BiVelio Shield: A Local-First, Fail-Closed Data Minimization Layer for Privacy-Preserving Use of Large Language Models

Resumen

El resumen ejecutivo en español del propio paper (apéndice A), en su primera parte:

La adopción masiva de asistentes basados en modelos de lenguaje (LLM) en entornos profesionales ha creado un problema estructural de privacidad: los usuarios pegan datos personales, secretos comerciales y credenciales en sistemas operados por terceros cuyas prácticas de retención y entrenamiento escapan a su control. Este artículo presenta BiVelio Shield, una capa de minimización de datos que detecta y sustituye la información sensible antes de que un prompt abandone el dispositivo del usuario o la infraestructura de la organización.

El sistema combina tres capas de detección: un motor determinista con validación por suma de control para identificadores estructurados (IBAN, tarjetas, DNI, correos, teléfonos y direcciones IP), un escáner de credenciales para claves de API, tokens JWT y claves privadas, y una capa de PLN contextual multilingüe para nombres de personas y lugares. Una puerta fail-closed invierte el valor por defecto habitual: ante la duda, el envío se detiene y se consulta al usuario, de modo que el silencio nunca equivale a divulgación.

Palabras clave: ingeniería de privacidad; minimización de datos; modelos de lenguaje; RGPD; prevención de fuga de datos; detección de datos personales; seudonimización; seguridad en el navegador.

Resultados que declara el paper

Cada cifra, con su alcance. Salen de la tabla 2 y de las secciones 5.2 a 5.4 del paper.

• Precisión y exhaustividad plenas sobre identificadores estructurados validados por suma de control, según las suites de pruebas ejecutables. Es una consecuencia del diseño (un IBAN solo cuenta si su MOD-97 valida; una tarjeta, si pasa Luhn), no un resultado sobre texto libre.
• Unos 0,39 millones de caracteres por segundo de redacción: del orden de 10⁵ veces más rápido que la escritura humana (unos 3–4 caracteres por segundo a velocidad profesional media).
• 339 tipos de datos personales del RGPD en el catálogo de detectores, incluidas las 15 categorías especiales del artículo 9.
• La capa contextual (L3) se describe de forma cualitativa: el paper no publica una cifra única de exhaustividad, porque su punto de funcionamiento se ajusta entre precisión y exhaustividad mediante la puerta fail-closed.

Arquitectura: tres capas y una puerta

La detección, la puerta y el almacén de tokens se ejecutan en el dispositivo del usuario (extensión del navegador) o, en los planes de organización, en una pasarela que la propia organización aloja. Solo cruzan al proveedor del modelo los marcadores que sustituyen a los datos.

• L1, motor determinista: IBAN, tarjetas de pago, identificadores nacionales, correos, teléfonos y direcciones IP, con validación por suma de control.
• L2, escáner de credenciales: claves de API, JSON Web Tokens y claves privadas, por el análisis estructural de su codificación. Una credencial expuesta se trata como bloqueo por defecto.
• L3, PII contextual: nombres de personas y de lugares, con PLN multilingüe ajustado hacia la precisión; los casos de baja confianza se escalan a la puerta.
• Puerta fail-closed: si alguna etapa no está segura de que un fragmento sea inocuo, el prompt se retiene y se pregunta al usuario.
• Tokens que conservan la estructura: cada valor se cambia por un marcador tipado (por ejemplo [IBAN_1] o [PERSON_2]) y la correspondencia se guarda en el dispositivo; al volver la respuesta, se restauran los valores en local. Los valores del ejemplo de la figura 2 del paper son sintéticos.

Planes

Tabla 4 del paper. Precios sin IVA; la facturación anual tiene precios por puesto reducidos.

La licencia se verifica sin conexión en los tres planes (firmada en Pro y Team).

Límites que declara el paper

• Protege prompts de texto: la voz y el tiempo real quedan fuera, y la redacción de adjuntos solo está en el plan Team.
• Las garantías exactas son de la capa determinista; la capa contextual es probabilística y convierte la incertidumbre en decisiones del usuario, con la fricción que eso supone.
• Un prompt puede seguir revelando contexto sensible por su significado (que existe un litigio, una enfermedad o una relación comercial); los diccionarios de la organización lo mitigan para términos conocidos, pero no sustituyen al criterio del usuario.
• Se supone que el dispositivo no está comprometido: un malware que lea el teclado o el almacén de tokens queda fuera de alcance.
• La correspondencia con el RGPD es un análisis de ingeniería, no asesoramiento jurídico.

En BiVelio Factory

Este preprint es el producto 02 del muelle de salida de BiVelio Factory, donde aparecen las aplicaciones, los papers y las empresas que salen de la fábrica. Como lectura relacionada, el algoritmo del mismo producto: BV-PRGA.

Descargar y citar

Descargar el preprint en PDF (10 páginas, 539 KB, en inglés, con resumen ejecutivo en español). El producto está en privacy.bivelio.com.

Cómo citarlo:

BiVelio Privacy Research Team (2026). BiVelio Shield: A Local-First, Fail-Closed Data Minimization Layer for Privacy-Preserving Use of Large Language Models. Preprint (company technical report, not peer reviewed), BiVelio, October 2026. https://research.bivelio.com/papers/bivelio-shield/