Las Tecnologías PET son un conjunto de herramientas, sistemas y procesos cuyo objetivo es la protección de los datos personales. Pero, ¿cuáles son exactamente estas tecnologías, dónde y cómo se utilizan y qué beneficios ofrecen?
Contenido del artículo
¿Qué son las Tecnologías PET?
Las tecnologías de mejora de la privacidad (PETs) permiten proteger los datos personales durante su uso. Evitan que terceros no autorizados accedan a información sensible, incluso cuando se analiza, procesa o comparte.
Estas tecnologías son clave para garantizar el cumplimiento normativo, preservar la confianza de los usuarios y habilitar nuevas formas de colaboración sin comprometer la privacidad.
Tipos de tecnologías de mejora de la privacidad (PETs)
¿Cuáles son las Tecnologías PET más usadas en la actualidad? A continuación vemos algunos de los tipos más frecuentes.
| Tecnología TEC | Descripción |
|---|---|
| Datos sintéticos |
|
| Privacidad diferencial |
|
| Computación confidencial |
|
| Cifrado homomórfico |
|
| Cálculo multipartito seguro (SMC) |
|
| Aprendizaje federado |
|
| Entornos de ejecución confiables (TEEs) |
|
Datos sintéticos
Los datos sintéticos son conjuntos de datos generados artificialmente a partir de datos reales. Reproducen las mismas estructuras, patrones y correlaciones estadísticas, pero no contienen información personal identificable.
Su utilidad radica en permitir el desarrollo, prueba y validación de modelos de inteligencia artificial sin comprometer la privacidad. Se utilizan, por ejemplo, en entornos donde el acceso a datos reales está restringido por ley o ética, como en el sector salud o financiero.
Generar datos sintéticos también facilita el trabajo colaborativo entre organizaciones, al eliminar el riesgo de exponer información sensible.
Privacidad diferencial
La privacidad diferencial es una técnica matemática que añade un nivel controlado de aleatoriedad (ruido) a los resultados de consultas o análisis de datos. Con ello, se asegura que no sea posible identificar a ningún individuo dentro del conjunto analizado, incluso cuando se combinan múltiples fuentes.
Esta tecnología es especialmente útil cuando se trabaja con grandes volúmenes de datos estadísticos. Permite obtener insights globales y realizar estudios demográficos o de comportamiento sin vulnerar la privacidad de las personas.
Se ha convertido en un estándar en organismos públicos y grandes empresas tecnológicas para publicar datos agregados con garantías de anonimato.
Computación confidencial
La computación confidencial protege los datos durante su procesamiento. Esto se consigue utilizando enclaves seguros (también llamados entornos de ejecución confiables) que aíslan la información en memoria y evitan accesos no autorizados, incluso desde el propio sistema operativo o proveedor de servicios en la nube.
Esta tecnología permite realizar análisis complejos sobre datos sensibles sin que estos salgan del entorno protegido. Es especialmente relevante en la nube, donde múltiples clientes comparten infraestructuras.
Permite cumplir con regulaciones de privacidad al garantizar que los datos permanecen protegidos en uso, no solo en reposo o en tránsito.
Cifrado homomórfico
El cifrado homomórfico permite realizar operaciones y cálculos sobre datos que están cifrados en todo momento. Es decir, se puede analizar o procesar la información sin necesidad de descifrarla.
Este enfoque elimina uno de los principales puntos débiles en la protección de datos: el momento en que deben ser descifrados para ser utilizados. Al mantenerlos cifrados durante toda su vida útil, se reduce drásticamente el riesgo de exposición.
Aunque todavía presenta retos de rendimiento, su uso se está extendiendo en entornos donde la confidencialidad es crítica, como finanzas, sanidad o defensa.
Cálculo multipartito seguro (SMC)
El cálculo multipartito seguro permite que varias partes colaboren en un mismo análisis sin tener que compartir entre ellas los datos originales. Cada participante cifra su información y el sistema solo revela el resultado final del cálculo.
Esto es útil en investigaciones conjuntas, estudios de mercado o alianzas estratégicas entre empresas donde se desea colaborar sin ceder información sensible o propietaria.
