Anonimizar o seudonimizar antes de consultar a una IA
Sustituir un nombre por un código no vuelve anónimo un dato. Lo que dicen la CNIL, la ANSSI y el NCSC antes de pegar un texto en una IA.
En esta página
En 30 segundos
- Dónde ocurre
- Al copiar un documento, a veces muy largo, en el cuadro de entrada de una herramienta de IA para obtener una respuesta sobre su contenido[3].
- Qué está en juego
- La consulta es visible para la organización que proporciona la herramienta, se almacena y casi con toda certeza se utilizará para desarrollar el servicio o el modelo[3].
De qué se trata
Sustituir un nombre por un código antes de pegar un texto en una herramienta de IA da la impresión de proteger a la persona. Para la CNIL, este gesto es una seudonimización, y los datos seudonimizados conservan su carácter personal[1].
El punto débil es el cruce de datos. Aun sin nombre, datos de terceros o valores poco frecuentes (una edad, una dirección) pueden bastar para identificar a alguien[1]. Las autoridades europeas de protección de datos han fijado tres criterios para juzgar si un conjunto de datos es realmente anónimo[1][2].
Preguntas directas
¿Qué diferencia hay entre anonimizar y seudonimizar?
La anonimización hace imposible, en la práctica, cualquier identificación de la persona por cualquier medio, y de forma irreversible[1]. La seudonimización consiste en sustituir los datos directamente identificativos (nombre, apellidos) por datos indirectamente identificativos, como un alias o un número secuencial[1].
Esta operación es reversible. Con mucha frecuencia es posible recuperar la identidad de las personas gracias a datos de terceros, de modo que los datos afectados siguen siendo personales[1]. El G29, que reúne a las autoridades europeas de protección de datos, recuerda que los datos seudonimizados no son datos anónimos[2].
Si sustituyo un nombre por un número, ¿es anónimo el texto?
No. La CNIL pone el ejemplo de una base de currículums en la que solo se han sustituido el nombre y los apellidos por un número que corresponde a una sola persona: esa base permite individualizar a la persona, por lo que está seudonimizada y no anonimizada[1].
¿Cuáles son los tres criterios del G29?
Sirven para comprobar que un conjunto de datos es anónimo[1][2]:
- La individualización: ¿es posible aislar a un individuo en los datos?[1][2]
- La correlación: ¿es posible vincular entre sí conjuntos de datos distintos relativos a un mismo individuo?[1][2]
- La inferencia: ¿se pueden deducir informaciones sobre un individuo?[2] La CNIL precisa: de forma casi segura[1].
Un conjunto de datos que no permite individualizar, ni correlacionar, ni inferir es a priori anónimo. Si no se cumple uno solo de estos criterios, solo puede considerarse anónimo tras un análisis detallado de los riesgos de reidentificación[2].
¿Basta con suprimir algunos campos?
Tampoco. La CNIL aconseja suprimir los elementos de identificación directa, pero también los valores poco frecuentes que permitirían una reidentificación fácil. Cita la edad, que permite encontrar con mucha facilidad a las personas centenarias[1].
¿La herramienta de IA conserva lo que le escribo?
El NCSC británico indicaba en 2023 que un modelo de IA no añadía automáticamente las consultas de los usuarios a su modelo, pero que esas consultas seguían siendo visibles para el proveedor y se almacenaban[3]. La ANSSI señala que, en la mayoría de los servicios, los datos enviados son recopilados y utilizados por el proveedor para optimizar los modelos[4].
Cómo funciona
La CNIL agrupa las técnicas de anonimización en dos familias[1]. La aleatorización modifica los atributos para hacerlos menos precisos conservando la distribución global; protege contra la inferencia, y la CNIL cita la permutación de las fechas de nacimiento[1]. La generalización cambia la escala de los atributos para que sean comunes a un conjunto de personas; evita la individualización y limita las correlaciones, por ejemplo sustituyendo una fecha de nacimiento por el solo año[1].
La lista de verificación de la CNIL para los diseñadores de sistemas de IA va en el mismo sentido: recomienda dar preferencia a formatos menos intrusivos, por ejemplo un tramo de edad en lugar de una fecha de nacimiento completa[5].
La ENISA dedicó dos informes a la seudonimización: un primero, publicado en enero de 2019, explora el concepto y distintas técnicas[6]; un segundo, de enero de 2021, estudia soluciones avanzadas para escenarios más complejos[7].
