El principio de minimización (artículo 5.1.c del RGPD) suena sencillo: los datos deben ser adecuados, pertinentes y limitados a lo necesario en relación con los fines para los que se tratan. Pero cuando hablamos de entrenar modelos de IA, ese principio se vuelve incómodo.
¿Qué significa «necesario» en un dataset de entrenamiento? ¿Y quién lo decide?
El falso mito del «más datos, mejor modelo»
Durante años, el mantra del machine learning ha sido que más datos (incluso con ruido) mejora el rendimiento. Eso puede ser cierto en laboratorio, pero en entornos regulados choca con la ley. No puedes incluir campos como el DNI, la dirección exacta o el origen étnico solo porque «quizá algún día sirvan para algo».
La Agencia Española de Protección de Datos (AEPD) ya ha sancionado casos donde se recopilaban datos excesivos sin justificación. Y lo mismo aplica a datasets documentales: si extraes un contrato entero cuando solo necesitas la fecha y las partes, estás violando minimización.
Cómo aplicar minimización sin matar el proyecto
La clave está en separar dos cosas: lo que guardas y lo que procesas. Puedes tener un documento original completo (por ejemplo, por obligación de conservación) y aun así extraer solo un subconjunto de campos para el dataset de entrenamiento. Eso es perfectamente legal.
En la práctica, la minimización bien hecha incluye:
- Identificar la finalidad concreta del modelo (no vale una finalidad genérica tipo «mejorar la IA»).
- Eliminar campos que no sean directamente relevantes para esa finalidad.
- No incluir datos especiales (salud, ideología, datos penales) salvo que la ley lo autorice expresamente.
- Documentar por qué cada campo sí es necesario. Si no puedes redactar una justificación razonable, probablemente sobre.
El error más común: confundir utilidad potencial con necesidad real
«Este campo podría servir para un análisis futuro» no es una justificación válida bajo RGPD. La necesidad se evalúa en el momento del tratamiento, no como una apuesta. Si más adelante surge un nuevo uso legítimo, se puede ampliar el dataset, pero con una nueva base legal y nueva información a los interesados.
Por eso muchos proyectos de IA en entornos regulados están adoptando un enfoque por fases: primero un dataset mínimo viable legal, y después ampliaciones justificadas una por una.
Conclusión
La minimización no es un enemigo del rendimiento. Bien aplicada, fuerza a los equipos a ser más precisos, reduce el ruido y simplifica la trazabilidad. Y de paso, evita multas que pueden llegar hasta los 20 millones de euros. No está mal para un principio que muchos ignoran.
