La pasarela ZuBrIQ oculta tarjetas y UNP a GPT y Claude con dobles, incluso en streaming
Un banco quiere usar GPT y Claude, pero no puede enviarles el número de tarjeta de un cliente ni el UNP, el número fiscal de una empresa en Bielorrusia. La pasarela ZuBrIQ los sustituye por dobles verosímiles con checksums válidos y, en la respuesta, restituye los originales. En streaming, cuando el texto llega por fragmentos, la pasarela retiene la cola del buffer para no perder un número partido entre dos fragmentos. La conclusión: es más sencillo mantener la protección en una sola pasarela que en cada aplicación.
Procesado por IA desde Habr AI; editado por Hamidun News
Imagine la escena: el contable de un banco pega en un chat con GPT o Claude un contrato que incluye el número de tarjeta de un cliente, el UNP (número de contribuyente, el identificador fiscal de las empresas en Bielorrusia) y el nombre completo del director. Todo eso son datos personales y, junto con la consulta, viajan a un modelo externo en el extranjero. Por eso los bancos suelen prohibir por completo el uso de grandes modelos de lenguaje (LLM).
El equipo de la pasarela bielorrusa ZuBrIQ contó en Habr cómo ha cerrado ese riesgo: al modelo no llegan los números reales, sino dobles verosímiles, y en la respuesta la pasarela los devuelve a su valor original. Funciona también en modo de streaming, cuando el modelo entrega la respuesta por fragmentos. Es una descripción de los propios autores y el material no incluye mediciones independientes, pero las decisiones de ingeniería dan suficiente para analizarlas.
Por qué dobles y no una etiqueta [CARD]
La forma más simple de ocultar datos es sustituir el número por una etiqueta como [CARD]. Pero el modelo no distingue dos [CARD] idénticos. No entenderá que las tarjetas son distintas, no podrá cotejar importes ni redactar una orden de pago.
Por eso la pasarela inserta datos del mismo tipo y formato. En lugar del UNP 192628898, el modelo ve otro UNP con un número de control correcto; en lugar de una tarjeta, un número que pasa la verificación del algoritmo de Luhn; en lugar de un IBAN, un valor con una comprobación mod-97 válida. En lugar de «Ivanov Ivan» llega «Yegorov Igor». Para el modelo es un documento normal.
Los pares «original ↔ doble» permanecen en Redis una hora. Un mismo UNP de un mismo usuario siempre se convierte en la misma sustitución, de modo que el modelo entiende que en tres mensajes se habla de la misma contraparte. La restitución está ligada al usuario: la pasarela no revelará en la respuesta el doble de otra persona.
Técnicamente es un plugin para LiteLLM: una clase CustomLogger con tres hooks, para la entrada, para la respuesta normal y para la respuesta en streaming. Se conecta con una sola línea en la configuración del proxy.
Cómo no enmascarar de más ni perder un número en el streaming
Una expresión regular simple de «9 dígitos» detecta cualquier cosa: un UNP, un BIK, un número de pedido. Por eso cada coincidencia pasa por una verificación. En el UNP se calcula el número de control con pesos; en las tarjetas, el algoritmo de Luhn y el prefijo del banco emisor (BIN); en el INN ruso, el algoritmo de la FNS; en el IBAN, mod-97. Aun así, el checksum no basta: un número aleatorio de nueve dígitos supera la comprobación del UNP aproximadamente en uno de cada diez casos. Por eso junto al número se buscan las palabras «UNP» o «BIK».
Si los detectores se solapan (una cuenta de 20 dígitos contiene en su interior una «tarjeta» de 16), gana el tipo más específico: IBAN, luego cuenta, BIK, tarjeta, INN, pasaporte, nombre completo. En caso de empate, prevalece la coincidencia más larga. Un número con error en el checksum, por ejemplo por una errata, no se toca en absoluto, para que la pasarela no «corrija» datos reales y el modelo no responda sobre un número distinto.
La parte más delicada es el streaming. El modelo entrega el texto en fragmentos (chunks), y el número 732432413 puede llegar como «7324» en un fragmento y «32413» en el siguiente. Si se sustituye cada fragmento por separado, el doble no se encuentra y el cliente ve cifras ajenas.
Los autores retienen la cola del buffer si se parece al inicio de cualquier doble de ese usuario: una cola «73» espera la continuación. Si no hay coincidencia, el texto sale de inmediato. Según la descripción, el retraso es de uno o dos chunks y solo se produce cuando en la respuesta hay algo parecido a datos del usuario.
