Explora las 10 principales tecnologías de mejora de la privacidad
Incluso con normativas como el GDPR y la CCPA, los datos de los consumidores a menudo quedan expuestos a piratas informáticos, empresas y gobiernos. A medida que las empresas comparten datos con terceros para mejorar la visibilidad de la red, crece el riesgo de filtraciones.
Las Tecnologías de Mejora de la Privacidad (PET) ayudan a las empresas a utilizar estos datos manteniendo la privacidad de la información personal o sensible.
Explora las 10 principales herramientas PET y sus casos de uso para ver cómo pueden proteger los datos y mejorar las operaciones comerciales:
¿Qué son las tecnologías de mejora de la privacidad (PET)?
Las tecnologías de mejora de la privacidad (PET) son un amplio conjunto de tecnologías (soluciones de hardware o software) para garantizar la privacidad y la protección de datos, al tiempo que permiten a las organizaciones extraer valor de los datos y liberar todo su potencial comercial, científico y social. Estas tecnologías utilizan diversos métodos, como la criptografía, la anonimización y la ofuscación, para proteger los datos durante su procesamiento.
Al implementar PET, las organizaciones pueden ayudar a las empresas:
- Maximizando la seguridad de los datos al reducir el riesgo de violaciones o fugas de datos
- Evitando a los actores maliciosos al hacer que los datos sean inútiles para fines maliciosos
- Facilitando la colaboración segura de datos entre departamentos e incluso entre organizaciones.
Para aprovechar una herramienta automatizada, aquí tienes una lista del mejor software de prevención de pérdida de datos.
¿Por qué son importantes ahora las tecnologías de mejora de la privacidad (PET)?
Las PET abordan tres requisitos empresariales específicos:
- Cumplimiento normativo: Leyes de protección de datos como el GDPR y la CCPA obligan a las organizaciones a preservar los datos de los consumidores. Las empresas pueden enfrentarse a multas graves por incumplimiento.
- Un ejemplo real: Las autoridades europeas de protección de datos impusieron multas por GDPR de 1.2 mil millones de euros (~1.4 mil millones de dólares), con una media diaria de notificaciones de violaciones superior a 400, lo que pone de relieve los crecientes riesgos de cumplimiento. 1 Las PET pueden proporcionar una forma fiable de cumplir con estas normativas, evitando sanciones legales y financieras.
- El año pasado, el TJUE sostuvo en el asunto EDPS contra SRB (C-413/23 P) que los datos seudonimizados no son automáticamente datos personales para todo aquel que los posea.2 El mismo conjunto de datos puede ser personal para el remitente pero anónimo para un destinatario que no pueda razonablemente reidentificar a nadie. Así, una PET puede cambiar qué normas se aplican, no solo la probabilidad de una multa.
- Intercambio seguro de datos: Los datos pueden necesitar ser probados por organizaciones terceras debido a la falta de autosuficiencia de tu empresa en análisis y pruebas de aplicaciones. Las PET permiten la protección de la privacidad al compartir datos.
- Recientemente, esto se convirtió en un problema de IA. El Private Cloud Compute de Apple y el WhatsApp Private Processing de Meta ejecutan la inferencia en datos de usuario dentro de TEE, de modo que el proveedor no puede leer lo que procesa.
- Prevención de violaciones de datos: Las violaciones de la privacidad pueden dañar la reputación de tu empresa; los clientes o las empresas (según tu modelo de negocio) pueden querer dejar de interactuar con tu marca. Las PET ayudan a salvaguardar la información sensible, reduciendo el riesgo de violaciones que expongan datos personales, como los datos de tarjetas de crédito.
- Un ejemplo real es la pérdida de valor de las acciones de Facebook tras el escándalo de Cambridge Analytica.3
Los 10 principales ejemplos de tecnologías de mejora de la privacidad
Algoritmos criptográficos
1. Cifrado homomórfico
El cifrado homomórfico (HE) permite a un tercero, como un proveedor de nube, ejecutar cálculos sobre datos cifrados sin tener que descifrarlos (es decir, texto plano). El propietario de los datos conserva la clave, recibe los resultados cifrados y los descifra localmente. Esto hace que el HE sea perfecto para externalizar el análisis de datos de forma segura. También es resistente a la computación cuántica.
Sin embargo, el HE no se adapta bien cuando varias partes quieren calcular datos compartidos utilizando diferentes entradas privadas. Dado que el HE depende de una única clave de descifrado, quien posee esa clave puede ver todos los datos en bruto. Resolver ese escenario multipartita requiere computación multipartita segura (MPC) en su lugar.
