En este artículo
Cifrado Totalmente Homomórfico en 2026: Qué Se Lanza y Qué Sigue Siendo Hype
El cifrado totalmente homomórfico tiene la reputación más extraña de la criptografía aplicada: a la vez "el santo grial" y "siempre a diez años vista". Ambas reputaciones son ya erróneas. Apple y Microsoft documentan despliegues de búsqueda privada en producción, y Zama opera infraestructura de smart contracts cifrados en Ethereum. El sobrecoste sigue siendo grande, pero cambia con esquema, operación, parámetros, batching, hardware y baseline de texto plano; no existe un multiplicador universal honesto. Este post explica qué hace el FHE en producción en 2026 y qué hay que medir.
Perspectiva de ingeniería, no un pitch de proveedor. Cuando una cifra viene de un vendor o es una proyección de roadmap en lugar de un resultado ya lanzado, lo etiquetamos. Los puntos de referencia vienen del trabajo de Wavect en tecnología de frontera e IA.
¿Sopesando FHE frente a un TEE para tu producto?
Reserva Consultoría Gratuita¿Qué es el FHE, y por qué se volvió interesante de repente?
El FHE permite a un servidor computar sobre datos cifrados sin descifrarlos nunca. El cliente cifra el input, el servidor ejecuta la computación a ciegas, y solo el cliente puede descifrar el resultado. El servidor no aprende nada, ni siquiera la respuesta. Es una promesa categóricamente más fuerte que el cifrado en reposo, y más fuerte que un entorno de ejecución confiable, porque no hay ningún fabricante de hardware en el modelo de confianza.
Se volvió interesante por dos razones. Primera, el rendimiento: una operación de bootstrapping de TFHE, la unidad básica de computación cifrada ilimitada, cayó de decenas de milisegundos en una CPU a menos de un milisegundo en una NVIDIA H100. Segunda, la credibilidad: Apple lo lanzó a escala de consumo, y Zama se convirtió en el primer unicornio del campo con una Serie B de 57 millones de dólares a una valoración por encima de 1.000 millones de dólares en junio de 2025 (Zama). El dinero y los despliegues en producción cambiaron la conversación.
¿Qué esquema para qué trabajo?
"FHE" es una familia, y elegir el miembro equivocado es un primer error común:
| Esquema | Modelo de datos | Fortaleza | Uso típico |
|---|---|---|---|
| TFHE (CGGI) | Bits y enteros pequeños | Bootstrapping programable rápido, lógica arbitraria vía tablas de lookup | Comparaciones, lógica con ramas, smart contracts cifrados |
| CKKS | Números reales aproximados, empaquetados SIMD | El mejor throughput amortizado para workloads numéricos | Inferencia de machine learning, estadística, analítica |
| BGV / BFV | Enteros exactos, empaquetados SIMD | Aritmética exacta a escala | Lookups privados (PIR), analítica exacta, conteo |
Regla rápida: la lógica y las comparaciones quieren TFHE, el ML quiere CKKS, los lookups exactos quieren BFV. Una buena introducción a los esquemas es el "Beginner’s Textbook for Fully Homomorphic Encryption" de 2025 (arXiv 2503.05136). Los stacks modernos cambian cada vez más de esquema a mitad de computación, que es exactamente para lo que existen proyectos de compilador como HEIR de Google.
¿Qué se lanza de verdad en producción?
La lista de producción es corta, real e instructiva:
- Apple Live Caller ID Lookup (iOS 18+). Tu iPhone comprueba una llamada desconocida contra la base de datos de un proveedor de identificación de llamadas sin revelar el número de teléfono al servidor, usando private information retrieval basado en BFV. Apple liberó el stack como swift-homomorphic-encryption (Swift.org, 2024). Junto con Enhanced Visual Search abajo, es probablemente la mayor huella de FHE de consumo que existe.
- Apple Enhanced Visual Search. Fotos compara una representación vectorial cifrada con un índice en el servidor. Apple documenta las solicitudes señuelo y un relé OHTTP que oculta la IP de origen a sus servidores. Nota técnica de Apple.
- Microsoft Edge Password Monitor. Edge comprueba credenciales filtradas mediante un protocolo privado de pertenencia a conjuntos basado en Microsoft SEAL. Protocolo de Microsoft Research.
