LLM local y RGPD: el cumplimiento normativo en materia de datos privados en empresa

#¿Por qué un LLM local cumple el RGPD por diseño?

El RGPD no dice "no tienes derecho a usar la IA". Dice que todo tratamiento de datos personales debe tener una base jurídica, estar documentado, minimizarse y protegerse, y que las transferencias fuera de la UE deben contar con las garantías correspondientes. El problema con un LLM en la nube no es la IA: es el tratamiento por un tercero que actúa como encargado del tratamiento, a menudo estadounidense, con una cadena contractual compleja y riesgos de transferencia en el sentido del capítulo V del RGPD.

Un LLM ejecutado localmente invierte la ecuación. Los pesos del modelo se descargan una vez desde Hugging Face o Ollama y luego la inferencia se realiza al 100 % en tu hardware. Ningún prompt se envía a internet. Ninguna respuesta queda registrada en los sistemas de un tercero. El "tratamiento" permanece interno, bajo tu control efectivo.

No hay transferencia fuera de la UE

Artículo 44 y capítulo V del RGPD: ningún dato sale de tus servidores, por lo que no hay cláusulas contractuales tipo, ni evaluación del impacto de la transferencia, ni cuestiones relativas al Cloud Act estadounidense.

Sin encargado del tratamiento en el sentido del artículo 28

No hay ningún contrato de encargo del tratamiento que negociar, ningún anexo 7 que actualizar con cada cambio en el producto del proveedor ni ningún proveedor que modifique unilateralmente sus condiciones generales de uso.

Minimización nativa

Artículo 5.1.c: no puedes enviar demasiados datos por accidente a un tercero, ya que no hay terceros. La minimización se convierte en una propiedad de la arquitectura, no en una política que haya que hacer cumplir.

Eliminación real

Artículo 17 (derecho de supresión): borrar una traza de tu propia base es trivial. Pedir a OpenAI que elimine un prompt enviado hace 6 meses es un procedimiento contractual, no una garantía técnica.

#El marco legal en mayo de 2026: RGPD + AI Act

Dos textos se superponen ahora en Europa para regular el uso de LLM en empresas. El RGPD cubre los datos personales, el AI Act cubre los sistemas de IA en sí mismos — independientemente de si procesan o no datos personales.

#RGPD: lo que se aplica a los LLM

Base legal (art. 6)

Interés legítimo, ejecución de un contrato, consentimiento: todo tratamiento mediante un LLM debe basarse en alguno de estos fundamentos. Un LLM local no elimina esta obligación, pero simplifica la documentación.

Información a las personas (art. 13-14)

Tus políticas de privacidad deben mencionar el uso de un LLM, incluso local. No es necesario nombrar el modelo, pero sí la finalidad.

EIPD (art. 35)

Se requiere una evaluación de impacto para los tratamientos de alto riesgo. Con un LLM en la nube, la AIPD debe abarcar al encargado del tratamiento; en local, se limita a tu propia infraestructura.

Seguridad (art. 32)

Cifrado de discos que contienen los modelos y logs, control de acceso a los servidores de inferencia, registro. Estándar para infraestructura interna.

#AI Act: la fecha límite de agosto de 2026

La Ley de IA (Reglamento UE 2024/1689) entró en vigor el 1º de agosto de 2024. Sus disposiciones se aplican en etapas. La etapa más estructurante para los LLM generales —las obligaciones para modelos de uso general (GPAI)— entró en vigor el 2 de agosto de 2025. Las obligaciones para sistemas de IA de alto riesgo se aplican el 2 de agosto de 2026, es decir, dentro de aproximadamente tres meses cuando esté leyendo este guía.

GPAI (modelos fundacionales)

Las obligaciones recaen en los proveedores (OpenAI, Anthropic, Mistral, Meta...). Si usas Mistral, Qwen o Granite en local, el desarrollador del modelo ya tiene la responsabilidad de proporcionar documentación técnica conforme a la normativa.

Sistemas de alto riesgo

Anexo III: RR. HH., evaluación crediticia, educación, servicios públicos esenciales, infraestructuras críticas. Si tu LLM está integrado en uno de estos flujos, eres un "responsable del despliegue" en el sentido del Reglamento de IA y tienes obligaciones propias.