Algunos tipos comunes de cifrado homomórfico son:
- Cifrado homomórfico parcial: puede realizar un tipo de operación sobre datos cifrados, como solo sumas o multiplicaciones, pero no ambas.
- Cifrado homomórfico algo: puede realizar más de un tipo de operación (por ejemplo, suma, multiplicación), pero solo un número limitado de ellas.
- Cifrado totalmente homomórfico: puede realizar más de un tipo de operación y no hay restricción en el número de operaciones realizadas.
2. Computación multipartita segura (SMPC)
Al igual que el cifrado homomórfico (HE), la computación multipartita segura (SMPC) permite cálculos sobre datos cifrados. Sin embargo, la SMPC permite que múltiples partes independientes calculen conjuntamente una función sobre sus datos colectivos. La SMPC permite a las organizaciones entrenar modelos en conjuntos de datos combinados sin exponer nunca sus datos privados en bruto entre sí.
Caso de estudio de SMPC
El Boston Women’s Workforce Council (BWWC) busca eliminar las brechas salariales de género y raza en Boston a través de una asociación público-privada, con más de 250 empleadores comprometidos a abordar estas disparidades firmando el “100% Talent Compact”.
Para medir la brecha salarial en toda la ciudad, el BWWC utilizó SMPC de 2015 a 2023, analizando datos salariales de una sexta parte de los empleados locales sin revelar salarios individuales. Los empleadores compartieron datos de nómina con el BWWC y los investigadores de la Universidad de Boston, quienes accedieron a estadísticas agregadas. Se desarrolló una aplicación web fácil de usar para la introducción de datos por parte de las organizaciones participantes.
Basándose en estas aplicaciones, el BWWC encontró que:
- La colaboración con expertos en usabilidad es esencial, ya que las características de privacidad de sMPC pueden complicar los procesos de entrada de datos y la recuperación de errores.
- sMPC es una alternativa más rápida y segura para establecer relaciones de confianza con datos sensibles.4
3. Privacidad diferencial
La privacidad diferencial protege contra la difusión de información sobre individuos. El algoritmo criptográfico añade una capa de “ruido estadístico” al conjunto de datos, que permite describir patrones de grupos dentro del conjunto de datos manteniendo la privacidad de los individuos.
4. Pruebas de conocimiento cero (ZKP)
Las pruebas de conocimiento cero utilizan un conjunto de algoritmos criptográficos que permiten validar información sin revelar los datos que la prueban.
Google añadió la verificación de edad ZKP a Google Wallet, con Bumble como socio de lanzamiento, y liberó las librerías como código abierto.5 La UE siguió en abril de 2026 con una aplicación de verificación de edad basada en ZKP, que se está pilotando en siete estados miembros, y eIDAS 2.0 exige que cada estado miembro ofrezca una cartera de identidad digital para finales de 2026.6
5. Entorno de ejecución confiable (TEE)
Un Entorno de Ejecución Confiable (TEE) es una bóveda segura integrada directamente en el procesador principal de un ordenador. Mantiene los programas y datos que contiene completamente aislados, lo que significa que incluso si el sistema operativo principal es hackeado, la bóveda permanece protegida. Demostrar a los usuarios externos que esta bóveda es auténtica depende de un proceso de verificación llamado “atestación”, que es precisamente donde estos sistemas seguros han estado fallando últimamente.
Recientemente, los investigadores eludieron estas conexiones seguras mediante “ataques de retransmisión”, en los que los mensajes de verificación son interceptados y reenviados. Esta vulnerabilidad, registrada como CVE-2026-33697, afectó al framework de IA Cocos, y se encontraron fallos similares en el WhatsApp Private Processing de Meta y en Contrast de Edgeless Systems.7 Los chips y las matemáticas subyacentes se mantuvieron; el fallo estuvo en la lógica del diseño del protocolo. Dado que las auditorías de seguridad estándar no detectaron este fallo, las organizaciones deben asegurarse de que los proveedores utilicen protocolos “formalmente verificados” (matemáticamente probados).
Así funciona:
- El TEE proporciona un entorno de ejecución protegido donde los datos y operaciones sensibles, como procesos criptográficos o autenticación segura, pueden realizarse sin interferencias del sistema principal o de posibles atacantes.
- Mantiene los datos sensibles aislados y computa las operaciones en un entorno seguro, protegiéndolos contra amenazas como malware o accesos no autorizados.
- Los TEE se utilizan ampliamente en dispositivos móviles, sistemas IoT y entornos en la nube para realizar tareas como cifrado, gestión de derechos digitales (DRM) y protección de sistemas de pago.
