¿Datos anónimos? Por qué pocos detalles pueden identificarte

Recurso complementario de la lección “Teoría de la información: lo básico para el anonimato” — curso Anonimato online

Llamamos datos anónimos a los que ya no permiten llegar a una persona. Pero hay detalles que por separado parecen inofensivos y que, juntos, pueden señalar a alguien sin su nombre: un código postal, un cumpleaños y un par de costumbres pueden bastar. Este recurso explica, sin fórmulas, por qué pocos detalles pueden identificarte y te ayuda a calcular lo rápido que se reduce tu multitud.

A. Por qué importa

La privacidad consiste en decidir qué saben los demás de ti. El anonimato, en este curso, es algo un poco distinto: actuar sin que lo que haces quede vinculado a quién eres. Por eso aquí la pregunta no es «¿qué he compartido?», sino «¿a cuántas personas podría corresponder esta descripción?».

La lección habla de teoría de la información: las matemáticas que miden cuánto dice un dato. No las necesitas. Basta una intuición: cada detalle separa a las personas a las que encaja de las que no, y el grupo que queda se encoge cada vez.

Por eso «nunca di mi nombre» y «los datos estaban anonimizados» tranquilizan menos de lo que parece. El nombre es solo una forma de distinguir a alguien; unos pocos detalles corrientes pueden hacer lo mismo.

Qué dicen las fuentes

La Agencia Española de Protección de Datos (AEPD) recuerda en su blog (octubre de 2021) que, para el Reglamento General de Protección de Datos (RGPD), la información anónima es la que «no guarda relación con una persona física identificada o identificable»: no debe haber una probabilidad razonable de que alguien identifique a la persona, tampoco con otros conjuntos de datos. Los datos seudonimizados, en cambio, siguen dentro del Reglamento.

En una nota técnica de 2019, la AEPD llama cuasiidentificadores a campos como la fecha de nacimiento, el municipio de residencia o el género, que por sí solos no identifican a una persona concreta pero que, combinados con otros, «pueden señalar de forma unívoca a un sujeto». En 2021 publicó con el Supervisor Europeo de Protección de Datos un documento sobre diez malentendidos de la anonimización, como creer que es permanente. Salvo en casos concretos, advierte, «el riesgo de reidentificación nunca puede considerarse nulo».

En 2014, el Grupo de Trabajo del Artículo 29, que se presentaba como «órgano consultivo europeo independiente», señaló tres riesgos que hay que comprobar al anonimizar: la singularización (aislar los registros de una persona), la vinculabilidad (unir dos registros suyos) y la inferencia (deducir con probabilidad un dato sobre ella). También advirtió de que «no basta con eliminar los elementos que pueden servir para identificar directamente a una persona».

El tema sigue abierto: el Comité Europeo de Protección de Datos (CEPD) tuvo en consulta pública, hasta el 30 de octubre de 2026, nuevas directrices sobre anonimización («Guidelines 02/2026 on Anonymisation»). A noviembre de 2026, conviene comprobar en su web si ya son definitivas.

La investigación muestra lo poco que hace falta. En 2000, la investigadora estadounidense Latanya Sweeney estimó que el 87 % de la población de Estados Unidos probablemente podía identificarse de forma única con el código postal de cinco cifras, el sexo y la fecha de nacimiento. Con la localidad en lugar del código postal, rondaba la mitad; con el condado, el 18 %.

En 2013, un estudio en Scientific Reports con quince meses de ubicaciones de los móviles de un millón y medio de personas de un pequeño país europeo halló que cuatro puntos de lugar y hora bastaban para identificar al 95 %. En 2019, un equipo de la Universidad Católica de Lovaina (Bélgica) y del Imperial College de Londres estimó en Nature Communications que el 99,98 % de los estadounidenses serían reidentificados correctamente con 15 atributos demográficos. Concluía que incluso los conjuntos anonimizados y muy muestreados difícilmente cumplen los criterios del RGPD.

B. Conceptos clave

Cinco ideas para razonar sobre «unos pocos detalles».

El conjunto de anonimato: la multitud en la que te confundes

Tu conjunto de anonimato (en inglés, «anonymity set») es el grupo de personas que encajan con todo lo que un observador sabe de ti. Si una web solo sabe que alguien se conecta desde España, el grupo es enorme. Si sabe que vive en un barrio concreto, ronda los treinta y cinco años y corre el mismo recorrido cada domingo, puede quedar en un puñado de personas. La k-anonimidad, que explica la nota técnica de la AEPD, expresa esa idea: una persona es k-anónima si al menos otras K − 1 comparten su misma combinación de cuasiidentificadores.

