Descubra las 11 principales tecnologías de mejora de la privacidad
Incluso con normativas como el RGPD y la CCPA, los datos de los consumidores suelen quedar expuestos a piratas informáticos, empresas y gobiernos. A medida que las empresas comparten datos con terceros para mejorar la visibilidad de la red, el riesgo de filtraciones aumenta.
Las tecnologías de mejora de la privacidad (PETs) ayudan a las empresas a utilizar estos datos manteniendo privada la información personal o confidencial.
Descubra las 10 principales herramientas PET y sus casos de uso para ver cómo pueden proteger los datos y mejorar las operaciones empresariales:
¿Qué son las tecnologías de mejora de la privacidad (PETs)?
Las tecnologías de mejora de la privacidad (PETs) son una amplia gama 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 emplean diversos métodos, como la criptografía, la anonimización y la ofuscación, para proteger los datos durante el procesamiento de datos.
Al implementar PETs, las organizaciones pueden ayudar a las empresas a:
- Maximizar la seguridad de los datos reduciendo el riesgo de violaciones o filtraciones de datos
- Evitar a los actores maliciosos haciendo que los datos sean inútiles para fines malintencionados
- Facilitar la colaboración segura de datos entre departamentos e incluso organizaciones.
Para aprovechar una herramienta automatizada, aquí tiene una lista del mejor software de prevención de pérdida de datos.
¿Por qué son importantes ahora las tecnologías de mejora de la privacidad (PETs)?
Las PETs abordan tres requisitos empresariales específicos:
- Cumplimiento normativo: Las leyes de protección de datos como el RGPD y la CCPA obligan a las organizaciones a preservar los datos de los consumidores. Las empresas pueden pagar multas cuantiosas por incumplimiento.
- Un ejemplo real: Las autoridades europeas de protección de datos impusieron €1.2 mil millones (~$1,4 mil millones) en multas del RGPD, con una media de 400+ notificaciones de violaciones al día, lo que pone de relieve los crecientes riesgos de cumplimiento. 1 Las PETs pueden ofrecer una vía fiable para cumplir estas normativas, evitando sanciones legales y financieras.
- El año pasado, el TJUE resolvió 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 dataset puede ser personal para el remitente, pero anónimo para un destinatario que no puede razonablemente reidentificar a nadie. Así pues, una PET puede cambiar qué normas se aplican, no solo cuán probable es una multa.
- Intercambio seguro de datos: Es posible que los datos deban ser probados por organizaciones externas debido a la falta de autosuficiencia de su empresa en análisis y pruebas de aplicaciones. Las PETs permiten proteger la privacidad al compartir datos.
- Recientemente esto se convirtió en un problema de IA. Apple Private Cloud Compute y Meta WhatsApp Private Processing ejecutan inferencia sobre datos de usuario dentro de TEEs, 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 su empresa; las empresas o los clientes (según su business model) pueden querer dejar de interactuar con su marca. Las PETs 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 caída del precio 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 en la nube, ejecutar cálculos sobre datos cifrados sin descifrarlos (es decir, texto plano4). El propietario de los datos conserva la clave, recibe los resultados cifrados y los descifra localmente. Esto hace que la HE sea perfecta para externalizar el análisis de datos de forma segura. También es resistente a la computación cuántica.
Sin embargo, la HE se adapta mal cuando varias partes desean calcular datos compartidos utilizando distintas entradas privadas. Dado que la HE se basa en una única clave de descifrado, quien posee esa clave puede ver todos los datos brutos. Resolver ese escenario multipartito requiere en su lugar computación multipartita segura (MPC).
Algunos tipos comunes de cifrado homomórfico son:
- Cifrado homomórfico parcial: puede realizar un tipo de operación sobre datos cifrados, como sumas o multiplicaciones, pero no ambas.
- Cifrado homomórfico algo homomórfico: puede realizar más de un tipo de operación (p. ej., suma, multiplicación), pero permite un número limitado de operaciones.
- 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 calcular sobre datos cifrados. Sin embargo, la SMPC permite que múltiples partes independientes calculen conjuntamente una función sobre sus entradas colectivas. La SMPC permite a las organizaciones entrenar models sobre datasets combinados sin exponer sus datos brutos privados entre sí.
Caso de estudio de SMPC
El Consejo de la Fuerza Laboral Femenina de Boston (BWWC) busca eliminar las brechas salariales de género y raza en Boston mediante una colaboración 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 nóminas con el BWWC e investigadores de la Universidad de Boston, quienes accedieron a estadísticas agregadas. Se desarrolló una aplicación web fácil de usar para facilitar la introducción de datos por parte de las organizaciones participantes.