Transparencia

Todo contenido generado por IA debe ser identificable como tal. Todo sistema que interactúe con una persona física debe informárselo — incluyendo un chatbot interno.

Sanciones

Hasta 35 millones de euros o el 7 % de la facturación mundial para las infracciones más graves (uso prohibido). Para las obligaciones de GPAI, hasta 15 millones de euros o el 3 % de la facturación.

#Riesgos concretos con ChatGPT, Claude o Gemini

Estos proveedores ahora ofrecen planes empresariales (ChatGPT Enterprise, Claude for Work, Gemini for Workspace) que garantizan por contrato que los datos no se utilizarán para el entrenamiento y, en algunos casos, alojamiento en Europa. Es mejor que una API para el público general. No lo resuelve todo.

La ley CLOUD Act de Estados Unidos

Una entidad de derecho estadounidense (OpenAI Inc., Anthropic PBC, Google LLC) sigue legalmente obligada a cooperar con las autoridades estadounidenses, incluso respecto a los datos almacenados en la UE. El TJUE lo recordó en Schrems II en 2020.

El DPF en la cuerda floja

El Marco de Privacidad de Datos UE-EE. UU. (julio de 2023), que sirve de base para la mayoría de las transferencias, está siendo impugnado ante el TJUE. Un Schrems III invalidaría miles de EIPD de la noche a la mañana.

Opacidad del modelo

No sabes exactamente qué vio el modelo durante el entrenamiento ni cómo los filtros de moderación registran tus prompts. En cuanto a ChatGPT, se conservan registros de "abuso" durante mínimo 30 días incluso en Enterprise.

El shadow IT

El riesgo #1 en la práctica no es el contrato, es que un colaborador copie-paste un archivo de RH en la versión gratuita de ChatGPT. Ninguna política escrita resiste un pestaña del navegador.

#La combinación de herramientas recomendada para un DPO en 2026

No existe una pila única, sino una familia de combinaciones probadas que los DSI y DPO franceses implementan desde hace 18 meses. Tres perfiles típicos cubren el 90 % de las necesidades.

#Perfil 1 — Equipo pequeño, puestos individuales

Hardware

Estaciones equipadas con una RTX 4070 de 12 GB, RTX 4080 de 16 GB o Mac M4 Pro de 24 a 48 GB. Sin servidor central.

Software

Ollama (daemon local en cada computadora) + LM Studio o Open WebUI como interfaz. Ningún dato abandona la computadora.

Modelo recomendado

Mistral Small 24B Q4 (14 GB, francés nativo, excelente generalista) o Qwen 3.8 27B con calidad plena si la VRAM ≥ 40 GB (262k ctx, visión, Apache 2.0).

Objetivo

Despachos de abogados, despachos contables, equipos de RR. HH. de pymes, periodistas. Cualquier organización de menos de 30 personas con uso individual.

#Perfil 2 — Servidor de inferencia interno

Hardware

Servidor GPU dedicado: RTX 4090 de 24 GB, A6000 de 48 GB o 2× RTX 3090 de 24 GB. Hospedado en el SI o en un cloud soberano (OVH, Scaleway, Outscale).

Software

vLLM o Ollama expone una API compatible con OpenAI en la red interna. Open WebUI o LibreChat en frontend, detrás del IdP de la empresa (Keycloak, Azure AD).

Modelo recomendado

Mistral Small 24B, Qwen 3.6 35B-A3B o Granite 4.2 30B según la VRAM (los modelos MoE como Qwen 3.6 35B-A3B solo utilizan 3 mil millones de parámetros activos, por lo que son rápidos incluso en una GPU de 24 GB). Modelo de embeddings BGE-M3 o Solon para el RAG documental.

Objetivo

Empresas de tamaño intermedio, departamentos jurídicos internos, equipos de datos de 30 a 500 personas. Permite compartir recursos y centralizar el control de acceso.

#Perfil 3 — Aislamiento de red para datos sensibles

Hardware

Servidor aislado físicamente de la red pública. Discos cifrados con LUKS. Modelos descargados mediante un soporte físico en un equipo de tránsito.

