Cómo el cifrado postcuántico protege los modelos de scoring
Qué cambia cuando la inferencia se ejecuta sobre datos cifrados
Los modelos de scoring bancario se entrenan con historiales de crédito, patrones de consumo y señales de morosidad que no pueden exponerse. Durante años, la práctica habitual fue cifrar los datos en reposo y en tránsito, y descifrarlos en memoria justo antes de pasarlos por el modelo. Ese momento de descifrado es el punto débil: cualquiera con acceso al proceso, al volcado de memoria o al hipervisor puede leer las variables de entrada tal cual.
El cifrado postcuántico aplicado al pipeline de inferencia cambia ese supuesto. En lugar de descifrar para predecir, el modelo opera sobre representaciones cifradas. Los esquemas ML-KEM (encapsulado de claves) y ML-DSA (firmas digitales) forman parte del estándar que NIST publicó tras años de evaluación, y su integración en producción ya no es un ejercicio teórico: hay mesas de riesgo que los están probando con cargas reales.
Qué se cifra exactamente en el pipeline
Conviene separar tres tramos donde el cifrado postcuántico interviene de forma distinta:
- Ingesta de features. Los registros que llegan desde el core bancario se encapsulan con ML-KEM antes de entrar al bus de datos. El modelo nunca ve el valor en claro.
- Inferencia sobre representaciones cifradas. Aquí el coste computacional sube. Las operaciones homomórficas o el cómputo en enclaves añaden entre un 15 y un 40 por ciento de latencia según la profundidad del modelo.
- Firma del resultado. Cada score emitido se firma con ML-DSA para que el consumidor downstream pueda verificar que no fue alterado en tránsito.
El coste real en producción
En scoring en tiempo real, donde la decisión debe resolverse en menos de 200 milisegundos, el margen es estrecho. Las decisiones de arquitectura que funcionan en la práctica suelen pasar por reducir la profundidad del modelo en la ruta caliente, mover el cómputo pesado a un batch nocturno y reservar los esquemas postcuánticos completos para los tramos donde la latencia no es crítica.
También importa el tamaño de las claves. ML-KEM maneja claves públicas y ciphertexts del orden de kilobytes, lo que obliga a revisar los buffers de red y los límites de mensaje en los protocolos internos. No es un detalle menor: hay gateways que rechazan paquetes por encima de cierto umbral y hubo que reconfigurarlos.
Por qué esto importa ahora y no en 2035
El argumento de "faltan años para un ordenador cuántico útil" ignora el problema de la cosecha. Un atacante puede capturar tráfico cifrado hoy y descifrarlo cuando la tecnología madure. Para datos de scoring con valor de vida útil largo, eso ya es un riesgo presente. La migración no se hace de un día para otro: implica rotar claves, auditar dependencias y convivir con esquemas híbridos durante la transición.
Si tu equipo está evaluando por dónde empezar, conviene mirar primero los flujos donde el dato sensible permanece más tiempo en memoria. Ahí es donde el cifrado postcuántico rinde más y donde el coste de no hacer nada se acumula.