Técnicas de anonimización de datos explicadas con ejemplos

Las principales técnicas de anonimización de datos son el enmascaramiento, la generalización, la agregación, el ruido, el intercambio, la tokenización, la seudonimización y el hash, más dos formas de medir el resultado: el k-anonimato y la privacidad diferencial. Ninguna basta por sí sola. Los reguladores europeos dicen que toda técnica deja algún riesgo de reidentificación, y que el resultado solo cuenta como anónimo cuando nadie puede averiguar razonablemente a quién se refiere un registro.

La prueba con la que se mide cada técnica

Según el RGPD y el UK GDPR, la información anónima queda fuera de la ley de protección de datos, y los datos personales quedan dentro. El considerando 26 traza la línea: hay que tener en cuenta todos los medios «que razonablemente puedan ser utilizados», como la singularización, para identificar a alguien directa o indirectamente. El mismo considerando dice que los datos seudonimizados que pueden atribuirse a una persona con información adicional siguen siendo información sobre una persona identificable.

Los reguladores europeos de protección de datos de entonces, el Grupo de Trabajo del Artículo 29, lo convirtieron en tres preguntas en su Opinion 05/2014 on Anonymisation Techniques (WP216). ¿Se puede seguir singularizando a una persona? ¿Vincular dos registros sobre la misma persona? ¿Deducir algo sobre una persona? El dictamen concluye que cada técnica que analiza falla al menos una de estas preguntas en algunas situaciones, y por eso las técnicas se combinan. La guía sobre anonimización y seudonimización del regulador británico, publicada el 28 de marzo de 2025, adopta el mismo enfoque basado en el riesgo.

Si primero necesitas la diferencia entre anonimización, seudonimización y tachado, empieza por cuál necesitas para la IA. Este artículo trata de las técnicas una por una.

El registro de ejemplo

Todos los ejemplos de abajo parten del mismo registro inventado de un expediente de RR. HH.:

Anna Kowalski, nacida el 12.03.1989 (37), 14 Elm Street, Leeds,
anna.kowalski@example.com, enfermera de planta, 12 días de baja por enfermedad

Técnicas que quitan o difuminan valores

Enmascaramiento y supresión

El enmascaramiento oculta parte de un valor; la supresión borra el valor, la columna o el registro entero.

A***** K*******, nacida el **.**.1989, [dirección eliminada], enfermera de planta

Protege frente a la identificación directa. Rompe todo lo que necesite el valor eliminado, y no se puede revertir a partir del resultado. Lo que queda aún puede apuntar a Anna: una enfermera de planta nacida en 1989 no es difícil de encontrar en una planta pequeña. El enmascaramiento por sí solo rara vez hace anónimos los datos.

Generalización

La generalización sustituye un valor preciso por otro más amplio.

edad 37 → 30-39; 14 Elm Street, Leeds → Leeds; enfermera de planta → profesional sanitaria

Protege frente a la singularización haciendo que muchas personas se parezcan. Rompe la precisión: ya no puedes decir quién es mayor. No es reversible. Que el resultado sea anónimo depende de cuántas personas compartan cada combinación, que es lo que mide el k-anonimato (ver abajo).

Agregación

La agregación publica totales o medias en lugar de filas individuales.

Planta 4, 2025: 23 enfermeras, baja media de 9,4 días

Protege a las personas mientras cada grupo sea grande. Rompe cualquier pregunta sobre una sola persona. Con un grupo de una o dos personas, la media delata la cifra individual, así que las celdas pequeñas suelen suprimirse.

Ruido (perturbación)

El ruido cambia ligeramente los valores al azar.

edad 37 → 39; baja por enfermedad 12 días → 10 días

Mantiene las estadísticas más o menos correctas y hace que cada valor sea poco fiable. Rompe las cifras exactas. El WP216 advierte que, salvo que el ruido pese más que la información, no es un método de anonimización independiente: un valor atípico, como la única persona con 90 días de baja, sigue siendo reconocible.