- Protocolo Zama en Ethereum. En mainnet desde el 31 de diciembre de 2025, con balances cifrados y transferencias confidenciales mediante TFHE y un servicio de claves MPC de umbral (docs de Zama). El protocolo está vivo; el throughput depende de las operaciones cifradas y debe medirse.
- Colaboración de datos empresarial. Duality Technologies ejecuta analítica homomórfica y federada con socios sanitarios, incluido Dana-Farber, combinando típicamente HE con federated learning en lugar de correr todo bajo FHE.
Fíjate en lo que todo despliegue de consumo tiene en común: es un lookup privado contra un dataset del servidor, conocido en la literatura como private information retrieval. Consulta pequeña, computación acotada, latencia tolerante a lo asíncrono. Ese es el patrón que se lanza. Nadie está corriendo su backend bajo FHE, incluidas las empresas con más dinero del planeta.

"Cada despliegue de FHE que de verdad se lanzó es un lookup privado estrecho. Los equipos que fracasan son los que intentan cifrar el backend entero."
¿Cómo de lento es el FHE, en realidad?
Las cifras honestas, revisadas el 11 de noviembre de 2026:
- No hay un multiplicador universal defendible. El esquema, parámetros de seguridad, operaciones, profundidad, packing, bootstraps, hardware y comparador de texto plano cambian el coste. Mide el camino completo.
- Bootstrapping de TFHE: milisegundos de un solo dígito en un núcleo de CPU moderno, menos de un milisegundo en una GPU de clase H100, con reportes de alrededor de 189.000 bootstraps por segundo en un nodo de 8 GPUs (cifra de vendor).
- Inferencia de ML con modelos pequeños: regresión logística, árboles de decisión y redes neuronales pequeñas corren en segundos bajo CKKS o vía Concrete ML de Zama, que convierte modelos cuantizados y mantiene la precisión a pocos puntos del texto plano para cuantización de 4 bits (Hugging Face / Zama).
- PIR a escala: práctico hoy. Apple responde lookups cifrados para una gran fracción de los iPhones del mundo con latencia y coste de servidor aceptables.
No escales la latencia de texto plano con una regla FHE genérica. Modela operaciones, parámetros, packing, bootstraps, serialización, transferencia y hardware objetivo; después mide end to end.
Compara bibliotecas con la misma carga de extremo a extremo. Registra latencia, rendimiento, memoria máxima, precisión del resultado y parámetros de seguridad. La suite comunitaria exige parámetros con un objetivo de seguridad de al menos 128 bits. ISO/IEC 28033-3, la parte de CKKS, es un borrador final en aprobación. FHE Benchmarking Suite · Estado del borrador ISO/IEC 28033-3
¿Puedes correr un LLM bajo FHE?
La cifra citada de 8,2 minutos por token de GPT-2 y 25,3 GB de tráfico procede de un experimento de computación entre dos partes. Los costes de comunicación corresponden a ese protocolo. arXiv 2410.13060.
Llama-3-8B cifrado ya se estudia en investigación. Sylph reporta unos 20 segundos para procesar un prompt cifrado de 128 tokens y 18 segundos por token generado en ocho RTX PRO 6000. La prepublicación de Perseus de noviembre reporta 7,8 segundos para un paso de decodificación con 512 tokens de contexto en una RTX PRO 6000. Las pruebas usan distintas longitudes y hardware. Mide por separado el procesamiento del prompt y la generación, e incluye el cifrado y descifrado del cliente en la latencia total. Prepublicación de Sylph · Prepublicación de Perseus, tabla 1
¿Arreglará el hardware el sobrecoste?
Parcialmente, en un calendario creíble:
- Disponible hoy: GPUs. Los resultados publicados muestran gran aceleración para parámetros TFHE concretos, pero no prueban throughput end to end. La documentación actual de Zama describe rutas de coprocesador CPU y GPU; mide la ruta desplegada.
