En la práctica diaria de curación de documentos para IA, surge una duda recurrente: ¿me basta con cambiar el nombre por un identificador, o tengo que eliminar cualquier rastro que permita llegar a la persona?
La respuesta cambia completamente según estemos ante pseudonimización o anonimización.
Qué dice el RGPD (y qué no dice)
El RGPD define la pseudonimización como el tratamiento de datos personales de tal manera que ya no puedan atribuirse a un interesado sin usar información adicional, siempre que esa información se mantenga separada y sujeta a medidas técnicas y organizativas.
La anonimización, en cambio, no está definida en el RGPD porque, si está bien hecha, deja de ser dato personal. Y si no es dato personal, el RGPD simplemente no aplica.
Esa diferencia es clave para los proyectos de IA.
Cuándo usar pseudonimización
La pseudonimización es la opción por defecto en la mayoría de datasets documentales para IA. ¿Por qué? Porque permite:
- Seguir aplicando el RGPD (derechos de acceso, rectificación, supresión).
- Re-identificar al interesado si es necesario (por ejemplo, para atender una solicitud de cancelación).
- Compartir el dataset con menos riesgos, siempre que la clave de reidentificación se custodie separadamente.
Es ideal cuando tu modelo necesita entrenarse con datos reales pero no requieres saber la identidad concreta para la tarea (por ejemplo, un clasificador de tipos de contrato).
Cuándo usar anonimización
La anonimización es más agresiva y libera completamente del RGPD. Pero atención: el estándar es muy alto. No basta con quitar el nombre y el DNI. Hay que asegurar que no sea posible la reidentificación por ningún medio «razonablemente probable».
Esto incluye combinación con otras fuentes, inferencia estadística o metadados ocultos. En la práctica, anonimizar documentos complejos (como correos electrónicos o dictámenes legales) es extremadamente difícil. Por eso muchos proyectos optan por pseudonimizar y asumir el cumplimiento, antes que intentar una anonimización imperfecta que luego resulte ser reversible.
El error típico: pseudonimizar y tratar como anónimo
He visto equipos que sustituyen nombres por códigos y luego afirman que «ya no son datos personales». Falso. Siguen siéndolo porque la clave de reidentificación existe. Si esa clave se pierde o se filtra, el dataset vuelve a ser completamente identificable.
La ley exige que, si hay pseudonimización, mantengas las medidas de seguridad sobre la clave y sigas cumpliendo el RGPD. No puedes relajarte.
Qué técnica elegir para tu dataset documental
Hazte estas preguntas:
- ¿Necesitas conservar la capacidad de atender derechos ARCO? Si sí → pseudonimización.
- ¿El dataset va a salir al público o a terceros sin control? Si sí → anonimización (real, no simulada).
- ¿Trabajas con documentos judiciales o sanitarios? Probablemente pseudonimización, por la trazabilidad que exigen otras normas.
En proyectos reales de IA, la pseudonimización bien gestionada es más realista y defendible que una anonimización mal hecha.