A partir de estas aplicaciones, el BWWC descubrió que:
- La colaboración con expertos en usabilidad es esencial, ya que las funciones de privacidad de sMPC pueden complicar los procesos de introducción de datos y la recuperación ante errores.
- sMPC es una alternativa más rápida y segura a establecer relaciones de confianza con datos sensibles.5
3. Privacidad diferencial
La privacidad diferencial protege contra el intercambio de información sobre individuos. El algoritmo criptográfico añade una capa de ruido estadístico6 al dataset que permite describir patrones de grupos dentro del dataset 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 mediante ZKP a Google Wallet, con Bumble como socio de lanzamiento, y publicó las bibliotecas en código abierto.7 La UE siguió en abril de 2026 con una aplicación de verificación de edad basada en ZKP que se probará en siete estados miembros, y eIDAS 2.0 exige que cada estado miembro ofrezca una cartera de identidad digital para finales de 2026.8
5. Entorno de ejecución confiable (TEE)
Un entorno de ejecución confiable (TEE) es una cámara acorazada segura integrada directamente en el procesador principal de una computadora. Mantiene los programas y datos que contiene completamente aislados, lo que significa que incluso si el sistema operativo principal es pirateado, la cámara permanece bloqueada. Demostrar a los usuarios externos que esta cámara es auténtica depende de un proceso de verificación llamado «atestación», que es exactamente 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, identificada como CVE-2026-33697, afectó al framework Cocos IA, y se encontraron fallos similares en Meta WhatsApp Private Processing y en Contrast de Edgeless Systems.9 Los chips y las matemáticas subyacentes se mantuvieron; el fallo estaba en la lógica de diseño del protocolo. Dado que las auditorías de seguridad estándar no detectaron este fallo, las organizaciones deben asegurarse de que los proveedores utilicen protocolos «verificados formalmente» (matemáticamente probados).
Su funcionamiento:
- El TEE proporciona un entorno de ejecución protegido donde los datos y las operaciones sensibles, como los procesos criptográficos o la autenticación segura, pueden realizarse sin interferencias del sistema principal o de posibles atacantes.
- Mantiene los datos sensibles aislados y computa operaciones en un entorno seguro, protegiendo 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 CPUs hacia las GPUs. Por ejemplo, NVIDIA introdujo la computación confidencial en GPU en H100 y la ha avanzado a través de Hopper y Blackwell.10
Caso de estudio de TEE
El Ministerio de Turismo de Indonesia tenía como objetivo generar estadísticas de turismo precisas a partir de datos de itinerancia móvil, al tiempo que abordaba las preocupaciones de privacidad al compartir datasets 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 IMSIs con hash uniforme a través de la plataforma Sharemind HI.
Como resultado, el ministerio:
- Permitió calcular con precisión la cuota de mercado de itinerancia.
- Proporcionó estadísticas mensuales de turismo basadas en datos de telefonía móvil.
- Estableció un framework para el intercambio confidencial de datos entre las partes interesadas.
- Sigue siendo la única solución conocida para analizar el solapamiento de abonados entre redes de itinerancia.
- El rendimiento es eficiente incluso en hardware comercial.11
Técnicas de enmascaramiento de datos
Algunas tecnologías de mejora de la privacidad también son 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 impedir la ingeniería inversa, preservando al mismo tiempo la funcionalidad para los usuarios autorizados.
7. Seudonimización
Los campos identificadores (campos que contienen información específica de una persona) se sustituyen por datos ficticios, como caracteres u otros datos. La seudonimización es utilizada con frecuencia por las empresas para cumplir con el RGPD.
8. Minimización de datos
Recopilar la cantidad mínima de datos personales que permite a la empresa ofrecer los elementos de un servicio.
9. Anonimizadores de comunicaciones
Los anonimizadores sustituyen la identidad en línea (dirección IP, dirección de correo electrónico) por una identidad desechable/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 le interesan las tecnologías de mejora de la privacidad porque necesita transformar sus datos en un entorno de pruebas al que tengan acceso usuarios externos, generar datos sintéticos con las mismas características estadísticas es una mejor opción.
11. Aprendizaje federado
El aprendizaje federado es una técnica de aprendizaje automático que entrena un algoritmo en múltiples dispositivos periféricos 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 debe 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 proteger contra los riesgos de reidentificación al vincular datasets de diferentes organizaciones, cumpliendo las leyes nacionales y el RGPD europeo.
Para superar este reto, el proyecto empleó aprendizaje federado que controla la ejecución de imágenes Docker aprobadas, lo que permite el procesamiento seguro de datos sin compartir datos directamente.