El protocolo garantiza que ninguna de las partes pueda acceder a los datos del resto, lo que refuerza la confianza entre los participantes y permite nuevas formas de colaboración segura.
Aprendizaje federado
El aprendizaje federado es una técnica de entrenamiento de modelos de inteligencia artificial sin necesidad de centralizar los datos. En lugar de enviar los datos al servidor, el modelo viaja a los dispositivos o servidores locales, se entrena allí, y solo se devuelven los ajustes del modelo.
De este modo, la información sensible permanece siempre en origen, sin ser compartida ni copiada. Se utiliza en móviles, wearables, hospitales y otras aplicaciones donde los datos deben permanecer en local.
Este enfoque permite construir modelos robustos sin comprometer la privacidad de los usuarios.
Entornos de ejecución confiables (TEEs)
Los entornos de ejecución confiables son zonas seguras dentro del hardware, aisladas del resto del sistema. Se utilizan para procesar operaciones críticas o sensibles, como cifrados, claves privadas o análisis de datos protegidos.
Nadie, ni siquiera el sistema operativo, puede acceder a lo que ocurre dentro del TEE. Esto garantiza que los datos y el código se ejecuten con máxima seguridad.
Los TEEs forman parte esencial de otras tecnologías PET, como la computación confidencial, y se integran en chips y servidores modernos para reforzar la protección de extremo a extremo.
Ventajas de utilizar tecnologías de mejora de la privacidad
Estos son algunos de los principales beneficios de las Tecnologías PET:
- Privacidad reforzada para las personas
Las PETs permiten que los usuarios mantengan el control sobre sus datos. Evitan filtraciones de identidad, fraudes o vigilancia no deseada. - Reducción del riesgo de brechas de datos
El uso de cifrado y anonimización reduce el impacto en caso de ataque o fuga de información. Los datos permanecen inutilizables para terceros. - Mayor confianza en plataformas digitales
Al adoptar PETs, las empresas demuestran su compromiso con la privacidad. Esto mejora su imagen y la relación con sus clientes. - Experiencias digitales más seguras y personalizadas
Es posible ofrecer recomendaciones y contenidos relevantes sin vulnerar la privacidad. Las PETs permiten personalizar sin recopilar datos personales directamente. - Cumplimiento normativo para las organizaciones
Ayudan a cumplir con leyes como el RGPD, la CCPA o la HIPAA. Reducen el riesgo de sanciones y garantizan auditorías más sencillas. - Colaboración segura con terceros
Permiten trabajar con socios o investigadores sin compartir datos personales. La información se mantiene cifrada o anonimizada durante todo el proceso. - Minimización de datos
Facilitan trabajar con la mínima cantidad de información necesaria. Se evita el almacenamiento innecesario de datos sensibles. - Prevención del uso indebido de datos
Solo los usuarios autorizados acceden a la información. Se evita que los datos se utilicen con fines no previstos o se vendan a terceros. - Fomento de la innovación sin renunciar a la privacidad
Es posible desarrollar nuevas soluciones de IA, análisis y personalización sin comprometer la confidencialidad. - Reducción de riesgos legales y financieros
Las PETs evitan sanciones, demandas y pérdidas reputacionales al garantizar la protección de los datos personales.
Ejemplos reales del uso de tecnologías de mejora de la privacidad
Las tecnologías PETs ya se están utilizando en sectores clave. Permiten aprovechar el valor de los datos sin poner en riesgo la privacidad de las personas ni incumplir la normativa. A continuación, se muestran ejemplos reales que ilustran cómo se aplican en distintos ámbitos.