Intercambio (permutación)

El intercambio cambia valores entre registros, de modo que cada columna conserva sus totales pero las filas ya no corresponden a una sola persona.

los 12 días de baja de Anna ↔ los 3 días de otra enfermera

Protege frente a la vinculación de un valor con una persona. Rompe las relaciones entre columnas, y el WP216 muestra que falla cuando los valores intercambiados están ligados a otras columnas: el salario de un directivo trasladado a un puesto junior llama la atención.

Técnicas que sustituyen identificadores

Tokenización

La tokenización sustituye un identificador por un token aleatorio y guarda el vínculo en una tabla aparte y protegida.

anna.kowalski@example.com → TKN-8F3K2Q

La ICO señala que un token aleatorio no tiene relación matemática con el original, así que el token por sí solo no revela nada. Lo puede revertir quien tenga la tabla, y por eso el resultado sigue siendo un dato personal para esa persona.

Seudonimización con marcadores coherentes

Cada persona, empresa o dirección recibe un marcador legible, y el mismo valor recibe siempre el mismo.

Person_1, nacida el [Date_1], [Address_1], enfermera de planta.
Person_1 pidió a Person_2 que aprobara la baja.

Oculta los identificadores directos y mantiene legible quién hizo qué, lo que importa en un texto. La lógica del documento se conserva. Es reversible con la tabla de correspondencias y, según el considerando 26, sigue siendo un dato personal. La cuestión de quién tiene la clave se explica en detalle en nuestro artículo sobre si los datos seudonimizados siguen siendo datos personales.

Hash

El hash pasa un valor por una función unidireccional y guarda el resultado.

anna.kowalski@example.com → 3f9a…c71e (SHA-256)

Parece irreversible, pero con nombres y direcciones de correo a menudo no lo es. Cualquiera con una lista de valores probables puede calcular el hash de cada uno y comparar: no hay tantos nombres de empleados ni direcciones de empresa. El WP216 lo señala respecto a los rangos de entrada conocidos, y la ICO desaconseja el hash sin sal, pimienta o clave, y los algoritmos obsoletos como MD5 y SHA-1, porque son vulnerables a ataques de fuerza bruta. Un hash con clave es seudonimización; un hash simple de un correo apenas llega a eso.

k-anonimato y privacidad diferencial

No son formas de cambiar un valor. Son formas de comprobar, o garantizar, lo bien protegido que está un conjunto de datos completo.

El k-anonimato significa que cada combinación de atributos identificativos (franja de edad, ciudad, puesto) la comparten al menos k registros. Con k = 5, Anna se esconde entre al menos cinco personas que parecen iguales. No impide la deducción: si las cinco profesionales sanitarias de 30 a 39 años de Leeds tuvieron más de diez días de baja, eso lo sabes de Anna. La l-diversidad añade una regla: cada grupo debe contener al menos l valores distintos del atributo sensible.

La privacidad diferencial trabaja sobre respuestas, no sobre filas. Se añade ruido a cada estadística publicada, calibrado para que la respuesta apenas cambie tanto si una persona concreta está en los datos como si no. La protección la fija un parámetro, y más protección significa cifras menos exactas. La Oficina del Censo de EE. UU. la usó en los productos de datos del censo de 2020, salvo en los totales por estado que sirven para el reparto de escaños. Sirve para estadísticas; no hace nada por un documento que alguien necesita leer.

Para tablas, hay herramientas que hacen esta medición por ti. ARX, una herramienta de escritorio y biblioteca Java gratuita y de código abierto (licencia Apache 2.0, versión 3.9.2 en octubre de 2026), aplica generalización, supresión y microagregación a datos estructurados y comprueba el resultado frente al k-anonimato, la l-diversidad, la t-cercanía y la privacidad diferencial. También estima el riesgo de reidentificación que queda. Está hecha para conjuntos de datos como archivos CSV, hojas de Excel y tablas de bases de datos, no para contratos ni cartas.