- Silicio prototipo: Intel HERACLES. Intel demostró en ISSCC, en febrero de 2026, un acelerador FHE fabricado de 8192 vías SIMD y reportó mejoras de 1.074x a 5.547x frente a un Xeon en siete primitivas (IEEE Spectrum). Esto corrige dos errores opuestos: HERACLES no se detuvo y ya no es solo una simulación. Sigue siendo un prototipo de investigación sin disponibilidad comercial anunciada, así que diseña hoy para GPUs desplegables y trata los ASIC como potencial futuro.
¿Con qué librería deberías empezar?
| Librería | Foco de esquema | Lenguaje | Elígela cuando |
|---|---|---|---|
| TFHE-rs / Concrete (Zama) | TFHE | Rust, Python | Lógica y enteros cifrados; el estándar de facto de TFHE con la comunidad más grande |
| Concrete ML (Zama) | TFHE | Python, API estilo scikit-learn | Inferencia privada en modelos pequeños; no está oficialmente deprecado, pero comprueba su cadencia de releases y encaje de soporte antes de un nuevo compromiso de producción (docs oficiales) |
| OpenFHE (consorcio) | Todos los esquemas principales | C++ | Referencia en CPU con varios esquemas y soporte de umbral. La v1.6.1 corrige fallos de descifrado tras el bootstrapping CKKS en algunas configuraciones con secretos ternarios uniformes. Versión v1.6.1. |
| Poulpy | CKKS, FHE binario | Rust | Bootstrapping CKKS y aritmética matricial cifrada. La v0.10.0 añade un backend de GPU portátil basado en CubeCL, con backends de CPU para comparar. Versión v0.10.0. |
| FIDESlib | CKKS | C++ / CUDA | CKKS server-side sensible al rendimiento sobre GPUs NVIDIA; interoperable con clientes OpenFHE y reporta bootstrapping al menos 70x más rápido que OpenFHE optimizado con AVX (paper) |
| swift-homomorphic-encryption (Apple) | BFV | Swift | Lookups privados estilo PIR, especialmente en ecosistemas Apple |
| Lattigo (Tune Insight) | CKKS, BGV, multiparte | Go | Equipos de Go y montajes de HE multiparte |
| Microsoft SEAL | BFV, CKKS | C++ | Stack C++ compacto para integraciones existentes de BFV y CKKS. SEAL 4.7.2 está disponible. Los paquetes .NET recientes deben compilarse desde el código fuente. Instrucciones de Microsoft para paquetes .NET. |
| HEIR (Google) | Compilador entre esquemas | Basado en MLIR | Compilar código de alto nivel a backends FHE; la capa de abstracción a largo plazo más probable (heir.dev) |
Para CKKS, compara compilaciones de CPU y GPU con igual precisión, objetivo de seguridad y tamaño de lote. Poulpy permite probar ambas rutas y FIDESlib es una opción de CKKS para NVIDIA. Incluye en el piloto la transferencia de textos cifrados y claves de evaluación, el uso de memoria de GPU y los percentiles altos de latencia.
Preguntas frecuentes
¿Es práctico el cifrado totalmente homomórfico en 2026?
¿Cuál es la diferencia entre FHE y un TEE como Intel TDX o una GPU confidencial?
¿Puede FHE correr modelos estilo ChatGPT de forma privada?
¿Qué es TFHE frente a CKKS?
¿Qué librería FHE debería usar un proyecto nuevo?
Reflexiones finales
El FHE en 2026 no es ni grial ni vaporware. Es una herramienta especialista con un patrón de producción probado: un cliente cifra una consulta pequeña, un servidor computa a ciegas, nadie salvo el usuario ve jamás los datos. Apple, Microsoft y Zama lanzan exactamente esa forma, y equipos de ingeniería fuertes pueden construirla hoy con stacks open source mantenidos.
La disciplina está en lo que te niegas a construir: cualquier cosa interactiva, cualquier cosa del tamaño de un modelo frontier, cualquier cosa donde una base de datos más control de acceso ya satisface el modelo de confianza. Limita FHE a la única computación que debe permanecer ciega, mide las librerías sobre el workload y hardware exactos, y deja que un TEE cargue con los workloads que FHE no puede. Así es como metes la garantía de privacidad más fuerte de la criptografía en un producto sin que el producto muera de latencia.
¿Quieres un chequeo honesto de viabilidad de FHE en tu stack?
Reserva Consultoría Gratuita