| Sector | Ejemplo de uso |
|---|---|
| Sanidad y salud | iCARE4CVD usa datos sintéticos, cifrado y aprendizaje federado para entrenar modelos de IA sin compartir datos clínicos identificables. |
| Sanidad y salud | NVIDIA Clara aplica aprendizaje federado para desarrollar modelos predictivos entre hospitales sin intercambiar historiales clínicos. |
| Servicios financieros | Decentriq y el Banco Nacional Suizo analizaron ciberataques mediante computación confidencial sin exponer datos sensibles. |
| Servicios financieros | Azure Confidential Computing con Intel SGX permite a bancos procesar datos cifrados en entornos seguros en la nube. |
| Publicidad digital | Samsung usó Decentriq para ejecutar campañas sin revelar datos personales mediante correspondencia de datos encriptados. |
| Publicidad digital | Google Privacy Sandbox permite segmentar anuncios sin rastrear usuarios, usando agregación de datos y segmentación local. |
| Estudios de mercado | IM Associates aplica PETs en clean rooms para comparativas farmacéuticas sin revelar datos de clientes. |
| Estudios de mercado | SDV (MIT) genera datos sintéticos para análisis sin comprometer información confidencial. |
| Ciberseguridad | Bancos suizos compartieron patrones de phishing usando computación confidencial sin revelar registros propios. |
| Ciberseguridad | Empresas aplican SMPC para detectar amenazas cruzadas sin compartir logs originales cifrados. |
| Cumplimiento y auditoría | Multinacionales usan clean rooms para auditorías sin exponer datos personales sensibles. |
| Cumplimiento y auditoría | Decentriq ofrece salas seguras donde solo se permiten análisis predeterminados, cumpliendo con el principio de minimización del RGPD. |
Sanidad y salud
En el sector sanitario, los datos personales son especialmente sensibles. Las PETs permiten compartir información médica sin comprometer la confidencialidad del paciente.
Ejemplo real: iCARE4CVD
El consorcio europeo iCARE4CVD utiliza una plataforma basada en tecnologías PET para entrenar modelos de IA con datos clínicos protegidos. Gracias al uso de datos sintéticos, cifrado y aprendizaje federado, los hospitales pueden colaborar sin intercambiar información identificable, cumpliendo con el RGPD.
Ejemplo tecnológico: Federated Learning en NVIDIA Clara
NVIDIA ha implementado aprendizaje federado en su plataforma médica Clara para permitir el desarrollo de modelos predictivos entre hospitales, sin compartir historiales clínicos reales.
Servicios financieros
Las instituciones financieras utilizan PETs para proteger los datos bancarios durante transacciones, análisis de riesgos o prevención del fraude.
Ejemplo real: Decentriq + Swiss National Bank
Decentriq, una empresa suiza especializada en data clean rooms, ha colaborado con el Banco Nacional Suizo, SIX y el banco Cantonal de Zúrich. Utilizaron computación confidencial para analizar datos sobre ciberataques sin exponer información sensible entre entidades.
Ejemplo tecnológico: Intel SGX + Confidencial Computing
La plataforma Azure Confidential Computing de Microsoft, basada en Intel SGX, permite a bancos procesar datos cifrados en entornos seguros (TEEs) en la nube, protegiendo tanto los datos en tránsito como en uso.
Publicidad digital
La industria del marketing ha adoptado PETs para cumplir con la normativa de cookies y proteger la privacidad del usuario sin perder capacidad de segmentación.
Ejemplo real: Samsung + Decentriq
Samsung utilizó tecnología de datos encriptados sobre la plataforma de Decentriq para hacer correspondencia de datos entre distintas plataformas publicitarias. De este modo, activaron campañas sin revelar datos personales entre medios y marcas.
Ejemplo tecnológico: Privacy Sandbox de Google
Google está desarrollando la Privacy Sandbox como alternativa a las cookies de terceros. Utiliza técnicas como la agregación de datos y la segmentación local en el navegador, lo que permite personalizar anuncios sin rastrear a los usuarios.
Estudios de mercado
Las consultoras y marcas pueden realizar investigaciones y benchmarking sin compartir los datos reales de sus clientes.
Ejemplo real: IM Associates
Esta empresa de estudios de mercado en el sector salud utiliza clean rooms basados en PETs para realizar comparativas entre compañías farmacéuticas. La tecnología permite realizar análisis conjuntos sin exponer datos brutos ni depender de intermediarios de anonimización.