Software

vLLM compilado localmente, llama.cpp compilado a partir del código fuente. Sin contenedores públicos ni imágenes Docker descargadas sobre la marcha.

Modelo recomendado

Modelos validados con licencia permisiva (Mistral, Qwen, Granite o Gemma 4 bajo Apache 2.0, con auditoría de los pesos). Idealmente, un modelo del que hayas archivado una copia local del tarball.

Objetivo

Salud (DMP, informes), defensa, secretos empresariales muy sensibles, OIV/OSE. Todo lo que requeriría una EIPD con un riesgo residual elevado en la nube.

#Implementación: las 5 etapas que estructuran el proceso

1. 01
   Cartografiar los usos

   Antes de elegir un modelo, enumera los casos de uso reales: redacción, traducción, resumen de contratos, análisis de logs, soporte N1. Para cada caso, anota la sensibilidad de los datos tratados (públicos, internos, confidenciales, sujetos a secreto profesional). Este mapa de usos se convierte en el anexo de uso de tu AIPD.
2. 02
   Elegir el perfil y el modelo

   A partir de la cartografía y del inventario de hardware, elige uno de los tres perfiles anteriores. Para el modelo, empieza con Mistral Small 24B en Q4_K_M si tienes entre 16 y 24 GB de VRAM: es la opción que ofrece el mejor equilibrio para el francés en 2026. Q4_K_M sigue siendo la cuantización recomendada por defecto (pérdida de calidad < 2 % frente a FP16).
3. 03
   Instalar el servidor de inferencia

   Ollama escucha por defecto en http://localhost:11434. Para exponerlo en la red interna, define OLLAMA_HOST=0.0.0.0:11434 y coloca la API detrás de un proxy inverso (Caddy, Traefik) que gestione la autenticación. Activa los registros de acceso y consérvalos durante 6 meses para garantizar la trazabilidad.
4. 04
   Documentar en el registro

   Crea o actualiza la ficha de tratamiento "Asistencia mediante IA generativa interna" en tu registro de actividades de tratamiento (artículo 30 del RGPD). Finalidades, categorías de datos, plazos de conservación, medidas técnicas. El hecho de que sea local debe figurar explícitamente.
5. 05
   Formar y comunicar

   Una política de uso de la IA, firmada por cada colaborador, que recuerde: (1) uso exclusivo de la instancia interna, (2) prohibición de herramientas en la nube no validadas, (3) tipos de datos autorizados según el caso de uso. Anéxala al reglamento interno tras consultar al CSE.

# Sur Linux (systemd)
sudo systemctl edit ollama.service

# Ajouter :
[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_ORIGINS=https://chat.interne.entreprise.fr"
Environment="OLLAMA_KEEP_ALIVE=24h"

# Recharger et redémarrer
sudo systemctl daemon-reload
sudo systemctl restart ollama

# Vérifier
curl http://serveur-ia.interne:11434/api/tags

#Checklist de auditoría de conformidad

Esta lista de verificación cubre los puntos que una auditoría del RGPD y de la Ley de IA comprobaría en un despliegue de un LLM local en una empresa. Imprímela, marca las casillas y archívala.

#Gobernanza y documentación

Registro del art. 30

Ficha de tratamiento «IA generativa interna» actualizada, con finalidades, datos, plazos, destinatarios (únicamente internos) y medidas técnicas.

AIPD

Realizada si el tratamiento presenta un riesgo elevado (RR. HH., salud, elaboración de perfiles). Actualizada con cada cambio importante de modelo o de caso de uso.

Política de uso de la IA

Difundida, firmada e incorporada al reglamento interno tras consultar al CSE.

Cartografía de usos

Lista actualizada de casos de uso validados y datos autorizados por caso.

Designación de la persona responsable de IA

Un responsable identificado (DPO, responsable de seguridad de los sistemas de información o director de sistemas de información, según la organización), con un mandato formalizado.

#Seguridad técnica

Cifrado en reposo

Discos del servidor de inferencia cifrados (LUKS, BitLocker, FileVault). Incluye los modelos descargados y los posibles cachés de prompts.

