró por primera vez en 2009 que este tipo de cifrado era matemáticamente posible. Desde entonces, el desafío ha sido convertir esa idea brillante en una herramienta práctica.

El problema: la enorme carga computacional

Durante más de una década, el principal obstáculo del FHE ha sido su sobrecarga computacional. Procesar datos cifrados podía ser miles de veces más lento que trabajar con información sin protección, algo inviable para sistemas modernos de inteligencia artificial.

El nuevo esquema Gentry-Lee, desarrollado junto al científico jefe de DESILO Yongwoo Lee, intenta resolver ese cuello de botella.

La clave está en optimizar una operación matemática fundamental en los sistemas de aprendizaje profundo: la multiplicación de matrices.

El corazón matemático de la IA

En redes neuronales y grandes modelos de lenguaje, casi todo el trabajo se reduce a multiplicar matrices gigantes de números. Cada predicción, cada token generado por un modelo, cada reconocimiento de imagen pasa por ese tipo de cálculo.

El nuevo marco reorganiza la arquitectura del cifrado homomórfico para hacer estas operaciones mucho más eficientes. Al optimizar esa pieza central, el rendimiento general de la IA cifrada podría mejorar de forma considerable.

Para dimensionar el concepto, la multiplicación de matrices se expresa matemáticamente así:

C = A × B

Aunque la fórmula parece simple, en modelos de inteligencia artificial puede implicar billones de operaciones numéricas por segundo.

Hacia una inteligencia artificial verdaderamente privada

La mejora llega en un momento clave. La expansión de los grandes modelos de lenguaje (LLM) ha multiplicado el volumen de datos sensibles que circulan por infraestructuras de IA.

Empresas, hospitales, bancos y gobiernos enfrentan un dilema: aprovechar el poder de estos sistemas sin exponer información crítica.

El esquema GL apunta justamente a ese problema. Si logra reducir lo suficiente la carga computacional, el cifrado homomórfico podría integrarse directamente en la infraestructura global de IA, permitiendo procesar información sin que jamás abandone su estado cifrado.

Seguridad, rendimiento y el futuro de la computación

El avance presentado en Taipéi no significa que la IA privada sea ya una realidad cotidiana. Pero marca un cambio importante: el cifrado homomórfico está dejando de ser una curiosidad académica para convertirse en una herramienta potencialmente práctica.

En un mundo donde los datos son el nuevo combustible de la economía digital, la capacidad de analizarlos sin exponerlos podría redefinir la relación entre privacidad, inteligencia artificial y poder tecnológico.

La pregunta ahora no es si esta tecnología llegará a usarse a gran escala.
La verdadera incógnita es qué tan rápido ocurrirá. 🔐🤖