Saltar al contenido

Google Private AI Compute: memoria persistente entre dispositivos

noviembre 18, 2026
Representación de una nube segura con capas de datos cifrados

Los asistentes de inteligencia artificial son más útiles cuando recuerdan el contexto: una preferencia, una conversación anterior o la tarea que quedó a medias en otro dispositivo. Ese recuerdo también aumenta el riesgo, porque puede reunir información sensible durante meses. Google DeepMind ha presentado una ampliación de Private AI Compute que pretende resolver esa tensión mediante memoria persistente en servidores protegidos, con claves ligadas a los dispositivos del usuario.

El anuncio, publicado el 23 de septiembre de 2026, describe una arquitectura prevista para mantener contexto entre móvil, web, ordenador u otros equipos sin ofrecer a Google acceso directo a los datos almacenados. La propuesta combina cifrado de extremo a extremo, enclaves seguros, bases de datos separadas por usuario, comprobación del software y claves que permanecen en los dispositivos personales. Es una explicación técnica del diseño, no una demostración de que todos los productos ya incorporen la función.

Índice

Por qué la memoria en la nube plantea un problema distinto

Hasta ahora, Private AI Compute estaba concebido como un sistema sin estado: procesaba una solicitud dentro de un entorno aislado y eliminaba el contexto cuando terminaba. Ese enfoque reduce la exposición, pero impide que un asistente continúe una tarea larga o recuerde información útil entre sesiones. Guardar una lista convencional de preferencias tampoco resuelve del todo el problema, porque un contexto rico puede incluir documentos, pantallas, audio, mensajes y relaciones entre actividades.

Procesar todo en el propio dispositivo ofrece un control fuerte, pero los modelos más avanzados necesitan una capacidad de cálculo que un teléfono u ordenador personal no siempre puede proporcionar. La arquitectura de Google intenta combinar ambos mundos: potencia de nube para la inferencia y garantías similares a las del procesamiento local para la información personal.

Cómo funcionaría la memoria persistente

La información se guardaría cifrada en una base de datos dedicada. La clave necesaria para desbloquearla se derivaría de los dispositivos autorizados y no quedaría disponible en texto claro para el proveedor. Cuando un modelo necesitara contexto, el dispositivo establecería un canal autenticado y cifrado con un entorno protegido en la nube.

Dentro de ese entorno, denominado enclave seguro, los datos se descifrarían temporalmente en memoria para procesar la solicitud. El sistema añadiría el contexto nuevo cuando correspondiera y volvería a cifrarlo antes de almacenarlo. La idea es que los datos solo sean legibles dentro del entorno aislado y durante el tiempo imprescindible para realizar la operación.

El diseño distingue entre la clave de cifrado de datos y la clave usada para envolver o proteger esa clave. Esta separación permite gestionar almacenamiento y dispositivos sin entregar al servidor una llave universal. Para una persona usuaria, el detalle importante es que autorizar un dispositivo, retirarlo y recuperar el acceso son operaciones de seguridad críticas, no simples ajustes de comodidad.

Continuidad entre dispositivos

Google pone ejemplos como retomar en el portátil unas instrucciones consultadas antes con gafas inteligentes o continuar en la web una conversación iniciada en el móvil. Para que esa continuidad funcione, cada equipo debe demostrar que está autorizado y que se comunica con una versión legítima del software del servidor.

La memoria compartida puede mejorar la experiencia, pero también amplía la superficie de ataque. Un dispositivo perdido, una cuenta comprometida o una autorización mal gestionada podrían abrir la puerta a más contexto que en un sistema sin memoria. Por ello, las opciones para ver, borrar y limitar lo recordado deberían ser comprensibles y accesibles. Antes de usar funciones similares conviene revisar qué datos no se deben compartir con un asistente de inteligencia artificial, aunque el servicio prometa medidas técnicas avanzadas.

Qué son los enclaves seguros

Un enclave es un entorno de ejecución aislado por hardware. Su propósito es impedir que administradores, otros programas o servicios del mismo centro de datos puedan leer el contenido mientras se procesa. La protección no depende únicamente de una contraseña: se apoya en una raíz de confianza del hardware y en mecanismos de atestación que prueban qué software está ejecutándose.

La atestación permite que el dispositivo compruebe la identidad y el estado del servidor antes de enviar información personal. Si la medición del software no coincide con una versión aprobada, el canal puede rechazarse. Este mecanismo reduce el riesgo de que una actualización no autorizada se coloque entre el usuario y el entorno protegido.

Registro público y auditoría externa

Google afirma que publicará un registro resistente a manipulaciones del software del servidor. Los dispositivos podrían comparar la versión que encuentran con ese registro. La compañía también señala una auditoría independiente y la publicación de un documento técnico actualizado. Estas medidas facilitan el escrutinio, aunque no sustituyen la revisión de expertos externos ni garantizan la ausencia de vulnerabilidades futuras.

La transparencia es útil si los materiales permiten reproducir comprobaciones, describen los límites y se actualizan cuando cambia el sistema. Una auditoría refleja un alcance y una fecha concretos. No debe interpretarse como un certificado permanente para cualquier función o configuración posterior.

