Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Redacción de PII

La redacción de PII (PII redaction) es la detección y eliminación o enmascarado de información de identificación personal, como nombres, números de teléfono, direcciones y números de tarjeta, en textos o imágenes antes de enviarlos a un modelo, guardarlos en logs o mostrarlos a otras personas.

También llamado: PII, personally identifiable information, PII masking, de-identification

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

La información de identificación personal (PII) es información que puede identificar a una persona concreta, sola o combinada con otros datos. La guía SP 800-122 del NIST es una referencia habitual sobre qué cuenta como tal y cómo protegerla. Las aplicaciones de IA manejan mucha: chats de soporte, documentos subidos, transcripciones de llamadas y los logs de prompts que se guardan para depurar.

Por qué importa al construir con IA

Cada prompt enviado a un modelo alojado sale de tu sistema. Cada traza que guarda tu herramienta de observabilidad de LLM es otra copia. Redactar primero la PII reduce lo que pueden ver un proveedor, alguien que revisa los logs o un atacante, y puede evitar que los datos personales acaben en conjuntos de fine-tuning. Encaja de forma natural en la parte de entrada de tus guardrails.

Cómo funciona

Un detector analiza el texto en busca de entidades. Los sencillos usan patrones y sumas de verificación, por ejemplo para números de tarjeta o de documento nacional de identidad. Otros usan modelos de reconocimiento de entidades nombradas para encontrar nombres y lugares, que los patrones no detectan. Cada coincidencia se sustituye: se borra, se enmascara con una etiqueta como `<PERSON>` o se cambia por un marcador coherente o un valor falso para que el modelo pueda seguir la conversación. Algunos sistemas guardan una correspondencia segura para poder restaurar los valores reales en la respuesta final. Presidio, el proyecto de código abierto de Microsoft que ahora mantiene la comunidad, es un kit muy usado que detecta y anonimiza entidades en textos e imágenes.

Límites

La detección nunca es perfecta. Nombres poco habituales, errores ortográficos, direcciones escritas libremente y pistas del contexto se escapan, mientras que los ajustes agresivos eliminan palabras que el modelo necesitaba. La redacción tampoco resuelve dónde se procesan o guardan los datos; consulta residencia de datos y retención cero de datos. Qué cuenta como PII, y qué debes hacer con ella, depende de las leyes que te apliquen, algo que esta página no trata.

Términos relacionados

Guardrails (IA)
Los guardrails (barreras de protección) son comprobaciones en tiempo de ejecución colocadas alrededor de un modelo de lenguaje que inspeccionan entradas y salidas y las bloquean, reescriben o redirigen, para que una aplicación no se salga del tema, evite contenido dañino y cumpla reglas que el modelo por sí solo no mantendría de forma fiable.
Residencia de datos
La residencia de datos (data residency) es un control que mantiene los datos de un cliente almacenados, y a menudo procesados, en una región geográfica elegida, como la UE, para que un equipo pueda cumplir sus propias normas legales, contractuales o de clientes sobre dónde residen los datos.
Retención cero de datos
La retención cero de datos (ZDR, zero data retention) es un acuerdo por el que un proveedor de IA no conserva los prompts ni las salidas de un cliente una vez respondida la petición, que normalmente solo se ofrece a clientes aprobados y solo para funciones de la API que cumplen los requisitos.
Observabilidad de LLM
La observabilidad de LLM (LLM observability) consiste en registrar lo que hace una aplicación de IA en producción, incluidos prompts, respuestas, llamadas a herramientas, latencia, uso de tokens y coste, como trazas que puedes buscar, para depurar fallos y ver cómo se comporta el sistema a lo largo del tiempo.

Fuentes