Todas las técnicas comparadas

La mayoría de las filas dicen «depende» porque si un conjunto de datos es anónimo se decide para el conjunto entero en su contexto, no técnica por técnica. Para todo lo que pienses publicar o compartir como anónimo, pregunta a tu delegado de protección de datos o a un abogado especializado en protección de datos.

Qué técnicas sirven para documentos que das a la IA

Un conjunto de datos para estadísticas y un documento para un chatbot de IA necesitan cosas opuestas. Las estadísticas necesitan muchas filas y ningún individuo; la agregación, la generalización, el k-anonimato y la privacidad diferencial están hechos para eso. Un contrato, un hilo de correos o una queja formal tratan de personas concretas, y la IA tiene que seguirlas.

Para documentos, tres técnicas hacen la mayor parte del trabajo:

• Seudonimización con marcadores coherentes para nombres, empresas, direcciones, correos y números de identificación. Person_1 sigue siendo Person_1 en todo el texto, así que la IA sabe quién escribió qué y quién debe a quién. Las barras negras o un único «[REDACTED]» borran eso; consulta por qué los marcadores funcionan mejor.
• Generalización para las fechas y los lugares que la pregunta no necesita con exactitud: «marzo de 2025» en lugar de un día, «una ciudad del norte de Inglaterra» en lugar de una calle.
• Supresión para todo lo que la pregunta no necesita en absoluto, como un dato de salud en un documento sobre el que solo preguntas por los plazos de preaviso.

El ruido, el intercambio y la privacidad diferencial no pintan nada aquí: cambiar los hechos de un documento hace que la respuesta de la IA sea errónea. El hash convierte los nombres en cadenas que nadie, ni siquiera la IA, puede leer en contexto.

El resultado está seudonimizado, así que las normas de protección de datos se te siguen aplicando. Lo que cambia es lo que sale de tu PC. Si vas a elegir un programa para esto, nuestra lista de qué mirar en una herramienta de seudonimización cubre adónde van los datos y cómo vuelven los nombres.

Preguntas frecuentes

¿Cuál es la técnica de anonimización de datos más eficaz?

No hay una sola. El WP216 concluyó que cada técnica que analizó se queda corta en al menos una de las tres pruebas en alguna situación. Para conjuntos de datos estadísticos, la generalización y la supresión medidas con k-anonimato, o la privacidad diferencial, dan los mejores resultados. Para documentos que una IA debe leer, la opción práctica es la seudonimización con generalización de fechas y lugares, y eso no es anonimización.

¿Basta con aplicar un hash a una dirección de correo para anonimizarla?

No. Las direcciones de correo siguen patrones previsibles, así que un atacante puede calcular el hash de una lista de direcciones probables y cruzar los resultados. Un hash con clave o un token aleatorio es más seguro, y ambos siguen siendo seudonimización, no anonimización.

¿Qué herramientas de anonimización hay para tablas?

ARX es un ejemplo gratuito y de código abierto: cargas un CSV, un archivo de Excel o una tabla de base de datos, fijas reglas de generalización y supresión, eliges un modelo de privacidad como el k-anonimato y te informa del riesgo que queda. Las herramientas de este tipo trabajan con columnas y filas, no con texto corrido.

¿Los datos anonimizados están sujetos al RGPD?

Los datos verdaderamente anónimos no, según el considerando 26. Los seudonimizados sí. Lo difícil es demostrar que nadie puede reidentificar razonablemente los datos, y por eso los reguladores tratan la anonimización como una evaluación del riesgo y no como un paso único.

ClientSafe seudonimiza documentos en tu PC: sustituye nombres, empresas, direcciones, teléfonos, correos electrónicos, números de cuenta y de identificación y fechas de nacimiento por marcadores como Person_1, y mantiene el mismo marcador para el mismo nombre en todos los documentos de un caso. La detección no es perfecta, así que revisa la lista antes de copiar.