Investigación · · 12 min de lectura
Fallo de privacidad en OpenRouter y Vercel: cómo proteger tus claves API frente a enrutadores de IA
Un estudio con 2 millones de credenciales señuelo revela el robo de claves en enrutadores como OpenRouter y Vercel incluso bajo políticas Zero Data Retention. Analizamos la arquitectura para blindar tus integraciones.
El uso de enrutadores de inteligencia artificial como OpenRouter y Vercel expone a las empresas al robo de claves API y a brechas de privacidad. Un estudio reciente con dos millones de credenciales señuelo demostró que los secretos enviados en los prompts son interceptados, incluso cuando se contratan políticas de cero retención de datos (ZDR).
TL;DR: Una investigación que inyectó 2 millones de credenciales señuelo en enrutadores de IA como OpenRouter y Vercel confirma que las políticas de Zero Data Retention (ZDR) no evitan la filtración y robo de claves. Mi tesis es que externalizar el enrutamiento de LLMs a terceros sin sanitización previa en local convierte una comodidad de desarrollo en una vulnerabilidad crítica para cualquier arquitectura en producción.
¿Qué descubrió el estudio sobre OpenRouter, Vercel y el robo de credenciales?
La investigación reveló que las credenciales incluidas dentro de las solicitudes a modelos de lenguaje terminan siendo robadas y utilizadas, a pesar de las garantías contractuales de privacidad. Los investigadores inyectaron dos millones de claves señuelo (canary tokens) a través de una amplia red de enrutadores y servicios, incluyendo plataformas de uso masivo como OpenRouter y Vercel.
Según reporta Techmeme, el hallazgo más grave no es solo la exposición accidental en servicios gratuitos, sino que la vulneración de privacidad ocurrió de forma frecuente bajo configuraciones explícitas de cero retención de datos (Zero Data Retention o ZDR). En la teoría comercial que venden estos proveedores, activar ZDR garantiza que el texto enviado por el cliente no se almacena en disco, no se registra en logs de depuración y jamás se utiliza para entrenar modelos futuros.
La realidad empírica demostrada por esos dos millones de señuelos es distinta. Cuando una clave señuelo diseñada específicamente para este experimento registra accesos externos no autorizados tras pasar por el proxy de un enrutador, se deduce de estos datos que algún eslabón de la cadena está inspeccionando, registrando y explotando el contenido en texto plano. Para un CTO, esto significa que el acuerdo de nivel de servicio (SLA) de privacidad de su intermediario no coincide con el comportamiento real de la infraestructura subyacente.
¿Por qué falla la política de Zero Data Retention (ZDR) en los enrutadores de IA?
El protocolo de cero retención de datos falla en los enrutadores porque la solicitud atraviesa múltiples intermediarios y subprocesadores cuyo cumplimiento técnico no puedes auditar en tiempo real. Aunque el enrutador principal prometa no guardar el payload en su base de datos, el tráfico debe desencriptarse en memoria y reenviarse a proveedores finales que pueden registrar errores o telemetría.
Cuando un equipo de producto conecta su aplicación a un agregador de modelos para alternar dinámicamente entre motores según precio o disponibilidad, introduce una caja negra en su flujo de datos. La cadena de custodia se rompe en tres puntos críticos:
- Logs de observabilidad y caída de servicios: Si una llamada al modelo falla por un límite de contexto o un error de sintaxis en un JSON, los sistemas de ingeniería del enrutador o del proveedor de cómputo suelen volcar la carga útil (payload) completa en herramientas de monitoreo de errores (como Sentry o Datadog) antes de que actúe el filtro de ZDR.
- Subcontratación de inferencia: Enrutadores como OpenRouter no siempre conectan con la infraestructura oficial de los creadores del modelo; para modelos de pesos abiertos, enrutan el tráfico hacia una red heterogénea de proveedores de GPU de terceros. Un flag de ZDR en la cabecera HTTP es una petición de buena fe, no un bloqueo criptográfico que impida al operador del servidor leer la memoria RAM.
- Contexto contaminado en flujos agénticos: Los sistemas modernos de agentes autónomos y asistentes de código leen árboles de directorios completos, archivos
.env, trazas de pila (stack traces) y cabeceras de autenticación para resolver tareas. Ese contexto viaja crudo hacia el enrutador.
Mientras la atención mediática sobre gobernanza tecnológica se dispersa en el fracaso de la ONU en Ginebra para regular las armas autónomas, el riesgo real e inmediato para las empresas reside en esta cadena de suministro de software cotidiana, donde la automatización sin supervisión extrae secretos corporativos hacia servidores opacos.
