Cómo procesar documentos con IA sin exponer datos personales no es la misma pregunta que si el material puede salir de la institución. Que el facsímil no viaje a un modelo de terceros es soberanía del documento; está en Catalogar con IA sin que el material salga de la institución. Este texto trata de lo otro: cuando algo sí sale, qué ocurre con los nombres, correos e identificadores de personas, y dónde esa protección no alcanza.
Un expediente de personal, una ficha clínica, un contrato con montos y firmas, la correspondencia de un fondo privado: todos incluyen datos que la institución tiene la obligación de proteger. Describir ese material con un modelo de lenguaje de frontera suele significar enviar texto a un servicio en la nube. La nube rinde mejor en muchos casos difíciles; enviar datos personales a un tercero es lo que el marco de protección busca evitar.
Local o híbrido
Collect trabaja con dos modos. La diferencia es qué sale del servidor de la institución.
- Local. El procesamiento ocurre por completo en el servidor. No sale nada. Es el modo para documentos donde el riesgo de que un tercero vea el contenido es inaceptable: expedientes judiciales, datos médicos, documentos clasificados. La calidad depende del modelo local de esa instalación.
- Híbrido. Un modelo local hace una primera lectura. Si hace falta refinar, a la nube va una versión donde los identificadores directos — nombres, correos, teléfonos, identificadores documentales, montos— ya se sustituyeron por marcadores. Al volver, se restauran. Cubre la mayoría de acervos institucionales, donde los documentos mencionan funcionarios, organizaciones y fechas.
La elección es de quien conoce el material. Un mismo acervo puede tener series que admiten el híbrido y otras que exigen el local. Conviene decidirlo por tipo de documento antes de configurar, no después.
En algunas instalaciones la imagen del documento se lee en el servidor y no sale. A la nube puede ir el texto de catálogo ya extraído, con los identificadores sustituidos. Si tampoco puede salir el registro, el procesamiento se queda en local.
Qué se sustituye
Se sustituyen identificadores directos: nombres de persona, correos, teléfonos, cuentas de redes, montos e identificadores documentales. Un nombre de institución pública en una descripción archivística no se trata como dato personal: ocultarlo no protege a nadie y dificulta catalogar.
La institución decide qué categorías aplicar. Lo que se envía es el texto ya sustituido, no el dato original. Quien tiene que rendir cuentas del tratamiento puede saber, de un documento concreto, qué salió y qué no.
Límites
La anonimización protege identificadores directos. No protege contra la re-identificación contextual. Un texto largo, aun sin nombres, puede reunir fecha, cargo, lugar y trámite de forma que alguien con conocimiento del contexto deduzca de quién se habla.
Tampoco es exhaustiva: un identificador poco habitual, un nombre que no se reconoció como persona, o un dato personal dicho de modo indirecto pueden pasar. Reduce la exposición; no la elimina.
Para el material donde la re-identificación sería inaceptable, la respuesta no es afinar la técnica, sino quedarse en local y no enviar nada. El híbrido cubre la mayoría de los acervos institucionales; no cubre todos.
La confianza en un catálogo hecho con IA —procedencia, evaluación, marca de lo inferido— está en Por qué confiar en un catálogo hecho con IA. Este post cubre qué sale del servidor cuando hay datos personales.
Para continuar la conversación
Qué material admite salir con sus datos sustituidos y cuál debe quedarse dentro es decisión de la institución, y depende de cada serie más que de una capacidad técnica. Si estás evaluando un acervo con datos personales y quieres revisar qué modo corresponde a cada parte, escríbenos a info@janium.com.