El prompt nace limpio: por qué la analítica sin consentimiento hace sencilla la IA privada
Casi todos los controles de privacidad para IA que hay en el mercado son limpieza posterior: enmascara esto, firma aquello, borra a los noventa días. Todos existen porque el dato ya era personal antes de que el modelo lo viera. No recojas nada personal y esa capa entera deja de hacer falta.
Conclusiones clave
- El enmascarado, los contratos de encargo del tratamiento y los límites de retención son control de daños: gestionan un riesgo creado aguas arriba, en la recogida.
- SealMetrics nunca recoge IPs, cookies, huellas de dispositivo ni identificadores de visitante, así que no hay ningún identificador personal disponible para meter en un prompt.
- Un prompt de Seal AI lleva tu pregunta, métricas agregadas y etiquetas de agrupación. Los datos a nivel de visitante no están porque nunca existieron, no porque se hayan quitado.
- La inferencia exclusivamente en la UE, la retención cero y el no entrenar con tus datos se apoyan encima como defensa en profundidad: son la segunda capa, no la primera.
Si lees suficiente documentación de proveedores sobre IA y privacidad, acabas notando que está toda escrita en el mismo tiempo verbal: el pretérito perfecto de un error ya cometido.
La información personal se enmascara antes de la petición. Hay contratos de encargo del tratamiento firmados con el proveedor del modelo. Los logs se purgan pasada una ventana de retención. Los prompts se limpian de direcciones de correo. Todos esos controles son ingeniería competente, y todos existen para gestionar un problema introducido antes: en la recogida, mucho antes de que nadie escribiera una pregunta en un chat.
Hay otro orden de operaciones. No recojas el dato personal, y el prompt ya nace limpio.
La privacidad empieza antes de la IA
SealMetrics es analítica sin consentimiento. Eso no es una afirmación sobre lo opcionales que son los banners de cookies; es una afirmación sobre lo que registra el tracker. Nunca recoge direcciones IP, nunca instala cookies, nunca construye huellas de dispositivo y nunca asigna identificadores de visitante: ni hasheados, ni seudonimizados, ni "anonimizados". Esos campos no existen en el modelo de datos.
Lo que significa que, cuando una capa de IA se apoya en esa base de datos y lanza una consulta, no hay ningún identificador en el resultado del que preocuparse. No porque un filtro lo haya quitado. Porque nunca hubo ninguno que quitar.
Esta es la diferencia entre privacidad desde el diseño y privacidad por política, y se ve con especial claridad en los modos de fallo. Una regla de enmascarado se puede desconfigurar. Un proceso de retención puede dejar de ejecutarse en silencio. Un ingeniero nuevo puede añadir un campo a un payload sin darse cuenta de lo que eso habilita. Un identificador que nunca se recogió no tiene modo de fallo.
Qué hay realmente en el prompt
En concreto, esto es lo que viaja al modelo cuando le haces una pregunta al asistente de SealMetrics, y lo que no puede viajar porque no existe en ninguna parte detrás.
| Entra en el prompt | No puede entrar: nunca existió |
|---|---|
| Tu pregunta escrita («¿por qué bajó el orgánico la semana pasada?») | Direcciones IP, en cualquier forma: en bruto, truncadas o hasheadas |
| Métricas agregadas: entradas, conversiones, tasa de rebote, ingresos | Cookies o cualquier identificador almacenado en el dispositivo |
| Etiquetas de agrupación: canal, campaña, fuente, medio, término | Huellas de dispositivo o señales de identidad probabilísticas |
| Desgloses por dimensión: página, landing page, tipo de dispositivo, país | IDs de visitante o de usuario que vinculen sesiones a una persona |
| El rango de fechas y la ventana de comparación que elegiste | Perfiles de comportamiento entre sitios o entre dispositivos |
| La estructura del informe que el asistente pidió a sus propias herramientas | Filas en bruto a nivel de visitante que pudieran reidentificarse |
Merece la pena explicar el mecanismo que hay detrás de la columna izquierda. El asistente no responde de memoria ni con nada que absorbiera durante el entrenamiento. Responde llamando a herramientas — un inventario de 63 herramientas que cubre visiones generales, canales, campañas, embudos, segmentos y demás — contra los datos de tu cuenta, y después redacta lo que ha recibido. El modelo es una capa de lenguaje sobre tus propios informes.
Ese diseño tiene una consecuencia de privacidad y otra de calidad. La de privacidad: el payload está acotado por lo que pueden devolver las herramientas de reporting, y esas herramientas no pueden devolver a una persona. La de calidad: las cifras de la respuesta salen de una consulta en vivo y no del conocimiento general del modelo, que es exactamente por lo que un recuerdo factual flojo sobre el mundo abierto importa mucho menos en analítica con grounding de lo que sugieren las tablas de benchmarks. Repasamos ese equilibrio en detalle en el informe de selección de modelo.
La segunda capa: defensa en profundidad
Nada de lo anterior es un argumento para ser descuidado con la cadena de tratamiento. Un prompt limpio sigue siendo información comercial tuya: tus ingresos, tu mix de canales, el rendimiento de tus campañas. Eso no son datos personales, pero tampoco es algo que quieras ver alojado en el corpus de entrenamiento de otro.
Por eso la segunda capa está construida como si la primera no existiera. La inferencia de Seal AI se ejecuta en Scaleway Generative APIs, en París, Francia, y solo ahí. Scaleway es una empresa francesa cuya matriz es el grupo Iliad, sin capital estadounidense, y declara explícitamente que sus servicios de IA no están sujetos a leyes extraterritoriales como la CLOUD Act estadounidense. Aplica Zero Data Retention por defecto, con una excepción documentada: ante un error grave del servicio, la petición fallida puede conservarse hasta dos semanas para análisis de causa raíz. No entrena con datos de cliente.
Por nuestra parte, la capa de medición persiste únicamente contadores de tokens — organización, modelo, tokens de entrada y de salida — para cuota y facturación. El contenido del prompt y de la respuesta nunca se persiste ahí. El transporte es TLS 1.2 o superior con verificación de certificado. Y como nada sale de la UE y el encargado del tratamiento no tiene matriz estadounidense, el Capítulo V del RGPD no se activa en absoluto: sin cláusulas contractuales tipo, sin evaluación de impacto de las transferencias y sin depender de que el Marco de Privacidad de Datos UE-EE. UU. sobreviva a su próxima vista.
Tampoco hay configuración que puedas equivocar. Ninguna clave de API que pegar, ninguna cuenta con un proveedor de IA que abrir, ningún interruptor que un compañero pueda dejar al revés. Los clientes que quieran específicamente otro modelo pueden aportar su propia clave de OpenAI, Anthropic, Gemini o DeepSeek, y entonces sus prompts viajan a ese proveedor bajo los términos de ese proveedor: una decisión deliberada, cliente a cliente, y claramente separada. Seal AI es la opción por defecto precisamente para que la privacidad no dependa de la configuración.
El orden de las operaciones
Si estás evaluando una función de analítica con IA, la pregunta más útil no es "¿cómo protegéis los datos que enviáis al modelo?". Es "¿qué datos personales tenéis que proteger, para empezar?".
Un proveedor con una respuesta larga y detallada a la primera pregunta y ninguna respuesta a la segunda está haciendo un trabajo cuidadoso sobre un problema que eligió tener. El dato personal más barato de proteger es el que nunca recogiste, y es el único que no puede filtrarse, ni ser requerido judicialmente, ni acabar por accidente en un conjunto de entrenamiento.