Qué protege el diseño y qué no

El cifrado y el aislamiento pueden dificultar que terceros o el proveedor lean la memoria. Sin embargo, no evitan que el usuario introduzca información incorrecta, que el modelo saque una conclusión equivocada o que una aplicación solicite más datos de los necesarios. Tampoco corrigen por sí solos una cuenta mal protegida, un dispositivo desbloqueado o un permiso concedido por error.

La memoria puede acumular información desactualizada. Si el sistema recuerda una preferencia que ya no es válida, podría personalizar respuestas de forma inadecuada. Las interfaces deberían permitir inspeccionar, corregir y eliminar elementos concretos. También conviene ofrecer modos temporales que no guarden contexto.

Otro límite es la disponibilidad. Si las claves solo están en dispositivos autorizados, la pérdida de todos ellos plantea un problema de recuperación. Un sistema demasiado flexible podría debilitar la privacidad; uno demasiado estricto podría dejar a la persona sin acceso. El equilibrio depende de procedimientos de recuperación claros y sometidos a pruebas.

Preguntas que conviene hacer antes de activar la memoria

  • ¿La función está disponible en el producto y país concretos o solo se ha anunciado la arquitectura?
  • ¿Qué tipos de datos se guardan y durante cuánto tiempo?
  • ¿Puede verse y borrar cada recuerdo por separado?
  • ¿Cómo se autoriza o revoca un dispositivo?
  • ¿Qué ocurre si se pierden todos los dispositivos con claves?
  • ¿Qué componentes han sido auditados y con qué alcance?
  • ¿Existe un modo sin memoria para tareas sensibles?

Estas respuestas deberían formar parte de la documentación y no depender de interpretar mensajes promocionales. Para evaluar afirmaciones técnicas es útil seguir una guía de verificación de respuestas y fuentes, comprobando fechas, versiones y diferencias entre una capacidad anunciada y otra realmente activada.

Implicaciones para empresas y profesionales

Una memoria personal en la nube no debe mezclarse automáticamente con datos empresariales. Las organizaciones necesitan políticas sobre qué información puede salir de sus sistemas, quién aprueba integraciones y cómo se revocan accesos. El contexto acumulado puede contener datos de clientes, propiedad intelectual o información regulada aunque ninguna entrada aislada parezca especialmente sensible.

Antes de adoptar una función de continuidad, conviene realizar un inventario de datos y una evaluación de impacto. El proyecto debería empezar con información de bajo riesgo y cuentas separadas. Los registros de acceso, la autenticación fuerte y la baja inmediata de dispositivos son controles básicos.

Los equipos que desarrollan soluciones propias pueden reforzar su criterio con formación para dominar la inteligencia artificial de forma práctica y con recursos para crear aplicaciones con inteligencia artificial sin programar. La capacitación debe ir acompañada de análisis jurídico, seguridad y procedimientos internos; ninguna herramienta formativa sustituye esas responsabilidades.

Cómo probar una memoria de IA de forma prudente

Una prueba inicial puede usar datos sintéticos y tareas no sensibles. Se comprueba qué recuerda el sistema, si distingue perfiles, cuánto tarda en reflejar un borrado y qué sucede al revocar un dispositivo. También hay que verificar que una sesión temporal no deja rastros accesibles en una conversación posterior.

Después se simulan incidentes: pérdida de un equipo, intento desde un dispositivo nuevo, cambio de contraseña, eliminación parcial del historial y recuperación de cuenta. Documentar los resultados permite decidir si la función aporta suficiente valor para el riesgo asumido.

En un entorno profesional, la aprobación debe considerar el flujo completo: aplicación cliente, identidad, red, servidor, almacenamiento, registros y soporte. La seguridad de un enclave no compensa un punto débil en otra parte de la cadena.

Diferencia entre privacidad técnica y confianza

La arquitectura puede ofrecer garantías técnicas verificables, pero la confianza también depende de reglas comprensibles, controles del usuario y respuesta ante incidentes. Una persona necesita saber cuándo se usa la memoria, qué ha influido en una respuesta y cómo puede detener el tratamiento.

Las promesas absolutas son poco útiles. Es preferible describir el modelo de amenazas: frente a quién protege el sistema, qué supuestos hace y qué queda fuera. Esa información permite comparar alternativas y decidir si una tarea debería permanecer en el dispositivo, pasar por un entorno protegido o no utilizar un asistente.

Conclusión

La memoria persistente de Private AI Compute busca que un asistente conserve contexto entre dispositivos sin entregar al proveedor las claves que lo descifran. El diseño combina bases de datos aisladas, claves vinculadas a dispositivos, canales cifrados, enclaves de hardware, atestación y un registro público del software.

Es una propuesta relevante para el futuro de los asistentes personales, pero su utilidad no elimina los riesgos de cuenta, dispositivo, permisos, errores del modelo o información desactualizada. Antes de activarla conviene comprobar la disponibilidad real, revisar los controles de borrado y recuperación y limitar los datos compartidos. La privacidad depende tanto de la arquitectura como de las decisiones cotidianas del usuario y de la organización.

Fuente principal: Google DeepMind, “Advancing Private AI Compute with secure, server-side memory”, 23 de septiembre de 2026. Se ha contrastado además el documento técnico enlazado por la propia organización.