El resto del buffer sale al final del flujo en un último fragmento.
Dónde se equivocaron y qué queda fuera
Los nombres completos no tienen checksum, así que se buscan por contexto: «Estimado», «señor», «cliente». Los autores describieron con franqueza dos errores. Primero, el detector no conocía los roles corporativos, y una frase como «director Ivanov Pyotr Sergeyevich» llegaba al modelo en texto claro. Ampliaron la lista (director, contable, fundador, IP —empresario individual—, poder notarial) y añadieron una prueba con 11 formulaciones de este tipo. Con el detector antiguo fallaban todas. Después se descubrió que el generador podía producir un doble con el mismo apellido: en lugar de «Kozlov Andrey Pavlovich» llegaba «Kozlov Igor Sergeyevich», es decir, el apellido real se filtraba igualmente. Ahora el generador vuelve a sortear cualquier palabra que coincida con el original.
La conclusión de los autores: en escenarios con relevancia jurídica, es mejor cubrir los nombres con una lista de entidades y no solo con heurísticas.
Por defecto, la pasarela funciona en modo fail-closed: si cae Redis o se rompe el detector, la solicitud se rechaza. Cada activación se registra en el log como JSON con los tipos y la cantidad de datos encontrados, pero sin los datos en sí, y de ahí pasa al SIEM. Para direcciones, e-mails y fechas se puede activar Microsoft Presidio como segunda capa, estrictamente después de la principal, para que vea ya los dobles.
Las limitaciones se enuncian sin rodeos: la capa no cubre UNP con letras, direcciones ni frases como «mi vecino del tercer piso», y tampoco se procesan imágenes ni archivos.
Qué hacer en la práctica
Por separado, los autores recuerdan el riesgo de la propia pasarela. El 21 de octubre de 2026, durante unas dos horas, estuvo disponible en PyPI y en imágenes de Docker una versión comprometida de LiteLLM, la 1.107.0, con un infostealer que robaba las claves del proxy. El equipo tenía la dependencia declarada con un rango; ahora la versión está fijada y la imagen se replica en un registry propio.
Para quienes construyen un acceso corporativo a LLM, queda una lista corta. El enmascaramiento conviene hacerlo en un solo punto de entrada y no en cada aplicación. Es mejor sustituir por datos verosímiles que por etiquetas. El streaming hay que probarlo por separado, y un fallo de la protección debe bloquear la solicitud, no dejarla pasar. Las versiones de los componentes por los que circulan todos los secretos deben fijarse.
- 18 nov 2026Claude Code replica el montaje de un vídeo ajeno sobre tu grabación por el 1,1% del límite semanal
- 18 nov 2026OpenAI lanza una IA jurídica: un 95% menos de datos inventados que Claude Opus 5.5
- 18 nov 2026El plugin Claude SEO lanza hasta 17 agentes y audita un sitio web con un solo comando
- 18 nov 2026MoEngage conecta agentes de IA a sus API existentes: el CTR de los push en Glance sube un 38%
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Por qué dobles y no una etiqueta [CARD]?
La forma más simple de ocultar datos es sustituir el número por una etiqueta como [CARD]. Pero el modelo no distingue dos [CARD] idénticos. No entenderá que las tarjetas son distintas, no podrá cotejar importes ni redactar una orden de pago. Por eso la pasarela inserta datos del mismo tipo y formato.
Cómo no enmascarar de más ni perder un número en el streaming?
Una expresión regular simple de «9 dígitos» detecta cualquier cosa: un UNP, un BIK, un número de pedido. Por eso cada coincidencia pasa por una verificación. En el UNP se calcula el número de control con pesos; en las tarjetas, el algoritmo de Luhn y el prefijo del banco emisor (BIN); en el INN ruso, el algoritmo de la FNS; en el IBAN, mod-97. Aun así, el checksum no basta: un número aleatorio de nueve dígitos supera la comprobación del UNP aproximadamente en uno de cada diez casos.
Dónde se equivocaron y qué queda fuera?
Los nombres completos no tienen checksum, así que se buscan por contexto: «Estimado», «señor», «cliente». Los autores describieron con franqueza dos errores. Primero, el detector no conocía los roles corporativos, y una frase como «director Ivanov Pyotr Sergeyevich» llegaba al modelo en texto claro. Ampliaron la lista (director, contable, fundador, IP —empresario individual—, poder notarial) y añadieron una prueba con 11 formulaciones de este tipo. Con el detector antiguo fallaban todas.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.