Comparativa de arquitecturas: Enrutadores SaaS vs. Gateway propio vs. Conexión directa
Elegir entre un enrutador SaaS externo, una pasarela autohospedada o la conexión directa al proveedor depende del equilibrio entre velocidad de desarrollo y control de seguridad. Los enrutadores SaaS aceleran el prototipado inicial, pero un AI Gateway propio en tu infraestructura es la única arquitectura que garantiza la soberanía del tráfico y el filtrado antes de salir de tu red.
| Criterio técnico y operativo | Enrutadores SaaS (ej. OpenRouter, Vercel) | AI Gateway propio (Self-hosted en VPC) | Conexión directa a API (Primer nivel) |
|---|---|---|---|
| Superficie de exposición de datos | Alta: el tráfico pasa por el proxy SaaS y múltiples subproveedores de inferencia. | Baja: el enrutamiento ocurre en tu red; tú eliges el destino final verificado. | Media-Baja: relación bilateral directa bajo un único contrato de procesamiento (DPA). |
| Garantía real de ZDR | Débil: demostrada vulnerable en el estudio de las 2 millones de credenciales señuelo. | Controlada: puedes desactivar logs en tu propio servidor y forzar endpoints privados. | Auditable: respaldada por certificaciones empresariales directas (ej. AWS Bedrock, Azure). |
| Esfuerzo de integración | Mínimo: una sola API y facturación unificada desde el primer día. | Alto: requiere desplegar, escalar y mantener infraestructura propia y contratos separados. | Medio: obliga a programar lógica de fallback y adaptadores para cada proveedor. |
| Capacidad de sanitización previa | Nula en origen: el secreto ya salió de tu red cuando llega al enrutador. | Total: permite acoplar escáneres de prevención de pérdida de datos (DLP) antes del envío. | Parcial: depende de que el equipo de desarrollo lo programe en el cliente de la aplicación. |
Cálculo del coste de exposición y rotación de credenciales en ingeniería
El ahorro de tiempo que proporciona un enrutador externo desaparece en el momento en que una sola credencial de producción se filtra en un prompt. Mi tesis es que el coste oculto de una fuga por confiar ciegamente en el ZDR de un intermediario supera cualquier ventaja operativa de no mantener una pasarela de integración de IA propia.
Para dimensionar el impacto financiero real sin recurrir a estimaciones abstractas, planteamos un cálculo reproducible de respuesta a incidentes para una empresa tecnológica de tamaño medio:
- Datos de partida (hechos de la fuente): 2.000.000 de credenciales señuelo enviadas a través de la red de enrutadores resultaron en vulneraciones frecuentes de privacidad y robo de claves bajo políticas ZDR.
- Supuestos operativos para el cálculo:
1. Una organización con 40 desarrolladores utiliza agentes de codificación o pipelines de soporte conectados a través de un enrutador externo.
2. Tasa de deslizamiento accidental: solo el 0,1% de los prompts semanales (supongamos 20.000 solicitudes por semana) incluye por error una variable de entorno, un token de sesión en un log o una clave de base de datos no sanitizada. Esto equivale a 20 exposiciones semanales.
3. Probabilidad conservadora de compromiso: asumiendo que apenas el 5% de las claves expuestas en la red de enrutadores sufre una intercepción activa como la descrita en el estudio, la empresa enfrentará 1 incidente de credencial comprometida por semana (4 al mes).
4. Coste interno de remediación: auditar la traza, revocar la clave en producción, rotar secretos en los microservicios afectados, verificar accesos no autorizados en los logs y redesplegar consume una media de 6 horas de ingeniería sénior por incidente, a un coste empresa estimado de 75 €/hora. - Operación (Cálculo propio):
4 incidentes/mes × 6 horas/incidente × 75 €/hora = 1.800 €/mes(21.600 € anuales) exclusivamente en tiempo de ingeniería perdido en rotación de emergencia, asumiendo un escenario de impacto cero donde el atacante no logra exfiltrar la base de datos de clientes antes de la revocación.
Este cálculo demuestra que delegar la capa de enrutamiento a un SaaS multi-inquilino sin inspección local de salida es financieramente irracional para entornos de producción.
Cómo auditar y blindar tu arquitectura de LLMs en 4 pasos
Para eliminar el riesgo de robo de credenciales sin renunciar a la redundancia de modelos, debes interceptar y limpiar cada solicitud dentro de tu propio perímetro de red antes de que toque cualquier API externa. Confiar en las cláusulas contractuales de privacidad del proveedor es una negligencia técnica cuando existen herramientas deterministas para prevenir el envío de secretos.
