Blog › Privacidad

Zero Data Retention, explicado para profesionales

Por el equipo Quorello · 3 julio 2026 · 4 min · Privacidad

Si trabaja con expedientes de clientes —un asesor fiscal que revisa una posición fiscal, un abogado que esboza un argumento, un responsable de cumplimiento que verifica una política—, la pregunta útil rara vez es solo «¿es buena esta IA?». Es «¿qué ocurre con lo que escribo?». Zero Data Retention (ZDR, sin retención de datos) es la respuesta a esa segunda pregunta, y conviene entenderla con claridad.

Qué significa realmente «retención»

Cuando usted envía un prompt a un modelo de IA, ese texto viaja hasta el proveedor que ejecuta el modelo. Para generar una respuesta, el proveedor tiene que leer su prompt. La incógnita es qué ocurre después.

Por defecto, muchos proveedores conservan el texto durante un tiempo: para depurar sus sistemas, para revisar posibles abusos o para mejorar futuros modelos. Eso es la retención. Algunos, además, utilizan el contenido enviado, de forma agregada, para entrenar la siguiente versión del modelo. Ninguna de las dos cosas es siniestra en sí misma, pero ambas implican que ahora existe una copia de su entrada en la infraestructura de un tercero, potencialmente legible por el personal de este y potencialmente incorporada al comportamiento de un modelo futuro.

Zero Data Retention invierte ese comportamiento por defecto. Un endpoint ZDR lee su prompt, produce la respuesta y, a continuación, no conserva el prompt. En concreto, esto significa:

• El proveedor no conserva su prompt una vez devuelta la respuesta.
• El proveedor no entrena sus modelos con su prompt.

Para un profesional, la diferencia no es abstracta. Si su entrada menciona el nombre de un cliente, un salario, una cifra en disputa o el planteamiento de un caso, ZDR es la línea que separa «respondido y descartado» de «respondido y almacenado en algún lugar que no puedo ver ni controlar».

En qué se diferencia de un chatbot de consumo

El chatbot gratuito que casi todo el mundo conoce está pensado para otro propósito. Su configuración por defecto suele conservar sus conversaciones y, salvo que rebusque en algún ajuste, puede utilizarlas para mejorar el producto. Es un intercambio razonable para un uso ocasional. Encaja mal con el secreto profesional: usted no fotocopiaría el expediente de un cliente para dejarlo en un cajón compartido, y pegar ese mismo contenido en un chatbot de consumo con su configuración por defecto se parece a eso más de lo que la mayoría cree.

La distinción tiene que ver con los valores por defecto y las garantías, no con qué empresa es más fiable. Una herramienta de consumo se optimiza para una experiencia de producto fluida. Un endpoint ZDR se optimiza para no retener su entrada en absoluto.

El Modo privado de Quorello

Quorello es una herramienta de origen suizo que plantea su pregunta, a la vez, a varios modelos de IA de proveedores independientes. Como el manejo de entradas sensibles es la razón de ser del producto, el Modo privado está activado por defecto. Cuando está activo:

• Las solicitudes se enrutan únicamente a endpoints ZDR: proveedores que no conservan su prompt ni entrenan con él.
• Los modelos sin endpoint ZDR quedan desactivados para esa pregunta, de modo que nada se cuela discretamente por una vía no ZDR.
• La conversación no se guarda en su historial: no queda ninguna transcripción almacenada de nuestro lado.

Usted conserva el beneficio central del producto —contrastar varios proveedores independientes para ver dónde coinciden, dónde divergen y con cuánta confianza tomarse la respuesta— sin que su entrada sea retenida por los modelos que la responden.

El límite honesto: sepa leer la situación

Esta es la parte que buena parte del marketing omite, y nosotros no lo haremos. Un proveedor tiene que leer su prompt para responderlo. No es una decisión de Quorello; es como funcionan los modelos de lenguaje. Como el modelo debe procesar el texto real, el contenido de su prompt no puede cifrarse de extremo a extremo del modo en que sí puede sellarse un mensaje entre dos personas. ZDR significa que el proveedor no conserva su entrada, no que nunca la vea.

Así que la regla práctica se mantiene:

• No pegue nada que no estaría dispuesto a compartir con un tercero competente y discreto.
• Anonimice los datos de clientes siempre que pueda: cambie los nombres reales por marcadores de posición, elimine identificadores que no sean necesarios para la pregunta. Casi siempre obtendrá la misma calidad de respuesta, con menos exposición.

ZDR reduce de forma significativa su huella de datos. No convierte un prompt en un secreto que solo usted pueda leer. Tratar ambas cosas como equivalentes es justo el tipo de exceso de confianza que una herramienta de verificación debería ayudarle a evitar.

Qué más hace Quorello con sus datos

Más allá del enrutamiento ZDR, algunos compromisos que importan para el uso profesional:

• No vendemos datos y no utilizamos sus consultas para entrenar modelos de IA. Y punto.
• Los archivos que sube se extraen solo en memoria: nunca se escriben en disco, base de datos ni registros.
• Eliminación de cuenta en autoservicio, para que pueda ejercer su derecho de supresión (art. 17 RGPD y la ley suiza de protección de datos, LPD) sin necesidad de escribir a nadie.
• Desarrollada en Suiza y alineada con los principios del RGPD y de la ley suiza de protección de datos (LPD).

Nada de esto garantiza por sí solo su cumplimiento normativo —eso sigue siendo su decisión, como profesional que da el visto bueno—, pero le ofrece una capa de verificación diseñada para preguntas sensibles, y no una concebida para recolectarlas.

En una línea

ZDR significa que los modelos responden a su pregunta y, a continuación, la descartan. El Modo privado de Quorello convierte eso en el comportamiento por defecto, desactiva todo lo que no lo respete y no guarda ninguna transcripción — sin ocultar que una consulta tiene que leerse para poder responderse, de modo que el buen criterio sobre lo que usted pega sigue importando.

Consulte los detalles en nuestras páginas de seguridad y privacidad.