Observe cómo un abogado, un contable o un clínico se sirve realmente de una IA en un expediente concreto, y notará algo que las herramientas de anonimización parecen haber pasado todas por alto: nadie trabaja en una sola pasada. Se plantea una pregunta, se lee la respuesta, se enlaza con un seguimiento más preciso, se pega un segundo documento, se vuelve al primero. El trabajo es la conversación. Y casi todas las formas de ocultar datos personales se rompen en silencio en cuanto esa conversación arranca.
Esa observación es la razón misma por la que promptShield tiene la forma que tiene. Nombremos, pues, la idea con claridad, porque, por lo que sabemos, nadie más ha construido su producto en torno a ella: la anonimización estable en conversación — una misma entidad conserva un mismo código, de un extremo a otro de la conversación y a través de cada archivo relacionado, de modo que la IA razona sobre el documento protegido exactamente como lo haría sobre el real, y usted puede restaurar fielmente los valores reales al final.
El trabajo se hace en varios turnos — así que la protección también debe serlo
Imagine la versión realista de la tarea. Tiene un contrato y sus tres anexos. Pega el contrato, anonimizado, y pide al modelo que resuma las obligaciones. Lo hace. Después pega un anexo y pregunta: «¿modifica esto las condiciones de pago del comprador respecto del original?». Luego: «redacta una cláusula que resuelva el conflicto entre la sección 4 de aquí y la sección 7 de allá».
Para que eso produzca algo útil, el modelo tiene que saber que el «comprador» del contrato y el «comprador» del anexo son la misma persona jurídica, que la dirección de la cláusula 4 es la misma dirección mencionada tres turnos atrás, que «el demandado» y «la señora Laurent» son una sola parte, y no dos. La correferencia — el hilo de identidad que atraviesa todo el intercambio — no es un lujo prescindible. Es la sustancia misma del razonamiento profesional. Rómpala, y la respuesta de la IA será errónea con todo aplomo, de una manera que resulta incluso difícil de detectar.
Una anonimización que concibe un documento como «algo que limpiar una sola vez» nunca percibe esto. Limpia el archivo y lo devuelve. Pero el profesional no tiene un archivo; tiene un caso, un asunto, un cliente — un conjunto de material relacionado sobre el que razona en su totalidad, en diálogo, a lo largo del tiempo. La unidad de trabajo no es el documento. Es la conversación.
Por qué los enfoques evidentes se desmoronan
En cuanto se formula la tarea como «mantener la identidad coherente a lo largo de toda una conversación», las técnicas habituales se revelan como la herramienta equivocada:
| Enfoque | Qué hace | Por qué la conversación lo desarma |
|---|---|---|
| Las barras de tachado | Cubre el texto en la página | El modelo no puede razonar sobre lo que no ve: ningún «el comprador» posterior remite ya a nada |
| Borrar los nombres | Elimina la entidad sin más | Personas distintas se funden en el mismo hueco, y el modelo inventa en silencio a alguien que lo llene |
| Una etiqueta nueva en cada pasada | Genera un seudónimo distinto en cada ejecución | El segundo turno renombra a todos: una persona se convierte en dos, y nada señala la contradicción |
| Buscar y reemplazar | Hace corresponder una grafía con una cadena | Se le escapan las flexiones, las iniciales y los alias — y no sabe nada del segundo documento que usted pega |
| Tokenización documento a documento | Códigos estables, pero solo dentro de un archivo | Un contrato y su adenda asignan códigos distintos a la misma parte: el razonamiento cruzado falla en silencio |
El patrón se repite en cada fila: cada enfoque sirve para «sanear este único bloque de texto», y cada uno falla en cuanto el trabajo se convierte en una conversación. Se concibieron para una unidad de trabajo distinta de la que los profesionales tienen en realidad.
Qué exige la anonimización estable en conversación
Nombrar la carencia es fácil; cerrarla implica exigencias reales, y son ellas las que hacen de esto un producto y no una simple macro de buscar y reemplazar.
Una identidad estable. La misma entidad debe corresponder al mismo código cada vez que aparece — no solo dentro de un documento, sino a lo largo de toda la conversación y en cada archivo vinculado. En promptShield, «John Smith» recibe el mismo código (pongamos [P0ABCD]) tanto si figura en el contrato como en la factura o en el adjunto del correo, porque los archivos relacionados comparten un mismo registro de códigos. Deposítelos en la misma carpeta y la vinculación es automática — sin ninguna configuración.
