Los clientes inmigrantes y refugiados ya sopesan si el contacto es seguro

Esa cautela no es paranoia; está documentada. Friedman y Venkataramani (2021) cruzaron datos de encuestas nacionales con la actividad de Inmigración y Control de Aduanas (ICE) y encontraron que los adultos hispanos tenían menos probabilidades de reportar un proveedor habitual o un chequeo anual después de que la actividad de ICE aumentara en su estado, mientras que los adultos no hispanos no mostraron ese cambio. Young y colegas (2023) encontraron que, entre inmigrantes latinos y asiáticos en California, cada encuentro directo adicional con el sistema de control migratorio aumentaba las probabilidades de retrasar la atención (razón de momios de 1.30, IC del 95% de 1.10 a 1.50). Herring y Barnow (2025) estimaron que el programa Comunidades Seguras (Secure Communities) fue seguido de una disminución del 16.9 por ciento en las visitas a proveedores entre inmigrantes hispanos mayores presentes legalmente, un grupo que no está personalmente en riesgo de deportación; ese patrón señala al miedo y al efecto de contagio como el motor, no la expulsión directa.

La lección para el uso de la IA es directa. El estatus migratorio de un cliente, su número A, o el detalle de un caso no son información de contacto ordinaria. Si se filtran, son citados judicialmente (subpoena), o salen a la luz en una filtración de datos, pueden exponer al cliente o a su hogar a la aplicación de las leyes migratorias, a la denegación de alivio migratorio, o a un daño en su país de origen, y esos resultados no siempre se pueden revertir. Trate cada dato de un cliente que ingresa en una herramienta externa como si cargara ese peso.

Los modelos pueden memorizar y repetir sus datos de entrenamiento

Esto no es hipotético. Carlini y colegas (2021) demostraron que se puede hacer que un modelo de lenguaje emita fragmentos textuales de sus datos de entrenamiento, y entre lo que extrajeron de GPT-2 había detalles personales identificables reales, incluidos nombres, números de teléfono y direcciones de correo electrónico. Carlini y colegas (2023) demostraron luego que esta memorización aumenta con el tamaño del modelo, con cuántas veces se duplicó un fragmento de texto en el entrenamiento, y con cuánto contexto circundante aporta un atacante.

La conclusión para los profesionales es que la información que se introduce en una herramienta que entrena con las entradas no solo es vista por el proveedor ahora; más adelante puede salir a la luz frente a otra persona. Ese es el riesgo de extracción, y es una razón por la que vale la pena exigir, antes de usar una herramienta para algo sensible, una cláusula escrita de no entrenamiento.

El cifrado la protege de personas externas, no del proveedor

Las herramientas confiables cifran los datos en tránsito, de modo que no se pueden leer mientras cruzan la red, y en reposo, de modo que los archivos almacenados no se pueden leer si roban un disco. El cifrado (encryption) protege contra personas externas. No la protege a usted del proveedor, porque el proveedor descifra el contenido para poder procesarlo. El cifrado no es confidencialidad frente a la empresa que resguarda los datos.

La mayoría de las herramientas de IA a las que se accede por un navegador o una aplicación son herramientas en la nube (cloud): los datos salen de su control y van a un tercero. Un modelo local o en el dispositivo (on-device) funciona en su propia máquina y no envía el contenido hacia afuera, un perfil de riesgo fundamentalmente distinto y, en general, más seguro. El nivel de protección predeterminado también depende del nivel del producto. Las herramientas gratuitas de consumo son, por defecto, las más riesgosas; OpenAI declara que las conversaciones del ChatGPT de consumo se usan por defecto para entrenar sus modelos a menos que el usuario desactive el entrenamiento, mientras que sus productos Business, Enterprise, Team, Edu y la API no se usan por defecto para entrenar modelos (OpenAI, consultado en 2026). Los términos cambian y cada proveedor es distinto, así que nunca dé nada por sentado, y recuerde que la versión gratuita a la que se accede por defecto suele ser la que tiene las protecciones más débiles.

Quitar el nombre no vuelve anónimo un registro

La desidentificación consiste en despojar la información hasta que ya no se pueda rastrear hasta una persona: eliminar no solo los identificadores directos, como nombres, números y direcciones, sino también los cuasi identificadores que, combinados, señalan a alguien. Reemplazar "María, fecha de nacimiento 3/12/1990, número A 087..." por "un cliente" es un comienzo, no el final.

Los límites son la parte importante. Rocher, Hendrickx y de Montjoye (2019), usando un método que se sostiene incluso cuando un conjunto de datos está incompleto, estimaron que el 99.98 por ciento de los estadounidenses podría ser reidentificado correctamente a partir de cualquier conjunto de datos usando solo 15 atributos demográficos. Conjuntos pequeños de atributos comunes bastan para señalar a alguien en particular, así que la desidentificación nunca está garantizada, y falla más rápido precisamente donde viven sus clientes: idiomas poco comunes, países de origen específicos, pueblos pequeños, y perfiles de caso poco habituales.

Los relatos en texto libre son especialmente propensos a filtrar información porque contienen detalles incidentales que ninguna lista de verificación pensaría en eliminar. La práctica segura no es desidentificar un registro real y pegarlo. En su lugar, trabaje en términos genéricos, hipotéticos o agregados, tal como haría una pregunta en una capacitación, sin vincularla a una persona real. Si usted no leería la frase en voz alta en un lugar público y concurrido con el cliente presente, no la ingrese.