Anonimización y disociación de datos: guía práctica

Anonimizar datos es dejarlos de forma que ya no se pueda saber de quién son. La ley argentina tiene una palabra propia para eso, disociación, y le da un premio concreto: con datos disociados no necesitás el consentimiento del titular para cederlos.

El problema es que casi nadie disocia de verdad. Sacar el nombre de un expediente y dejar el puesto, la localidad y la fecha exacta no es anonimizar: es cambiar una etiqueta. Esta guía explica qué pide la Ley 25.326, cómo se mide si una persona sigue siendo identificable, qué técnicas se usan, en qué se distingue de cambiar nombres por marcadores y cómo aprovecharla para usar ChatGPT, Claude, Copilot o Gemini con casos reales.

Qué es la anonimización de datos

Anonimizar es transformar un conjunto de datos para que ya no permita identificar a las personas a las que se refiere. No sólo de forma directa, por el nombre o el número de documento, sino tampoco de forma indirecta, cruzando lo que queda con otra información disponible.

Esa segunda parte es la que más se olvida. Un dato personal no es sólo el que dice quién es alguien: es cualquier información referida a una persona determinada o determinable, según el artículo 2 de la Ley 25.326. Determinable quiere decir que se puede llegar a saber quién es. Un texto sin nombre que cuenta que “la única escribana de la localidad consultó por una enfermedad poco frecuente” no dice quién es, pero cualquiera de ese pueblo lo sabe.

Por eso la anonimización no es una operación sobre los datos que se ven, sino sobre lo que alguien podría deducir con ellos. Y por eso no tiene una receta única: depende de qué se comparte, con quién y qué más sabe ese alguien.

En una oficina, la anonimización de datos aparece en situaciones muy distintas: cuando un estudio quiere usar un caso real como ejemplo en una capacitación, cuando una empresa le pasa a un consultor una base para que la analice, cuando un consultorio arma estadísticas de sus pacientes o cuando alguien quiere pedirle ayuda a una IA con un expediente. En todas, la pregunta es la misma: qué puede saber de las personas quien recibe esos datos. Y en todas la respuesta cambia según lo que se saque, lo que se deje y lo que ese destinatario ya conoce.

Disociación de datos: lo que dice la Ley 25.326

El artículo 2 de la ley define la disociación de datos como todo tratamiento de datos personales de manera que la información obtenida no pueda asociarse a persona determinada o determinable.

La definición pide un resultado, no un método. No dice qué técnica usar ni qué campos sacar. Dice que, al final, la información no tiene que poder asociarse a nadie. Si se puede, no hubo disociación, aunque se hayan borrado todos los nombres.

La ley usa la disociación como llave en varios artículos:

• Cesión sin consentimiento (artículo 11, inciso 3, letra e). El consentimiento para ceder datos no es exigido cuando se aplicó un procedimiento de disociación de la información, de modo que los titulares de los datos sean inidentificables.
• Datos de salud en emergencias y estudios epidemiológicos (artículo 11, inciso 3, letra d). Se pueden ceder sin consentimiento por razones de salud pública, de emergencia o para estudios epidemiológicos, en tanto se preserve la identidad de los titulares mediante mecanismos de disociación adecuados.
• Transferencia internacional de datos médicos (artículo 12, inciso 2, letra b). La prohibición de transferir a países sin protección adecuada no rige para el intercambio de datos médicos que exija el tratamiento del afectado o una investigación epidemiológica, en los términos de la letra e del artículo 11.
• Datos sensibles (artículo 7, inciso 2). Se pueden tratar con fines estadísticos o científicos cuando no puedan ser identificados sus titulares.
• Encuestas y estadísticas (artículo 28). Las normas de la ley no se aplican a las encuestas de opinión, mediciones y estadísticas, en tanto los datos no puedan atribuirse a una persona determinada o determinable. Y si en la recolección no es posible mantener el anonimato, hay que usar una técnica de disociación.

En todos los casos, la ley premia lo mismo: que la persona no se pueda identificar. Cómo encaja esto con el resto de la ley lo explicamos en habeas data y Ley 25.326.

Cuándo una persona deja de ser determinable

La ley no dice cuánto esfuerzo tiene que costar identificar a alguien para que deje de ser determinable. La AAIP lo precisó en la Resolución 4/2019, que aprobó cinco criterios orientadores para aplicar la Ley 25.326, de observancia obligatoria para quienes la ley alcanza. El criterio 3, sobre disociación de datos, dice que una persona no se considera determinable cuando el procedimiento que habría que aplicar para lograr su identificación requiera la aplicación de medidas o plazos desproporcionados o inviables.