Códigos tipados y legibles. Un código es [P0ABCD], [A1WXYZ], [B2KLMN] — la primera letra indica el tipo (P de persona, A de dirección, B de IBAN), de modo que el modelo sigue sabiendo que razona sobre una persona, una dirección, una cuenta, y puede producir una respuesta realmente útil en lugar de atascarse con un ruido opaco. Una instrucción acompaña a la descarga y pide a la IA que devuelva los códigos exactamente tal cual. La estructura que ayuda a la IA se conserva; solo se oculta la identidad.
Un ida y vuelta fiel. Ocultar la identidad es solo la mitad del trabajo. La correspondencia que lleva de vuelta del código al valor original se conserva localmente, de modo que, cuando la respuesta de la IA regresa repleta de [P0ABCD] e [B2KLMN], usted la decodifica en un solo paso y obtiene un resultado que se lee como si nunca hubiera anonimizado nada. Son los códigos estables los que hacen inequívoca esta decodificación: un código, un original, cada vez.
Reúna todo eso y obtendrá la propiedad que importa: la IA trabaja sobre el documento protegido exactamente como lo haría sobre el real. El mismo razonamiento, las mismas referencias cruzadas, la misma coherencia a lo largo de varios turnos — sin que ninguna identidad real esté nunca presente en la conversación, y con una restauración limpia al final.
El circuito, de principio a fin
En la práctica es un único circuito continuo, y acompaña el ritmo del trabajo real en lugar de interrumpirlo:
- Codificar. Cada entidad se reemplaza por un código estable y tipado; los archivos vinculados comparten el registro; un humano revisa las detecciones antes de que nada quede fijado. (En los documentos donde hay mucho en juego, esa revisión humana es la clave de todo — véase por qué un humano permanece en el circuito.)
- Conversar. Pegue la versión protegida en ChatGPT, Claude o cualquier otro modelo. Plantee preguntas de seguimiento. Pegue más documentos del mismo asunto. Vuelva atrás. Las identidades se mantienen coherentes durante todo el tiempo que dure la conversación, porque los códigos no se desvían.
- Decodificar. Traiga de vuelta la salida de la IA y restaure cada código a su valor real en un solo paso — un documento final que se lee como si los nombres reales hubieran estado ahí desde el principio.
Y como todo el circuito se ejecuta en su equipo, ninguna parte del asunto — ni los originales, ni la tabla de códigos, ni un solo turno del texto protegido de la conversación — sale jamás de su perímetro.
La categoría que reivindicamos
Abundan las herramientas capaces de ocultar un nombre. Algunas incluso saben ocultarlo de forma coherente si las configura para ello. Lo que falta en el mercado no es la capacidad tomada de forma aislada — es un producto concebido en torno a la manera en que los profesionales trabajan realmente con la IA: de forma iterativa, de un turno a otro, a través de archivos vinculados, con un humano que responde por el resultado y un ida y vuelta limpio al final. Ese es el flujo de trabajo para el que promptShield está diseñado desde los cimientos, y es la idea a la que nos gustaría ponerle un nombre.
Llámela anonimización estable en conversación. Una entidad, un código, de principio a fin — para que por fin pueda usar la IA en los documentos que importan tal como usted ya los concibe: no como archivos que limpiar, sino como un caso que trabajar.
Preguntas frecuentes
¿Por qué el mismo nombre necesita el mismo código siempre?
Porque los profesionales no anonimizan de una sola pasada. Repreguntan, pegan un segundo documento y razonan sobre ambos. Si la misma persona recibe un código distinto en cada turno, la IA lee sobre dos personas diferentes.
¿Qué se rompe si los códigos cambian entre documentos?
El razonamiento cruzado. Un contrato y su adenda dejan de referirse a la misma parte, y cualquier conclusión sacada de ambos es errónea. Por eso la censura reversible mantiene un código estable por entidad en lugar de una etiqueta nueva en cada ejecución.
¿Se guarda el mapa en algún sitio en línea?
No. El registro de código a valor permanece en la máquina que lo creó, la misma decisión de diseño que hay detrás del motor que escribimos justo para ese trabajo.