RGPD y modelos de IA: ¿se pueden borrar los datos personales de un modelo entrenado?

El problema, con una analogía

Imagina que un cocinero aprende una receta leyendo mil cuadernos de familias. Si una familia pide que se destruya su cuaderno, es fácil quitarlo de la estantería. Lo difícil es «desaprender» lo que ya ha influido en su forma de cocinar. Con los modelos de IA ocurre algo parecido: borrar un registro del conjunto de datos no siempre borra su influencia en el modelo ya entrenado.

Qué dice el RGPD

• Supresión (art. 17): la persona puede pedir que se borren sus datos cuando, por ejemplo, ya no son necesarios, retira el consentimiento o se opone al tratamiento, con excepciones previstas en la norma.
• Plazo (art. 12.3): hay que responder en un mes, ampliable en casos complejos y con aviso.
• Minimización y exactitud (art. 5): los datos deben ser los necesarios y estar actualizados; es mucho más fácil cumplirlo desde el diseño que corregir después (art. 25).

Qué dijo el EDPB en su Dictamen 28/2024

El Comité Europeo de Protección de Datos analizó, a petición de la autoridad irlandesa, tres cuestiones sobre modelos de IA. Resumido y sin entrar en matices jurídicos:

1. ¿Es anónimo un modelo entrenado con datos personales? No siempre. Debe valorarse caso por caso si es muy improbable extraer datos personales del modelo y obtenerlos mediante consultas.
2. ¿Se puede usar el interés legítimo? Puede ser una base posible en el desarrollo y el uso, tras una evaluación en tres pasos (interés legítimo, necesidad y ponderación), con garantías y atención a las expectativas razonables de las personas.
3. ¿Qué pasa si el modelo se entrenó con datos tratados de forma ilícita? Puede afectar a la licitud de su uso posterior, según las circunstancias y si el modelo llegó a ser anónimo antes de desplegarse.

Si tu caso es relevante, estudia el dictamen original y consulta con un profesional de protección de datos.

Qué opciones técnicas existen (hoy)

• Actuar sobre los datos de entrenamiento: eliminar los datos de la persona de los conjuntos y excluirlos de futuros ciclos.
• Reentrenar o ajustar: en el siguiente ciclo, sin los datos. Es caro, así que conviene planificarlo.
• Filtros de entrada y salida: evitar que el sistema devuelva datos personales concretos. Reducen el riesgo, pero no «borran» nada del modelo.
• Desaprendizaje automático (machine unlearning): línea de investigación activa; no la des por resuelta ni la prometas a terceros sin verificarla.
• Anonimizar antes de entrenar: la mejor medida preventiva; ver nuestra guía de anonimización y seudonimización.

Cómo prepararte: un procedimiento en cinco pasos

1. Documenta qué datos entran en cada modelo (origen, base jurídica, categorías) en tu registro de actividades y en tu inventario de sistemas de IA.
2. Evalúa el impacto cuando proceda: consulta cuándo es obligatoria la evaluación de impacto (EIPD).
3. Define el canal y el responsable para recibir solicitudes de supresión que afecten a la IA.
4. Decide con antelación qué haces (borrado en datos, filtros, calendario de reentrenamiento) y déjalo escrito.
5. Pide a tus proveedores información sobre sus datos de entrenamiento y su gestión de estas solicitudes; mira la guía de proveedores de IA.

Preguntas frecuentes

¿Tiene derecho una persona a que borren sus datos de un modelo?

Existe el derecho de supresión con excepciones; su aplicación a modelos ya entrenados exige un análisis caso por caso.

¿Es posible quitar un dato de un modelo?

No hay una solución general madura; se actúa sobre datos de entrenamiento, filtros y reentrenamientos.

¿Qué hago si recibo una solicitud?

Sigue un procedimiento documentado y responde dentro del mes.

Contenido informativo y orientativo; no constituye asesoramiento jurídico. Revisa tu caso con un profesional cualificado.