Explorar las 11 principales tecnologías de mejora de la privacidad
Incluso con regulaciones como GDPR y CCPA, los datos de los consumidores a menudo están expuestos a hackers, empresas y gobiernos. A medida que las empresas comparten datos con terceros para mejorar la visibilidad de la red, el riesgo de fugas aumenta.
Las Tecnologías de Mejora de la Privacidad (PET) ayudan a las empresas a utilizar estos datos manteniendo la información personal o sensible privada.
Explorar 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 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 utilizan diversos métodos, como criptografía, anonimización y ofuscación, para proteger los datos durante el procesamiento de datos.
Al implementar PET, las organizaciones pueden ayudar a las empresas a:
- Maximizar la seguridad de los datos reduciendo el riesgo de violaciones o fugas de datos
- Prevenir 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 hay 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 comerciales específicos:
- Cumplimiento normativo: Las leyes de protección de datos como GDPR y CCPA están obligando a las organizaciones a preservar los datos de los consumidores. Las empresas pueden pagar multas graves por incumplimiento.
- Un ejemplo de la vida 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 notificaciones de violaciones diarias que promedian 400+ por día, lo que destaca los crecientes riesgos de cumplimiento. 1 Las PET pueden proporcionar una forma fiable de cumplir con estas regulaciones, evitando sanciones legales y financieras.
- El año pasado, el TJUE dictaminó en EDPS contra SRB (C-413/23 P) que los datos seudonimizados no son automáticamente datos personales para todos los que los poseen.2 El mismo conjunto de datos puede ser personal para el remitente, pero anónimo para un destinatario que no puede reidentificar razonablemente a nadie. Por lo tanto, una PET puede cambiar qué reglas se aplican, no solo la probabilidad de una multa.
- Intercambio seguro de datos: Es posible que los datos deban ser probados por organizaciones de terceros debido a la falta de autosuficiencia de su empresa en análisis y pruebas de aplicaciones. Las PET permiten la protección de la privacidad durante el intercambio de datos.
- Recientemente esto se convirtió en un problema de IA. El Private Cloud Compute de Apple y el WhatsApp Private Processing de Meta ejecutan inferencia en datos de usuarios dentro de TEE, por lo que el proveedor no puede leer lo que procesa.
- Prevención de violaciones de datos: Las violaciones de privacidad pueden dañar la reputación de su empresa, las empresas o los clientes (dependiendo de su modelo de negocio) pueden querer dejar de interactuar con su marca. Las PET ayudan a proteger la información confidencial, reduciendo el riesgo de violaciones que exponen datos personales, como los detalles de las tarjetas de crédito.
- Un ejemplo de la vida real es la pérdida del precio de las acciones de Facebook después del escándalo de Cambridge Analytica.3
Los 10 principales ejemplos de tecnología de mejora de la privacidad
Algoritmos criptográficos
1. Cifrado homomórfico
El cifrado homomórfico (HE) permite a un tercero, como un proveedor de nube, ejecutar computaciones en datos cifrados sin descifrarlos nunca (es decir, texto plano). El propietario de los datos conserva la clave, recibe los resultados cifrados y los descifra localmente. Esto hace que HE sea perfecto para subcontratar el análisis de datos de forma segura. También es resistente a la computación cuántica.
Sin embargo, HE se ajusta mal cuando varias partes quieren computar datos compartidos utilizando diferentes entradas privadas. Debido a que HE se basa en una única clave de descifrado, quien posee esa clave puede ver todos los datos sin procesar. 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 en datos cifrados, como solo sumas o multiplicaciones, pero no ambas.
- Cifrado homomórfico algo homomórfico: puede realizar más de un tipo de operación (por ejemplo, suma, multiplicación) pero permite un número limitado de operaciones.