Es un criterio razonable y exigente a la vez. Razonable, porque no pide lo imposible: casi cualquier dato, con recursos infinitos, podría llevar a alguien. Exigente, porque deja afuera todo lo que se puede deshacer con un esfuerzo normal: buscar en internet, preguntar en la oficina, cruzar con un padrón público.

Para aplicarlo, conviene pensar en tres vías por las que alguien puede volver a reconocer a la persona:

• La estructura del documento. La forma delata. Un contrato con una sola parte locadora, un único garante y un local en una galería concreta puede señalar a alguien aunque no lleve nombre. Una escritura de donación es el caso extremo: junta en una página a la persona, sus bienes y su familia, como contamos en la IA en la escribanía.
• El contenido. Lo que se cuenta. El puesto, la sucursal, una enfermedad poco frecuente, el monto exacto de una deuda.
• El nivel de detalle. “Tres clientes con deuda en el trimestre” no identifica a nadie; una fila por cliente con fecha, monto y barrio puede hacerlo.

Y una cuarta, que depende de quién recibe: lo que ese alguien ya sabe. El mismo texto puede estar disociado para un proveedor de IA en otro país y no estarlo para un compañero de oficina.

Anonimizar, disociar, seudonimizar: cómo se distinguen

Casi todo lo que se hace con un chat de IA no es disociar en sentido estricto. Cambiás el nombre del cliente por una etiqueta, pegás el texto y, cuando llega la respuesta, volvés a poner el nombre donde estaba. Esa vuelta es la que lo decide.

Hay una pregunta que resuelve casi todos los casos: cuando termines, ¿vas a poder saber de quién hablaba el texto?

• Si la respuesta es no, para nadie, disociaste. Es el caso de una plantilla, una duda general o unas cifras agregadas.
• Si la respuesta es sí, porque guardás una tabla con la correspondencia, el texto sigue asociable a la persona para vos. En otros lados a esto se le llama seudonimizar; la Ley 25.326 no usa esa palabra.

La segunda opción no es peor: es la que necesitás cuando querés que la respuesta de la IA te sirva para el caso concreto. Lo importante es dónde vive la tabla. Si se queda en tu computadora y al chat sólo llega el texto con etiquetas, quien recibe el texto no tiene forma de saber de quién habla, siempre que el contexto tampoco lo delate.

A nuestro juicio, ese es el camino más proporcionado para usar IA con casos reales: el proveedor no recibe nada que identifique a tu cliente, y vos no perdés el trabajo. Pero no conviene presentarlo como disociación pura frente a vos mismo, porque no lo es. Por eso, si se lo contás a tu cliente en una cláusula de IA del contrato de honorarios, describí el cambio por marcadores y no prometas un documento anónimo.

Técnicas de anonimización de datos

Las técnicas son de sentido común y se combinan. Ninguna alcanza sola en todos los casos.

Supresión. Sacar el dato. Es lo que se hace con los identificadores directos: nombre, DNI, CUIL, mail, teléfono, domicilio. Es la técnica básica, y la única que no deja rastro. Su costo es que el texto pierde información: si se borran todos los nombres de un expediente con tres personas, la IA ya no sabe quién le dijo qué a quién.

Sustitución por marcadores. Cambiar el dato por una etiqueta, como [PERSONA_1]. Mantiene la estructura del texto, para que se entienda que hay una persona y que es siempre la misma, sin decir quién es. Si se guarda la correspondencia, es seudonimización.

Generalización. Cambiar el dato por una categoría más amplia. La edad exacta por un rango, la fecha exacta por el mes, el barrio por la ciudad, el puesto por el área.

Agregación. Contar en lugar de listar. “Cuarenta solicitudes de alquiler en el trimestre, doce rechazadas” en lugar de una fila por solicitud. Funciona si el grupo es grande: con una cartera de diez clientes, el mismo dato ya dice mucho.

Perturbación. Alterar levemente los valores, por ejemplo redondear montos o mover fechas unos días, para que no coincidan con los reales. Se usa en estadísticas; en un texto que tiene que servir para un caso concreto suele estorbar.

En una base de datos se mide además cuántas filas comparten la misma combinación de atributos, para que ninguna persona quede sola en su grupo. En un mail o un contrato no hace falta tanta técnica: alcanza con leerlo como lo leería alguien que conoce el ambiente y preguntarse si reconocería a la persona.

Anonimizar una planilla: un ejemplo con las técnicas

Supongamos una planilla de una inmobiliaria con una fila por solicitud de alquiler: nombre, DNI, edad, barrio donde vive, empresa donde trabaja, sueldo y si la solicitud se aprobó. La dueña quiere pedirle a una IA que le diga qué tienen en común las solicitudes rechazadas.