- Recientemente, los TEE han ido más allá de las CPU hacia las GPU. Por ejemplo, NVIDIA introdujo la computación confidencial en GPU en H100 y la ha avanzado a través de Hopper y Blackwell.8
Caso de estudio de TEE
El Ministerio de Turismo de Indonesia pretendía generar estadísticas turísticas precisas a partir de datos de roaming móvil, al tiempo que abordaba las preocupaciones de privacidad al compartir conjuntos de datos de dos operadores de redes móviles (MNO). La tecnología utilizada fue un Entorno de Ejecución Confiable (TEE), concretamente Intel SGX, para procesar de forma segura IMSI uniformemente hasheados a través de la plataforma Sharemind HI.
Como resultado, el ministerio:
- Permitió el cálculo preciso de la cuota de mercado de roaming.
- Proporcionó estadísticas de turismo mensuales basadas en datos de teléfonos móviles.
- Estableció un marco para el intercambio confidencial de datos entre las partes interesadas.
- Sigue siendo la única solución conocida para analizar el solapamiento de abonados en roaming cruzado.
- El rendimiento es eficiente incluso en hardware comercial.9
Técnicas de enmascaramiento de datos
Algunas tecnologías de mejora de la privacidad son también técnicas de enmascaramiento de datos que las empresas utilizan para proteger la información sensible de sus conjuntos de datos.
6. Ofuscación
La ofuscación es una técnica de enmascaramiento de datos que complica los datos para dificultar la ingeniería inversa, preservando al mismo tiempo la funcionalidad para los usuarios autorizados.
7. Seudonimización
Los campos identificativos (campos que contienen información específica de un individuo) se sustituyen por datos ficticios, como caracteres u otros datos. La seudonimización es utilizada con frecuencia por las empresas para cumplir con el GDPR.
8. Minimización de datos
Recopilar la cantidad mínima de datos personales que permita a la empresa proporcionar los elementos de un servicio.
9. Anonimizadores de comunicación
Los anonimizadores reemplazan la identidad en línea (dirección IP, dirección de correo electrónico) por una identidad desechable o de un solo uso imposible de rastrear.
Métodos de privacidad basados en IA
10. Generación de datos sintéticos
Los datos sintéticos son datos creados artificialmente mediante diferentes algoritmos, incluidos los algoritmos de ML. Si te interesan las tecnologías de mejora de la privacidad porque necesitas transformar tus datos en un entorno de pruebas al que tengan acceso usuarios terceros, generar datos sintéticos que tengan las mismas características estadísticas es una opción mejor.
11. Aprendizaje federado
El aprendizaje federado es una técnica de aprendizaje automático que entrena un algoritmo en múltiples dispositivos de borde descentralizados o servidores que contienen muestras de datos locales, sin intercambiarlas. Con la descentralización de los servidores, los usuarios también pueden lograr la minimización de datos reduciendo la cantidad de datos que deben conservarse en un servidor centralizado o en el almacenamiento en la nube.
Caso de estudio de aprendizaje federado
El proyecto CARRIER utiliza el procesamiento secundario de datos médicos, de estilo de vida y personales para estimar riesgos y permitir la detección e intervención tempranas de la enfermedad arterial coronaria. Sin embargo, debe garantizar el cumplimiento de las normas legales y protegerse contra los riesgos de reidentificación al vincular conjuntos de datos de diferentes organizaciones, respetando las leyes nacionales y el GDPR europeo.
Para superar este desafío, el proyecto empleó aprendizaje federado que controla la ejecución de imágenes Docker aprobadas, permitiendo el procesamiento seguro de datos sin compartirlos directamente.
Como resultado, el proyecto pudo:
- Desarrollar un sólido marco de gobernanza legal de datos para apoyar los procedimientos de aprendizaje federado.
- Garantizar la privacidad y la seguridad de los datos durante el desarrollo del modelo pronóstico, facilitando la investigación continua.
- Identificar la necesidad de una gobernanza continua para mantener el cumplimiento ético y legal durante las fases del proyecto..10
Panorama del mercado de las PET
El mercado de las PET abarca un amplio abanico de herramientas, modelos y librerías diseñadas para salvaguardar la privacidad de los datos. Por ejemplo, cada categoría, como los generadores de datos sintéticos o las herramientas de enmascaramiento de datos, cuenta con más de 20 herramientas distintas.
Estas herramientas son difíciles de preseleccionar individualmente debido a su gran diversidad. Para mayor claridad, las hemos agrupado, ofreciendo una visión general completa en la imagen de portada anterior.
¿Cuáles son los principales casos de uso de las PET?