- Cifrado homomórfico completamente 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 la computación en datos cifrados. Sin embargo, SMPC permite que múltiples partes independientes calculen conjuntamente una función sobre sus entradas colectivas. SMPC permite a las organizaciones entrenar modelos en conjuntos de datos combinados sin exponer nunca sus datos privados sin procesar entre sí.
Estudio de caso de SMPC
El Consejo de la Fuerza Laboral Femenina de Boston (BWWC) busca eliminar las brechas salariales de género y raza en Boston a través de una asociación público-privada, con más de 250 empleadores que se comprometen a abordar estas disparidades firmando el “100 % Talent Compact”.
Para medir la brecha salarial en toda la ciudad, el BWWC utilizó SMPC desde 2015 hasta 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 entrada de datos por parte de las organizaciones participantes.
Basándose en estas aplicaciones, el BWWC descubrió 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 confidenciales.4
3. Privacidad diferencial
La privacidad diferencial protege contra el intercambio 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 verificación de edad ZKP a Google Wallet con Bumble como socio de lanzamiento y liberó las bibliotecas como código abierto.5 La UE siguió en abril de 2026 con una aplicación de verificación de edad basada en ZKP que se puso a prueba 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 una computadora. Mantiene los programas y datos en su interior completamente aislados, lo que significa que incluso si el sistema operativo principal es hackeado, la bóveda permanece bloqueada. Demostrar que esta bóveda es genuina a los usuarios externos se basa en un proceso de verificación llamado “atestación”, que es exactamente donde estos sistemas seguros han estado fallando últimamente.
Recientemente, los investigadores eludieron estas conexiones seguras utilizando “ataques de retransmisión”, donde los mensajes de verificación son interceptados y reenviados. Esta vulnerabilidad, rastreada como CVE-2026-33697, afectó al framework Cocos IA, con fallos similares encontrados en 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 de diseño del protocolo. Dado que las auditorías de seguridad estándar pasaron por alto este fallo, las organizaciones deben asegurarse de que los proveedores utilicen protocolos “verificados formalmente” (probados matemáticamente).
Cómo funciona:
- El TEE proporciona un entorno de ejecución protegido donde los datos y las operaciones confidenciales, como los procesos criptográficos o la autenticación segura, se pueden realizar sin interferencia del sistema principal o de posibles atacantes.
- Mantiene los datos confidenciales aislados y computa operaciones en un entorno seguro, protegiendo contra amenazas como malware o acceso no autorizado.
- Los TEE se utilizan ampliamente en dispositivos móviles, sistemas IoT y entornos de nube para realizar tareas como cifrado, gestión de derechos digitales (DRM) y protección de sistemas de pago.
- Recientemente, los TEE se han trasladado de las CPUs a las GPUs. Por ejemplo, NVIDIA introdujo la computación confidencial en GPU en la H100 y la avanzó a través de Hopper y Blackwell.8
Estudio de caso de TEE
El Ministerio de Turismo de Indonesia tuvo como objetivo generar estadísticas de turismo precisas a partir de datos de roaming móvil, abordando al mismo tiempo 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), específicamente Intel SGX, para procesar de forma segura IMSIs con hash uniforme a través de la plataforma Sharemind HI.
Como resultado, el ministerio:
- Permitió el cálculo preciso de la cuota de mercado de roaming.
- Proporcionó estadísticas mensuales de turismo 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 la superposición de suscriptores de roaming cruzado.
- El rendimiento es eficiente incluso en hardware comercial.9
Técnicas de enmascaramiento de datos
Algunas tecnologías de mejora de la privacidad también son técnicas de enmascaramiento de datos que son utilizadas por las empresas para proteger la información confidencial en 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 un individuo) se reemplazan con 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) con una identidad desechable/de un solo uso no rastreable.
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 donde los usuarios externos tengan acceso, generar datos sintéticos que tengan 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 intercambiarlos. Con la descentralización de los servidores, los usuarios también pueden lograr la minimización de datos reduciendo la cantidad de datos que deben retenerse en un servidor centralizado o en el almacenamiento en la nube.