Así quedaría cada columna después de aplicar las técnicas de arriba:

columna	técnica	cómo queda
Nombre	Supresión	Se borra la columna
DNI	Supresión	Se borra la columna
Edad	Generalización	Rangos de diez años
Barrio	Generalización	Zona de la ciudad
Empresa	Generalización	Rubro de la empresa
Sueldo	Generalización	Tramos de ingreso
Aprobada	Sin cambios	Es lo que se analiza

Con eso, la IA puede encontrar patrones sin saber quién pidió qué. Pero hay que mirar las combinaciones. Si en la planilla hay una sola persona de entre sesenta y setenta años, de una zona determinada y que trabaja en el rubro minero, esa fila sigue señalando a alguien aunque no tenga nombre. La solución es generalizar un poco más esa fila, o sacarla del análisis.

Y una advertencia: si la IA va a recibir la planilla para sacar conclusiones sobre las personas, como cuál conviene aprobar, ya no estás sólo anonimizando. Estás usando un tratamiento automatizado para decidir, y eso tiene sus propias reglas, que vemos en inteligencia artificial y protección de datos.

Errores comunes al anonimizar

Los vemos todo el tiempo, y casi siempre por apuro:

• Sacar el nombre y dejar el documento. El DNI o el CUIL identifican igual o mejor que el nombre.
• Usar iniciales. “N. S. D.” en un expediente de una oficina chica es casi el nombre completo.
• Dejar el mail. Muchos mails llevan el nombre y el apellido de la persona.
• Olvidar las firmas y los pies. El texto del contrato está limpio, pero la firma al final dice quién es.
• Confiar en el formato. Pintar de blanco una celda o esconder una columna en Excel no borra el dato: sigue en el archivo.
• Anonimizar una vez y reusar para siempre. Lo que hoy no identifica puede identificar mañana, si se publica otra información que lo complete.

Quién decide si algo está disociado

La ley no prevé una certificación ni un sello. Quien decide si un conjunto de datos está disociado es el responsable de la base, es decir, vos o tu empresa, y es quien responde si se equivocó.

Por eso conviene dejar por escrito, aunque sea en una nota breve, qué se sacó, qué se generalizó, para quién era el texto y por qué se consideró que la persona no era determinable. Si alguna vez la AAIP o un cliente pregunta, esa nota es la diferencia entre haberlo pensado y haber tenido suerte.

Un ejemplo: lo que el motor tapa y lo que no

Así es un texto que alguien de un consultorio podría pegar para que la IA lo ayude a redactar un informe:

Paciente: Nuria Solé Domènech
DNI: 60.000.000
Correo: cliente@example.com
Es la única escribana de la localidad y consultó el 3 de marzo por una enfermedad poco frecuente.

Y esto es lo que sale después de pasarlo por Nonimo, copiado tal cual de la salida del motor:

Paciente: [PERSONA_1]
DNI: [DNI_AR_1]
Correo: [CORREO_1]
Es la única escribana de la localidad y consultó el 3 de marzo por una enfermedad poco frecuente.

Los identificadores directos están tapados. Pero la última línea sigue señalando a una sola persona: “la única escribana de la localidad” es un identificador indirecto, y la fecha exacta lo refuerza. Para un proveedor de IA en otro país, probablemente no alcance para identificarla. Para cualquiera de esa localidad, sí. Si el texto fuera a salir de tu oficina hacia alguien que puede conocer el lugar, habría que generalizar a mano: “una profesional de una localidad chica”, “a principios de año”.

Esa es la parte que ninguna herramienta resuelve sola, y la que más se olvida. Y como el dato es de salud, el cuidado tiene que ser mayor: lo explicamos en datos sensibles.

Cuándo sí podés disociar de verdad

Hay muchos usos de la IA en los que no necesitás la vuelta, y ahí disociar es posible y más sencillo:

• Plantillas y modelos. Una carta de cobranza, un modelo de contrato o la estructura de un escrito no requieren ningún dato de nadie.
• Dudas generales. Cómo se calcula un recargo o qué plazos tiene un trámite. Describí el caso en abstracto.
• Cifras agregadas. Totales y porcentajes de un grupo grande, sin filas individuales.
• Datos para probar un sistema. Si necesitás una planilla de ejemplo para probar una fórmula o una macro, armala con datos inventados que no correspondan a nadie, en lugar de copiar la real.

En los cuatro casos, lo que mandás cumple la definición del artículo 2 y no hay tabla que proteger.