Qué hace usted
- Pegue solo lo necesario. La ANSSI pide, por precaución, no incluir nunca datos sensibles de la entidad en las consultas a un servicio de IA generativa en línea[4]. Entre esos datos incluye la información personal (datos de contacto, información privada), los datos contractuales, jurídicos y financieros, y los secretos informáticos como las contraseñas o las claves de API[4].
- Retire los detalles que permiten cruzar datos: valores poco frecuentes, edad exacta, fecha de nacimiento completa[1][5]. Un nombre sustituido por un código no basta[1].
- No envíe a una herramienta pública una consulta que supondría un problema si llegara a hacerse pública. Es la recomendación del NCSC[3].
- Para datos sensibles, la ANSSI descarta las herramientas públicas como ChatGPT, Gemini, Copilot, DeepL o Perplexity[4]. El NCSC precisa que existen modelos privados, ofrecidos por un proveedor de nube o alojados internamente, pero que deben comprenderse las condiciones de uso y la política de privacidad de un modelo proporcionado por la nube[3].
Las trampas
- El código que sustituye al nombre: individualiza a la persona en lugar de protegerla[1].
- El cruce con otros datos. Una base de direcciones no puede considerarse anónima si otras bases contienen esas mismas direcciones junto con datos identificativos[1]. La ANSSI cita además la reidentificación por cruce con otros conjuntos de datos entre los ataques contra los datos anonimizados[4].
- La inferencia. En el ejemplo de la CNIL, un conjunto de datos sobre impuestos muestra que todos los hombres de 20 a 25 años que respondieron no están sujetos a impuestos: si se sabe que el Sr. X, de 24 años, respondió, se deduce que no está sujeto a impuestos[1].
- La sensibilidad que proviene de quien pregunta. El NCSC cita el caso de un directivo que preguntara cómo despedir a un empleado, y recuerda que la información se agrega de una consulta a otra bajo un mismo identificador[3].
- Las fugas. Las consultas almacenadas pueden ser pirateadas, divulgadas o hacerse públicas por accidente, y quien explota la herramienta puede ser adquirido por una organización cuyo enfoque de la privacidad sea diferente[3].
- El anonimato que se desgasta. Las técnicas de anonimización y de reidentificación evolucionan, lo que obliga a quien afirma haber anonimizado a una vigilancia regular[1][2].
Fuentes
- CNIL, «L’anonymisation de données personnelles», 19 de mayo de 2020. https://www.cnil.fr/fr/technologies/lanonymisation-de-donnees-personnelles (consultado el 14 de noviembre de 2026)
- CNIL, «Le G29 publie un avis sur les techniques d’anonymisation», 25 de enero de 2016. https://www.cnil.fr/fr/le-g29-publie-un-avis-sur-les-techniques-danonymisation (consultado el 14 de noviembre de 2026)
- NCSC (Royaume-Uni), «ChatGPT and large language models: what's the risk?», 14 de marzo de 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (consultado el 14 de noviembre de 2026)
- ANSSI, «Security recommendations for a generative AI system», 29 de abril de 2024. https://messervices.cyber.gouv.fr/documents-guides/security_recommandations_for_a_generative_ai_system.pdf (consultado el 14 de noviembre de 2026)
- CNIL, «Développement des systèmes d'IA : Que faut-il vérifier ?». https://www.cnil.fr/sites/default/files/2025-07/ia_liste_de_verification.pdf (consultado el 14 de noviembre de 2026)
- ENISA, «Recommendations on shaping technology according to GDPR provisions - An overview on data pseudonymisation», 28 de enero de 2019. https://www.enisa.europa.eu/publications/recommendations-on-shaping-technology-according-to-gdpr-provisions (consultado el 14 de noviembre de 2026)
- ENISA, «Data Pseudonymisation: Advanced Techniques and Use Cases», 28 de enero de 2021. https://www.enisa.europa.eu/publications/data-pseudonymisation-advanced-techniques-and-use-cases (consultado el 14 de noviembre de 2026)
Citar este artículo
Brain, «Anonimizar o seudonimizar antes de consultar a una IA», Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp308_es_2026,
author = {Brain},
title = {Anonimizar o seudonimizar antes de consultar a una IA},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/es/articles/anonimizar-seudonimizar-ia-reidentificacion/},
note = {CC BY 4.0}
}