Privacidad diferencial

La privacidad diferencial es una definición formal de privacidad propuesta por Cynthia Dwork y colegas a mediados de los años 2000. Su promesa es precisa: el resultado de un análisis debe ser casi el mismo esté o no esté incluida una persona concreta en los datos. Así, nadie puede deducir con confianza si tú participaste ni qué dijiste.

Se logra añadiendo ruido aleatorio calibrado a los resultados (o durante el entrenamiento de un modelo). Un parámetro, llamado épsilon, controla el equilibrio: menos épsilon significa más privacidad y menos precisión; más épsilon, lo contrario. Ese «presupuesto de privacidad» se va gastando cada vez que se consulta el mismo conjunto de datos.

Su uso más conocido es el Censo 2020 de Estados Unidos, cuya Oficina del Censo adoptó la privacidad diferencial para proteger las respuestas individuales en los datos publicados. En IA se aplica para entrenar modelos que no memoricen datos sensibles, a menudo combinada con el aprendizaje federado. El NIST publicó en 2025 una guía (SP 800-226) para evaluar garantías de privacidad diferencial.

Matiz: no es una solución mágica. Con un épsilon demasiado alto la protección es débil, y con uno muy bajo los resultados pueden volverse inútiles, sobre todo para grupos pequeños. Tampoco sustituye las obligaciones legales sobre datos personales; es una herramienta técnica para cumplirlas mejor.