abubakarsiddik31/zdrGuía seleccionada sobre configuraciones de retención de datos cero para APIs de LLM. Cubre endpoints ZDR específicos de proveedores, modelos de amenazas, mapeos de cumplimiento y patrones de autohospedaje para ingenieros en industrias reguladas.
Última actualización: abril de 2026
Una guía práctica para mantener tus datos privados al usar APIs de LLM. Cubre endpoints de retención cero, auto-alojamiento, requisitos de cumplimiento y patrones de protección de datos para ingenieros en industrias reguladas.
"Retención cero" no es una única característica — es un conjunto de controles técnicos + términos contractuales que aseguran que el contenido del cliente (prompts, salidas, archivos) no sea almacenado en reposo por el proveedor. Diferentes enfoques ofrecen diferentes compensaciones:```mermaid flowchart TD Start(["Need Private AI?"]) --> Q1{"Can you\nself-host?"}
Q1 -->|"Yes, have GPUs"| SH["Self-Host Open Weights\n(Llama 4 · DeepSeek · Mistral · Qwen)"]
Q1 -->|"Yes, CPU only"| OL["Ollama + Quantized Models\n(7B–14B on consumer hardware)"]
Q1 -->|No| Q2{"Need frontier\nmodel quality?"}
Q2 -->|Yes| Q3{"Regulatory\nrequirements?"}
Q2 -->|No| Q4{"Budget\nconstrained?"}
Q3 -->|"HIPAA / FedRAMP"| Cloud["Azure OpenAI · AWS Bedrock\n+ Private Endpoints + BAA"]
Q3 -->|"Multi-provider"| GW["OpenRouter · Cloudflare AI Gateway\nwith ZDR routing"]
Q3 -->|"Single provider OK"| Direct["Direct ZDR Contract\n(OpenAI · Anthropic · Google)"]
Q4 -->|Yes| Budget["Fireworks · Together AI\n(open-weights, low cost, ZDR included)"]
Q4 -->|"Not really"| Fast["Groq · Fireworks · Together\nZDR toggle in dashboard"]
style Start fill:#4a90d9,stroke:#2c5f8a,color:#fff
style SH fill:#2ecc71,stroke:#1a9c54,color:#fff
style OL fill:#2ecc71,stroke:#1a9c54,color:#fff
style Cloud fill:#e67e22,stroke:#b3611a,color:#fff
style GW fill:#9b59b6,stroke:#7a3d92,color:#fff
style Direct fill:#3498db,stroke:#2471a3,color:#fff
style Budget fill:#1abc9c,stroke:#148f77,color:#fff
style Fast fill:#1abc9c,stroke:#148f77,color:#fff
### Comparación de Enfoques
| Enfoque | Privacidad | Calidad del Modelo | Costo Operativo | Complejidad de Configuración |
| :--- | :--- | :--- | :--- | :--- |
| **Autoalojado (aislado)** | Máxima | Solo pesos abiertos | Hardware + operaciones | Alta |
| **Autoalojado (VPC)** | Muy fuerte | Solo pesos abiertos | Costo de GPU en la nube | Media |
| **ZDR en la nube + Private Link** | Fuerte (contractual) | Modelos frontera | Precios de API | Baja-Media |
| **API SaaS ZDR** | Buena (contractual) | Modelos frontera | Precios de API | Baja |
| **Gateway con enrutamiento ZDR** | Buena (delegada) | Múltiples proveedores | API + tarifa del gateway | Baja |
---
## Modelo de Amenazas
Antes de elegir un enfoque, comprenda contra qué se está protegiendo:
| Amenaza | Descripción | Mitigado por |
| :--- | :--- | :--- |
| **Filtración de datos de entrenamiento** | Sus indicaciones/salidas se usan para entrenar los modelos del proveedor | Contrato ZDR, nivel API (no nivel gratuito), autoalojamiento |
| **Retención de monitoreo de abuso** | El proveedor almacena las indicaciones para revisión de seguridad (a menudo 30 días) | Exclusión ZDR/MAM, autoalojamiento |
| **Acceso de empleados** | El personal del proveedor puede ver sus datos durante la respuesta a incidentes | ZDR + cifrado BYOK, autoalojamiento |
| **Citación / descubrimiento legal** | Solicitudes gubernamentales o legales al proveedor por sus datos | Autoalojamiento, controles de residencia de datos, contrato sin retención |
| **Violación en el proveedor** | Los sistemas del proveedor se ven comprometidos, sus datos son exfiltrados | Sin retención (nada que robar), autoalojamiento, cifrado en reposo |
| **Su propio registro** | Su infraestructura (proxies, APM, rastreadores de errores) registra indicaciones sensibles | Proxy DLP, redacción de registros, auditoría de su pipeline |
| **Exfiltración por inyección de indicaciones** | Una entrada maliciosa hace que el LLM filtre datos a través de llamadas a herramientas | Escaneo de salidas, herramientas de menor privilegio, sandboxing |
### Ciclo de Vida de los Datos: A Dónde Van Sus Indicaciones```mermaid
flowchart LR
User["User Input"] --> App["Your App"]
subgraph YourInfra["Your Infrastructure"]
App --> Logs1["App Logs ⚠️"]
App --> DLP["DLP / PII Proxy"]
DLP --> GW["API Gateway"]
GW --> Logs2["Gateway Logs ⚠️"]
end
subgraph Provider["LLM Provider"]
GW --> Inference["Model Inference\n(in-memory)"]
Inference --> Abuse["Abuse Monitor\n(0–30 day retention)"]
Inference --> Training["Model Training\n(opt-out or ZDR)"]
end
Inference --> Response["Response"]
Response --> App
style Logs1 fill:#e74c3c,stroke:#c0392b,color:#fff
style Logs2 fill:#e74c3c,stroke:#c0392b,color:#fff
style Abuse fill:#f39c12,stroke:#d68910,color:#fff
style Training fill:#e74c3c,stroke:#c0392b,color:#fff
style DLP fill:#2ecc71,stroke:#1a9c54,color:#fff
style Inference fill:#3498db,stroke:#2471a3,color:#fff
Rojo = puntos de riesgo donde se pueden retener datos. Verde = capa de protección. ZDR elimina los riesgos del lado del proveedor; DLP/proxy elimina los riesgos de tu lado.
store siempre se trata como false, incluso si se establece como true en las solicitudesstore — para organizaciones que necesitan retención de datos pero monitoreo reducidoPuntos finales elegibles para ZDR:
/v1/chat/completions, /v1/responses, /v1/images/*, /v1/embeddings, /v1/audio/*, /v1/moderations, /v1/completions, /v1/realtime