- Gestión de datos de prueba: Las pruebas de aplicaciones y el análisis de datos a veces son gestionados por proveedores externos. Incluso cuando se gestionan internamente, las empresas deben minimizar el acceso interno a los datos de los clientes. Utilizar una PET adecuada que no afecte significativamente los resultados de las pruebas es importante para las organizaciones.
- Transacciones financieras: Las instituciones financieras son responsables de proteger la privacidad de los clientes debido al derecho de los ciudadanos a realizar acuerdos y transacciones privadas con otras partes.
- Servicios sanitarios: El sector sanitario recopila y comparte (cuando es necesario) los historiales médicos electrónicos (EHR) de los pacientes. Por ejemplo, los datos clínicos pueden utilizarse para buscar efectos adversos de diversas combinaciones de fármacos. Las empresas sanitarias garantizan la privacidad de los datos de los pacientes en estos casos mediante el uso de PET.
- Facilitar la transferencia de datos entre múltiples partes, incluidos intermediarios: Para las empresas que actúan como intermediarias entre dos partes, el uso de PET es crucial, ya que estas empresas son responsables de proteger la privacidad de la información de ambas partes.
Añadir como fuente preferidaPreguntas frecuentes
Navegar por el abanico de herramientas de mejora de la privacidad (PET) del mercado requiere un enfoque estratégico adaptado a las necesidades únicas de tu empresa. Para garantizar una integración óptima y una alineación con tu stack de software y tu infraestructura de TI, considera los siguientes pasos:
1. Identifica tus necesidades y objetivos
Debes identificar los problemas que pretendes resolver implementando una PET. Para ello puedes:
a.) Evalúa tu panorama de datos: Identifica el volumen y la naturaleza de los datos que gestiona tu empresa. Determina si son predominantemente estructurados o no estructurados, ya que esto influye en la elección de las PET que mejor se adapten a tus requisitos.
b.) Mapea el intercambio de datos con terceros: Comprende las complejidades del intercambio de datos con terceros. Si tus datos transitan por canales externos, prioriza soluciones como el cifrado homomórfico para mantener la seguridad y confidencialidad durante el tránsito.
c.) Define las necesidades de acceso a los datos:
Distingue claramente el nivel de acceso necesario al conjunto de datos, evaluando si es esencial el acceso completo o si basta con acceder solo al resultado/salida. Además, considera la capacidad de ofuscar la información de identificación personal para una mayor privacidad.
d.) Determina la utilización de los datos: Comprueba si pretendes utilizar los datos para análisis estadísticos, estudios de mercado, entrenamiento de modelos de aprendizaje automático o fines similares.
2. Evalúa los diferentes tipos de PET:
Considera las tres categorías principales de PET, que son las herramientas criptográficas, las técnicas de enmascaramiento de datos y las soluciones basadas en IA, como los generadores de datos sintéticos. Identifica qué tipo se alinea mejor con tus objetivos de privacidad y necesidades de protección de datos.
3. Preselecciona herramientas en función de las categorías:
Una vez que hayas identificado las categorías de PET relevantes para tus necesidades, preselecciona herramientas específicas dentro de cada categoría. Considera aspectos como la funcionalidad, la escalabilidad y la compatibilidad con tu infraestructura existente.
4. Evalúa la infraestructura de TI:
Realiza una evaluación exhaustiva de tu infraestructura de TI, teniendo en cuenta las capacidades de red y computacionales. Esta evaluación te guiará en la selección de PET que se integren perfectamente con tus recursos empresariales. Identifica las áreas que puedan requerir actualizaciones para la compatibilidad.
5. Ten en cuenta las asignaciones presupuestarias:
Sé proactivo en la planificación presupuestaria, reconociendo que las PET pueden variar en coste. Asigna recursos en función de tus necesidades específicas de privacidad y tu capacidad financiera. Considera factores como la escalabilidad, el mantenimiento y los posibles costes adicionales asociados a la solución PET elegida.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Explora las 10 principales tecnologías de mejora de la privacidad}},
year = {2026},
month = jul,
howpublished = {\url{https://aimultiple.com/privacy-enhancing-technologies}},
note = {AIMultiple. Recuperado el 16 de Julio de 2026}
}Enlaces de referencia
Siguiente para leer
Empresas de IA empresarial: Análisis del panorama
25 Aplicaciones/Casos de Uso de Gemelos Digitales por Industria
Sistemas CRM con IA: Los 5 principales proveedores y funciones clave
Los 15 principales casos de uso y ejemplos de IA en logística
Chatbots Bancarios: 8 Herramientas, 5 Casos de Uso y Prácticas
Estado de la tecnología OCR: ¿Está muerta o es un problema resuelto?
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.