Como resultado, el proyecto pudo:
- Desarrollar un framework sólido de gobernanza de datos legales para respaldar los procedimientos de aprendizaje federado.
- Garantizó la privacidad y la seguridad de los datos durante el desarrollo del model pronóstico, facilitando la investigación continua.
- Identificó la necesidad de una gobernanza continua para mantener el cumplimiento ético y legal durante las fases del proyecto..12
Panorama del mercado de las PETs
El mercado de las PETs abarca una amplia variedad de herramientas, models y bibliotecas 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 mejorar la claridad, las hemos agrupado y ofrecemos una visión general completa en la imagen de portada anterior.
¿Cuáles son los principales casos de uso de las PETs?
- 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 a 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 a la libertad de los ciudadanos para realizar acuerdos y transacciones privados con otras partes.
- Servicios sanitarios: El sector sanitario recopila y comparte (cuando es necesario) los historiales clínicos 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 tales casos mediante el uso de PETs.
- Facilitar la transferencia de datos entre múltiples partes, incluidos intermediarios: Para las empresas que actúan como intermediarias entre dos partes, el uso de PETs 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 conjunto de herramientas de mejora de la privacidad (PETs) del mercado requiere un enfoque estratégico adaptado a las necesidades únicas de su empresa. Para garantizar una integración óptima y la alineación con su software stack y su infraestructura de TI, tenga en cuenta los siguientes pasos:
1. Identifique sus necesidades y objetivos
Debe identificar los problemas que pretende resolver mediante la implantación de una PET. Para ello, puede:
a.) Evalúe su panorama de datos: Identifique el volumen y la naturaleza de los datos que gestiona su empresa. Determine si son predominantemente estructurados o no estructurados, ya que esto influye en la elección de las PETs que mejor se adapten a sus requisitos.
b.) Mapee el intercambio de datos con terceros: Comprenda las complejidades del intercambio de datos con terceros. Si sus datos transitan por canales externos, dé prioridad a soluciones como el cifrado homomórfico para mantener la seguridad y la confidencialidad durante el tránsito.
c.) Defina las necesidades de acceso a los datos:
Distinga claramente el nivel de acceso requerido al dataset, evaluando si el acceso completo es esencial o si basta con acceder solo al resultado/salida. Además, considere la posibilidad de ofuscar la información de identificación personal para mejorar la privacidad.
d.)Determine la utilización de los datos: Compruebe si pretende utilizar los datos para análisis estadístico, información de mercado, entrenamiento de models de aprendizaje automático o fines similares.
2. Evalúe los distintos tipos de PETs:
Considere las tres categorías principales de PETs: herramientas criptográficas, técnicas de enmascaramiento de datos y soluciones basadas en IA, como los generadores de datos sintéticos. Identifique qué tipo se ajusta mejor a sus objetivos de privacidad y necesidades de protección de datos.
3. Preseleccione herramientas según las categorías:
Una vez identificadas las categorías de PETs relevantes para sus necesidades, preseleccione herramientas concretas dentro de cada categoría. Considere aspectos como la funcionalidad, la escalabilidad y la compatibilidad con su infraestructura existente.
4. Evalúe la infraestructura de TI:
Realice una evaluación exhaustiva de su infraestructura de TI, teniendo en cuenta las capacidades de red y computación. Esta evaluación le guiará en la selección de PETs que se integren perfectamente con los recursos de su empresa. Identifique las áreas que puedan requerir actualizaciones por motivos de compatibilidad.
5. Considere las asignaciones presupuestarias:
Sea proactivo en la planificación presupuestaria, teniendo en cuenta que las PETs pueden variar de coste. Asigne recursos en función de sus requisitos de privacidad específicos y de su capacidad financiera. Considere 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 = {{Descubra las 11 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}
}Resultados y marcas de tiempo de 31 puntos de datos. Descargue los datos utilizados en este artículo como un archivo ZIP que contiene 2 archivos CSV.
Registro de cambios
5 actualizaciones- 2026
Se eliminó un enlace de la sección "Elegir la herramienta de mejora de la privacidad adecuada para su negocio".
- 2025
Se añadió la Figura 1: Panorama de las herramientas PET.
- 2024
Se añadió un Entorno de Ejecución Confiable (TEE) a la sección de algoritmos criptográficos.
- 2023
Se añadió una sección de visión general del mercado de PETs y una sección de cómo elegir la herramienta de mejora de la privacidad adecuada para su negocio.
- 2022
Actualizados los datos de multas GDPR en la introducción.
Enlaces de referencia
El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]
A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.
Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.
Siguiente para leer
Empresas de IA empresarial: desglose del panorama
25 Aplicaciones/Casos de Uso de Gemelos Digitales por Industria
Sistemas de 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.