Ejemplo tecnológico: Synthetic Data Vault (SDV)
La biblioteca SDV, desarrollada por el MIT, permite generar datos sintéticos realistas para análisis de mercado sin comprometer información confidencial. Es usada por empresas que buscan insights sin violar la privacidad de los usuarios.
Ciberseguridad
Las PETs permiten que empresas compartan información sobre amenazas sin revelar datos técnicos confidenciales o vulnerabilidades internas.
Ejemplo real: Colaboración entre bancos suizos con Decentriq
En el proyecto suizo mencionado, además de análisis financieros, los bancos compartieron información sobre patrones de ataques phishing. Gracias a la computación confidencial, pudieron identificar amenazas comunes sin revelar sus propios registros.
Ejemplo tecnológico: Secure Multi-Party Computation (SMPC)
Empresas de ciberseguridad están empezando a usar SMPC para realizar análisis colaborativos de logs de seguridad cifrados. De este modo, se pueden detectar amenazas cruzadas sin compartir los datos originales.
Cumplimiento y auditoría
Las empresas pueden demostrar que cumplen con normativas como el RGPD sin exponer los datos reales durante las auditorías o revisiones de cumplimiento.
Ejemplo real: Clean Rooms para informes de cumplimiento
Varias multinacionales están utilizando clean rooms con acceso controlado para permitir a los auditores realizar verificaciones sobre conjuntos de datos sensibles sin extraer ni ver datos personales. Esta metodología se ha aplicado en sectores como salud, seguros y comercio electrónico.
Ejemplo tecnológico: Confidential Clean Rooms de Decentriq
Las salas seguras de Decentriq se basan en enclaves de computación confidencial. Solo se permite el acceso a ciertos análisis predeterminados, sin posibilidad de descargar o visualizar datos originales. Esto ayuda a cumplir con el principio de minimización de datos del RGPD.
Cómo las PETs permiten colaborar sin renunciar a la privacidad
Las tecnologías de mejora de la privacidad (PETs) hacen posible la colaboración entre organizaciones sin que ninguna de ellas tenga que ceder sus datos sensibles. A continuación, se describen tres enfoques relevantes que permiten compartir conocimiento o realizar análisis conjuntos sin comprometer la confidencialidad:
Data clean rooms (entornos de datos seguros)
Son entornos virtuales controlados en los que varias entidades pueden cargar sus datos y ejecutar análisis sobre ellos sin que los datos salgan del entorno ni puedan ser vistos por las otras partes. Gracias al uso de tecnologías como la computación confidencial y el cifrado homomórfico, los clean rooms garantizan que la información se mantenga protegida en todo momento. Son especialmente útiles en sectores como salud, marketing y finanzas, donde la colaboración es clave pero la privacidad es crítica.
Ecosistemas cerrados (walled gardens)
Se trata de plataformas propietarias que ofrecen soluciones de análisis y segmentación de datos, pero limitan el acceso y el control sobre la información. En estos entornos, los datos no pueden salir del sistema, y las partes externas deben depender de la plataforma para obtener resultados. Aunque ofrecen cierta protección, su transparencia es reducida y suelen requerir acuerdos contractuales para su uso. Un ejemplo típico serían las grandes plataformas de publicidad digital como Facebook o Amazon.
Google Privacy Sandbox
Es una propuesta desarrollada por Google para reemplazar las cookies de terceros por mecanismos más respetuosos con la privacidad del usuario. Opera desde el navegador y permite segmentar audiencias o medir conversiones sin identificar a individuos. Aunque representa un avance en privacidad desde el lado del consumidor, su enfoque no está orientado a la colaboración entre entidades, como en el caso de los data clean rooms, ya que la información no se comparte ni se analiza de forma conjunta entre organizaciones.
En resumen, las PETs evolucionan a gran velocidad. Se espera que el cifrado homomórfico sea cada vez más eficiente. El aprendizaje federado y la computación confidencial ganan protagonismo en IA y análisis de datos. También se trabaja en normas internacionales que faciliten la interoperabilidad. La privacidad será un pilar fundamental y es necesario adaptarse.