Cuatro formas de deshacer la disociación sin darte cuenta

Cambiar los nombres sirve de poco si la clave termina en el mismo lugar que el texto. Pasa de cuatro formas:

1. En la misma conversación. Pegás el texto con etiquetas, pero una hora antes pegaste el mail original para “darle contexto”. El chat ya tiene las dos piezas.
2. Con la propia tabla. Le pedís a la IA que te ayude a ordenar la lista de correspondencias o que complete un formato con ella.
3. Con la memoria y los proyectos. Algunos chats recuerdan datos entre conversaciones o guardan los archivos que subiste. El expediente con nombres de la semana pasada sigue ahí cuando hoy pegás el caso con etiquetas. Cómo limpiarlo está en cómo borrar el historial de ChatGPT.
4. Con el archivo. Tapás el texto de un documento, pero el nombre del archivo es “Contrato Solé Domènech.pdf”, o el autor que figura en sus propiedades es el cliente.

Y hay una quinta que ni siquiera llega a disociar: el recuadro negro dibujado sobre un PDF, que deja el texto intacto debajo. Si tenés que entregar un documento, lo que funciona es censurar el PDF de forma que el texto se elimine de verdad.

Y antes de mandarlo, revisá los metadatos del archivo: el autor, el título y los comentarios viajan con el documento aunque no se vean en la página.

Datos sensibles: la etiqueta no cambia la categoría

Una historia clínica con el nombre cambiado sigue siendo, para vos, información de salud de una persona que podés identificar. Para vos, por lo tanto, siguen valiendo todas las reglas de los datos sensibles: el artículo 7, el artículo 8 si sos profesional de la salud, y el secreto profesional.

Lo que sí cambia es lo que recibe el chat. Si el diagnóstico llega sin nombre, sin DNI y sin nada que permita saber de quién es, el proveedor recibe un dato clínico que no puede asociar a nadie. Cuanto más sensible es el tema, más contexto conviene recortar: fechas aproximadas, edades por rango, la localidad afuera. Cómo usar la IA en un consultorio lo vemos en IA en la salud y la historia clínica.

Qué revisar antes de pegar o compartir un texto

Una lista corta, en el orden en que suele fallar:

1. Identificadores directos. Nombre, DNI, CUIL o CUIT, mail, celular, domicilio, número de cliente o de expediente.
2. Identificadores indirectos. Puesto, sucursal, localidad, fechas exactas, montos exactos, enfermedades poco comunes, el “único” o la “única” de algo.
3. Archivos y metadatos. Si subís un documento, el nombre del archivo, el autor y los comentarios también son datos.
4. La conversación. Que no haya ningún mensaje anterior con los datos reales.
5. El destinatario. Qué sabe ya quien va a recibir el texto.

Para el detalle de cada tipo de dato, revisá qué datos tapar antes de usar la IA.

Si lo que tenés es un texto suelto o una exportación en CSV, hay una guía específica para anonimizar texto y archivos CSV, con el paso a paso de la herramienta.

Lo que hace Nonimo

Nonimo es una app para Windows y Mac, con extensión para el navegador, que hace el cambio en tu computadora antes de que el texto llegue al chat. Seleccionás el fragmento, presionás la tecla que elegiste y los datos que identifican a la persona se convierten en marcadores como [PERSONA_1], [DNI_AR_1] o [CORREO_1]. Pegás eso en ChatGPT, Claude, Copilot o Gemini.

En textos argentinos tapa mails y teléfonos con +54, y también los nombres, el CUIL, el CUIT, el DNI, el número de trámite y el domicilio cuando van con su rótulo, como Cliente:, CUIL:, DNI: o Domicilio:. Cuando copiás la respuesta y presionás la misma tecla, cada marcador recupera su valor. La correspondencia se queda en tu equipo: a Nonimo no le llega ni una palabra de tu texto.

En los términos de esta guía, Nonimo hace la versión con vuelta, y lo decimos así. Al chat le llega un texto que no dice de quién habla; vos conservás la forma de volver al caso. Lo que el contexto pueda delatar, como el puesto, la localidad o el monto exacto, lo decidís vos antes de pegar, y con los identificadores ya tapados se ve mucho más rápido.

Si lo que tenés es un archivo, las herramientas web procesan el PDF, el Word, el Excel, el PowerPoint o el CSV en el servidor de Nonimo, no guardan nada y te lo devuelven con los datos tapados.

Y si el texto con datos reales ya llegó a un chat, en la guía de incidente de seguridad con datos personales están los pasos para resolverlo.

Fuentes

Consultadas el 19 de octubre de 2026.

• Ley 25.326 de Protección de los Datos Personales, sancionada el 4-10-2000. Texto actualizado en InfoLEG. Artículo 2 (datos personales y disociación de datos), artículo 7, inciso 2; artículo 11, inciso 3, letras d y e; artículo 12, inciso 2, letra b; artículo 28.
• Resolución AAIP 4/2019, criterios orientadores. Texto en argentina.gob.ar. Criterio 3, disociación de datos: cuándo una persona no es determinable.