Un plan de mitigación inmediato para arquitecturas en producción requiere ejecutar estos cuatro pasos:
- Desplegar un filtro DLP (Data Loss Prevention) en el borde de salida: Antes de que el payload JSON abandone tu VPC hacia Vercel, OpenRouter o cualquier proveedor de inferencia, debe pasar por un middleware local que escanee expresiones regulares y entropía de cadenas (usando herramientas como TruffleHog, GitGuardian o Microsoft Presidio) para detectar claves de AWS, tokens JWT, contraseñas y datos personales, reemplazándolos por marcadores inocuos (
[REDACTED_KEY]). - Sustituir enrutadores SaaS por pasarelas autohospedadas en producción: Reemplaza el endpoint de terceros por un proxy inverso de IA desplegado en tus propios contenedores (por ejemplo, instancias autohospedadas de LiteLLM, Kong AI Gateway o Envoy). Esto te permite mantener la ventaja de cambiar de modelo con una sola línea de código, pero conservando los logs de tráfico bajo tu exclusivo control criptográfico.
- Aislar los entornos de agentes y flujos de trabajo: Si utilizas sistemas de automatización con IA que leen código fuente o tickets de soporte, impide que el agente tenga acceso de lectura a archivos
.envo gestores de secretos. Las llamadas a herramientas (tool calling) que requieran autenticación deben ejecutarse mediante inyección de credenciales en el entorno de ejecución local, nunca pasando el token dentro de la ventana de contexto del LLM. - Inyectar tus propios canary tokens para auditoría continua: Replica la metodología de los investigadores a pequeña escala. Introduce credenciales señuelo (con alertas inmediatas configuradas en tu SIEM si alguien intenta usarlas) en los flujos de prueba que envías a tus proveedores de IA. Si una clave señuelo se activa, tendrás prueba forense irrefutable de que tu proveedor o sus subprocesadores están violando el acuerdo de cero retención.
Las empresas que carezcan del equipo de plataforma interno para diseñar estas pasarelas de filtrado deben apoyarse en firmas especializadas en consultoría de IA y seguridad de infraestructura antes de escalar sus productos a clientes corporativos.
El mercado de los agregadores y enrutadores de IA se enfrenta a una crisis de confianza estructural. Hasta ahora, plataformas como OpenRouter han crecido ofreciendo fricción cero para desarrolladores que querían probar decenas de modelos con una sola tarjeta de crédito. Sin embargo, el descubrimiento de que dos millones de señuelos terminan comprometidos incluso bajo promesas de Zero Data Retention marca el fin de la inocencia para los compradores B2B. En los próximos doce meses, veremos a los departamentos de seguridad corporativa (CISOs) bloquear por defecto el acceso a enrutadores públicos de terceros en entornos de producción, consolidando un mercado donde solo sobrevivirán las arquitecturas de inferencia desplegadas en nubes privadas virtuales y auditadas mediante pruebas de intrusión continuas.
Preguntas frecuentes sobre privacidad y seguridad en enrutadores de IA
¿Qué es un enrutador de IA como OpenRouter y para qué sirve?
Un enrutador de IA es una plataforma intermediaria que unifica el acceso a múltiples modelos de lenguaje (como los de OpenAI, Anthropic o modelos de código abierto) a través de una única interfaz de programación (API). Permite a los desarrolladores alternar entre diferentes motores de inteligencia artificial, gestionar caídas de servicio mediante redirección automática y centralizar la facturación sin programar integraciones individuales para cada proveedor.
¿Qué significa Zero Data Retention (ZDR) en servicios de inteligencia artificial?
Zero Data Retention (ZDR) es una configuración y compromiso contractual mediante el cual un proveedor de IA asegura que los datos enviados en las solicitudes (prompts) y las respuestas generadas no se almacenan en discos permanentes ni se utilizan para entrenar modelos. Sin embargo, el reciente estudio con dos millones de credenciales señuelo demostró que esta política se vulnera con frecuencia en la práctica cuando se utilizan enrutadores intermediarios.
¿Cómo pueden robar una clave API si la conexión va cifrada por HTTPS?
El cifrado HTTPS protege los datos únicamente mientras viajan en tránsito entre tu servidor y el enrutador, pero el intermediario debe desencriptar el mensaje en su memoria para procesarlo y reenviarlo al proveedor del modelo. El robo ocurre después de esa desencriptación, cuando el contenido en texto plano se vuelca accidentalmente en registros de errores, sistemas de telemetría o servidores de subproveedores de cómputo no auditados.
¿Es seguro usar el AI SDK de Vercel o OpenRouter en aplicaciones empresariales?
Es seguro utilizar las librerías de código abierto en el cliente si apuntas las solicitudes directamente a endpoints empresariales privados (como Azure OpenAI o AWS Bedrock) bajo tu propio control. El riesgo documentado por los investigadores aparece cuando el tráfico se enruta a través de los proxies en la nube compartidos de estos intermediarios y se incluyen secretos o datos sensibles sin haberlos filtrado previamente en tu servidor.
Temas relacionados en agentes.ai
Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:
- Directorio de agencias de agentes de voz
- Explora el directorio completo de agencias de IA
- Sigue las últimas noticias de IA en tiempo real