c3.4 Valida y escanea los documentos antes de la ingesta
Escanea y sanea los documentos antes de que entren a la base de conocimiento, para que el contenido envenenado o malicioso no pueda provocar prompt injection indirecta ni filtrar datos sensibles.
Guía de implementación
Cómo implementarlo en AWS
Usa GuardDuty Malware Protection para S3 para escanear archivos antes de que se conviertan en fuente de datos. Usa Amazon Comprehend para detectar y redactar PII en los documentos antes de indexarlos, y Amazon Macie para alertar sobre datos sensibles en los buckets fuente. Rechaza o pon en cuarentena los documentos que fallen la validación.
Criterios de aceptación
El pipeline de ingesta escanea malware y redacta PII antes de indexar; Macie alerta sobre datos fuente sensibles; un documento envenenado/sobresensible se pone en cuarentena.
Implementación práctica
Cómo se implementa este control en cada arquitectura de referencia:
Los documentos se escanean por malware y se les redacta PII antes de convertirse en fuente de datos en la cuenta de IA generativa; lo que falle se pone en cuarentena, nunca se indexa.
- Ejecuta GuardDuty Malware Protection para S3 en el bucket de aterrizaje de la ingesta para que los archivos se escaneen antes de volverse fuente de la base de conocimiento.Cuenta de IA generativa
GuardDuty 
Amazon S3 - Usa Amazon Comprehend para detectar y redactar PII en los documentos antes de indexar, y Amazon Macie para alertar sobre datos sensibles en los buckets fuente.Cuenta de IA generativa
Amazon Comprehend 
Amazon Macie - Pon en cuarentena (mueve a un bucket aislado, bloquea la indexación) cualquier documento que falle la validación de malware o sensibilidad, y registra la decisión.Cuenta de IA generativa
AWS Lambda Amazon S3
Cómo validar: El pipeline de ingesta escanea malware y redacta PII antes de indexar; Macie alerta sobre datos fuente sensibles; un documento de prueba envenenado o sobresensible se pone en cuarentena.
Evita: Apuntar la base de conocimiento directo a un bucket crudo. Los documentos no confiables provocan prompt injection indirecta; escanea y sanea antes de indexar.
Un pipeline de ingesta en la cuenta escanea y redacta PII de los documentos antes de indexar y pone en cuarentena lo que falle la validación.
- Habilita GuardDuty Malware Protection para S3 en el bucket de ingesta para escanear los archivos antes de que se vuelvan fuente.Capa de IA generativa (rol IAM) GuardDuty Amazon S3
- Detecta y redacta PII con Comprehend antes de indexar, y alerta sobre datos fuente sensibles con Macie.Capa de IA generativa (rol IAM) Amazon Comprehend Amazon Macie
- Pon en cuarentena los documentos que fallen la validación y registra el resultado.Registro en la cuenta AWS Lambda Amazon S3
Cómo validar: La ingesta escanea malware y redacta PII antes de indexar; Macie alerta sobre datos sensibles; un documento malo se pone en cuarentena.
Evita: Indexar lo que sea que aterrice en el bucket. Valida y sanea los documentos para que el store de RAG no pueda ser envenenado ni filtrar datos sensibles.
Amenazas que atiende
- Prompt injection indirecta mediante documentos maliciosos insertados en la base de conocimiento.
- Datos sensibles indexados en el store de RAG.
Servicios AWS
Amazon GuardDuty Amazon Comprehend Amazon Macie Amazon S3 Mapeos de frameworks
OWASP GenAI/LLM Top 10 (2026)
- LLM01 Prompt Injection
- LLM05 Data and Model Poisoning
NIST AI Risk Management Framework (AI 100-1)
- MAP.4 Risks and impacts are mapped
- MANAGE.1 AI risks are prioritized, responded to and managed
AWS Well-Architected Generative AI Lens (Security)
- GENSEC06-BP01 Implement data purification filters for model training workflows
Recursos de aprendizaje
Referencias
- AWS SRA para IA — Capacidad 3, Validación de entradas y salidas