Estudio de caso 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 temprana y la intervención de la enfermedad de las arterias coronarias. 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, adhiriéndose a las leyes nacionales y al 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 compartir datos directamente.
Como resultado, el proyecto pudo:
- Desarrollar un marco 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 modelo de pronóstico, facilitando la investigación continua.
- Identificó la necesidad de una gobernanza continua para mantener el cumplimiento ético y legal durante las fases del proyecto.10
Descripción general del mercado de PET
El mercado de PET abarca una amplia gama de herramientas, modelos y bibliotecas diseñadas para salvaguardar la privacidad de los datos. Por ejemplo, cada categoría, como generadores de datos sintéticos o 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, proporcionando 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 manejados por proveedores externos. Incluso cuando se manejan 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 a la libertad de los ciudadanos para realizar acuerdos y transacciones privadas con otras partes.
- Servicios de salud: La industria de la salud recopila y comparte (cuando es necesario) registros de salud electrónicos (EHR) de los pacientes. Por ejemplo, los datos clínicos se pueden utilizar para buscar efectos adversos de diversas combinaciones de medicamentos. Las empresas de salud garantizan la privacidad de los datos de los pacientes en tales 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 la variedad de herramientas de mejora de la privacidad (PET) en el mercado requiere un enfoque estratégico adaptado a las necesidades únicas de su empresa. Para garantizar una integración y alineación óptimas con su pila de software e infraestructura de TI, considere los siguientes pasos:
1. Identifique sus necesidades y objetivos
Debe identificar los problemas que pretende resolver implementando 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 PET 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, priorice soluciones como el cifrado homomórfico para mantener la seguridad y confidencialidad durante el tránsito.
c.) Defina las necesidades de acceso a los datos:
Distinga claramente el nivel de acceso requerido al conjunto de datos, evaluando si es esencial el acceso completo o si basta con acceder solo al resultado/salida. Además, considere la capacidad de ofuscar la información de identificación personal para mejorar la privacidad.
d.)Determine la utilización de los datos: Verifique si pretende utilizar los datos para análisis estadístico, información de mercado, entrenamiento de modelos de aprendizaje automático o fines similares.
2. Evalúe los diferentes tipos de PET:
Considere las tres categorías principales de PET que son herramientas criptográficas, técnicas de enmascaramiento de datos y soluciones basadas en IA como generadores de datos sintéticos. Identifique qué tipo se alinea mejor con sus objetivos de privacidad y necesidades de protección de datos.
3. Preseleccione herramientas según las categorías:
Una vez que haya identificado las categorías de PET relevantes para sus necesidades, preseleccione herramientas específicas 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 computacionales. Esta evaluación le guiará en la selección de PET que se integren perfectamente con los recursos de su empresa. Identifique las áreas que puedan requerir actualizaciones para la compatibilidad.
5. Considere las asignaciones presupuestarias:
Sea proactivo en la planificación presupuestaria, reconociendo que las PET pueden variar en costo. Asigne recursos en función de sus requisitos de privacidad específicos y su capacidad financiera. Considere factores como la escalabilidad, el mantenimiento y los posibles costes adicionales asociados con 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 = {{Explorar 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}
}Enlaces de referencia
El trabajo de Cem ha sido citado por publicaciones globales líderes como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea.
A lo largo de su carrera, Cem se ha desempeñado 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.
Lideró la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando directamente al CEO. También lideró el crecimiento comercial de la empresa de tecnología profunda Hypatos, que alcanzó 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 habla regularmente en conferencias internacionales de tecnología. Se graduó de la Universidad de Bogazici como ingeniero informático y tiene un MBA de Columbia Business School.
Siguiente para leer
Empresas de IA empresarial: Análisis del panorama
25 Aplicaciones de Gemelos Digitales/ Casos de Uso por Industria
Sistemas de CRM con IA: Los 5 principales proveedores y características 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.