Autenticación

Acceso a la API filtrado por OIDC o mTLS. No hay ninguna instancia Ollama accesible sin autenticación, incluso internamente.

Registro

Registros de acceso (quién, cuándo, modelo consultado) conservados durante 6 a 12 meses. No se registra el contenido de los prompts salvo en un caso de uso explícito y documentado.

Aislamiento de red

El servidor de inferencia no tiene acceso saliente a internet en producción. Para despliegues sensibles, aislamiento completo de la red (air-gap).

Copias de seguridad y recuperación

Plan de recuperación ante desastres documentado: los modelos pueden reinstalarse desde un archivo interno, sin dependencia inmediata de Hugging Face.

#Conformidad con el AI Act

Clasificación del sistema

Has determinado la categoría: uso de riesgo limitado, alto o mínimo. Si es de alto riesgo (anexo III), existe un expediente de conformidad específico.

Información a los usuarios

Cada interfaz muestra "contenido generado por IA" o un aviso equivalente. Artículo 50 del Reglamento de IA, aplicable en agosto de 2026.

Trazabilidad del modelo

Versión exacta del modelo utilizado, origen de los pesos, fecha de descarga y hash SHA256 archivados. Permite responder en una auditoría a la pregunta «qué modelo generó una determinada respuesta en una determinada fecha».

Supervisión humana

Para los usos de alto riesgo, un procedimiento documentado de revisión humana antes de cualquier decisión que afecte a una persona (contratación, puntuación, sanción).

#Errores frecuentes

"Local" pero con telemetría

Algunas interfaces (LM Studio en versiones antiguas, algunos plugins de VSCode) envían datos de telemetría. Comprueba con un analizador de tráfico (Wireshark, Little Snitch) que no salga ningún dato. Nuestra guía con una lista de comprobación de privacidad cubre este paso.

Modelos con licencia ambigua

Codestral 22B, por ejemplo, está bajo una licencia que no permite el uso en producción: su uso está prohibido en empresas. Llama mantiene, por su parte, una licencia comunitaria que restringe el uso por parte de empresas muy grandes (> 700 millones de usuarios activos mensuales). Comprueba la licencia antes de desplegar en producción; da preferencia a los modelos con licencia Apache 2.0 (Mistral Small, Qwen 3.5/3.8, Granite 4.2, Gemma 4), sobre todo si formas parte de una organización grande o eres un proveedor de software.

Confusión modelo / fine-tuning

Hacer un fine-tuning con datos internos de RR. HH. crea un nuevo tratamiento, con su propia EIPD. El modelo ajustado puede revelar datos de entrenamiento (memorización). Para datos sensibles, prefiere el RAG al fine-tuning.

Subestimar la trazabilidad

Si dentro de 18 meses alguien te pide: «Muéstrame lo que la IA respondió sobre mi expediente en marzo», debes poder responder. Piensa en registros de auditoría desde el día 1, no después del primer incidente.

Creer que un LLM local lo resuelve todo

El LLM local resuelve la cuestión de la transferencia de datos, no la de su uso. Un modelo local utilizado para realizar una puntuación automatizada en recursos humanos sigue siendo un sistema de alto riesgo según el AI Act. Local ≠ exento.

#Para ir más allá

Una vez establecido el cumplimiento normativo, tres vías naturales para profundizar en el despliegue:

Asegurar la confidencialidad técnica

La lista de verificación de privacidad detalla las comprobaciones de red y del sistema que complementan el marco legal desde la perspectiva del delegado de protección de datos. Es indispensable antes de la puesta en producción.

Construir un RAG sobre tus documentos internos

Para pasar de un asistente genérico a una herramienta empresarial, el RAG (Generación aumentada por recuperación) permite consultar contratos, procedimientos y bases internas sin fine-tuning. La guía de introducción al RAG local establece las bases.

Elegir la interfaz de usuario

Open WebUI cubre el 80 % de las necesidades empresariales: múltiples usuarios, OIDC, RAG integrado, logs. La guía específica describe el despliegue con Docker detrás de un proxy inverso.