Metodología de Anonimización y Pseudonimización
Cuándo anonimizar frente a pseudonimizar, qué técnica usar según el caso, y cómo verificar de verdad que el resultado protege a las personas — no solo que "parece" anónimo.
Qué incluye
- PDF con el árbol de decisión anonimizar vs. pseudonimizar según el caso de uso, y las técnicas principales (generalización, supresión, ruido estadístico, tokenización)
- Excel con checklist de verificación: cómo comprobar que la anonimización resiste los 3 riesgos de reidentificación (singularización, vinculabilidad, inferencia)
- Aviso Legal
Por qué existe este documento
"Anonimizado" es una de las palabras más mal usadas en protección de datos — muchas empresas eliminan el nombre y el email de un dataset y lo llaman anónimo, cuando en realidad basta cruzarlo con otra fuente para reidentificar a la persona (código postal + fecha de nacimiento + género ya identifica a la mayoría de la población). Esta metodología da un proceso concreto para elegir la técnica correcta y, sobre todo, para verificarla — en vez de asumir que "quitar el nombre" es suficiente.
Preguntas frecuentes
¿Cuál es la diferencia entre anonimizar y pseudonimizar?
Un dato anonimizado no puede volver a asociarse con una persona por ningún medio razonable — deja de ser dato personal a efectos del RGPD. Un dato pseudonimizado sustituye los identificadores directos por un código, pero sigue siendo dato personal.
¿Por qué usar datos de entrenamiento de IA hace esto especialmente relevante?
Un modelo entrenado con datos mal anonimizados puede memorizar y filtrar información identificable en sus respuestas. Verificar de verdad la anonimización antes de entrenar reduce ese riesgo.
¿En qué formato se entrega?
PDF con la metodología y árbol de decisión, más Excel con checklist de verificación por técnica aplicada.