Por qué te importa: Tu anonimato es tan fuerte como grande sea esa multitud. «¿A cuántas personas les encaja?» es una pregunta más útil que «¿aparece mi nombre?».

Cada detalle reduce la multitud

Un detalle funciona como un filtro. El sexo divide la multitud más o menos a la mitad; el año de nacimiento la reduce mucho más; la fecha de nacimiento completa, más todavía. Los filtros se multiplican, no se suman: tres detalles modestos, uno tras otro, pueden llevarte de una ciudad a una calle.

Por qué te importa: No hace falta que un detalle sea delicado para que la combinación te identifique. Conviene mirarlos en grupo, no de uno en uno.

Los bits: una intuición, no una fórmula

Los investigadores miden la información identificativa en bits. En una guía de 2010 para la Electronic Frontier Foundation (EFF), una organización estadounidense de derechos digitales, Peter Eckersley explicaba que cada bit de más duplica las posibilidades; visto desde tu lado, cada detalle de tipo sí o no divide tu multitud a la mitad. En sus cuentas, distinguir a una persona en todo el planeta exige algo menos de 33 bits; un cumpleaños aporta unos 8,5 y un signo del zodiaco unos 3,6. Código postal, cumpleaños y sexo juntos superaban los 33 bits: suficiente, escribía, para saber probablemente quién es esa persona.

Por qué te importa: No tienes que calcular bits. Basta la intuición: unas veinte divisiones a la mitad llevan una multitud de un millón de personas a una sola, y un detalle cotidiano puede valer varias divisiones de golpe.

Reidentificación y datos «anonimizados»

Quitar los nombres de un conjunto de datos no equivale a hacerlo anónimo. La reidentificación consiste en cruzar lo que queda, como la edad, la zona o las fechas, con otra información hasta que un registro (una fila de datos) vuelve a señalar a una persona; por eso el Dictamen de 2014 insiste en que «la seudonimización no es un método de anonimización». Hacer los datos menos precisos, por ejemplo agrupar las fechas de nacimiento por años, como propone el documento de los diez malentendidos, ayuda. Pero ayuda menos de lo que cabría esperar: el estudio de 2013 concluía que incluso los datos poco precisos ofrecen poco anonimato.

Por qué te importa: Cuando un servicio dice que tus datos se comparten «de forma anónima», es razonable preguntar qué detalles se conservan. La respuesta te dice más que la palabra.

Confundirte entre la multitud: la otra forma de ampliarla

Puedes agrandar tu multitud compartiendo menos detalles, pero también compartiendo los mismos que muchas otras personas. Algunas herramientas nacen de esta idea: el Tor Project explica que «El Navegador Tor intenta que todos los usuarios parezcan iguales». Tu navegador de siempre también es un conjunto de detalles; el recurso de esta sección sobre la huella del navegador muestra cómo ponerlo a prueba.

Por qué te importa: Parecerte a muchos puede protegerte tanto como callar. Una combinación poco habitual llama la atención, aunque cada elección se haya hecho por privacidad.

C. Un ejemplo concreto: el perfil público de Luca

Luca tiene 36 años, vive en Madrid y viaja a menudo. Su perfil en redes sociales no muestra el apellido, solo un apodo y la foto de una montaña, y él lo consideraba bastante anónimo. En un año se fue llenando de momentos corrientes: una tarta con las velas del «36», publicada el mismo día; la carrera de los domingos por Madrid Río, siempre por el mismo tramo; las ubicaciones que marcaba en su gimnasio; una foto desde el aeropuerto en cada viaje.

Una noche, tras leer cómo se combinan los detalles corrientes, miró su perfil como lo vería un desconocido. «Vive en Madrid» encaja con una multitud muy grande. Un hombre de unos treinta y cinco años la reduce bastante; un cumpleaños en un día conocido, otra vez.

Un recorrido habitual y un gimnasio concreto dejan, a ojo, unas pocas personas. Si se suman las fechas en que estaba fuera, la multitud probablemente se queda en una: él. Ninguna publicación decía quién era. Todas juntas, sí.

Qué cambió cuando Luca contó su multitud

No se alarmó. Vio que su perfil lo vinculaba a él por los detalles, no por el nombre, y decidió cuáles mantener.

• Mantuvo las fotos de viaje, pero empezó a publicarlas al volver a casa en lugar de desde el aeropuerto.
• Quitó las ubicaciones del gimnasio, que decían poco a sus amistades y mucho a quien quisiera echar cuentas.
• Dejó las publicaciones antiguas visibles solo para sus amistades, para que haya menos detalles que combinar.
• Mantuvo la publicación del cumpleaños: sus amistades habían escrito debajo, y decidió que valía la pena dejar ese rastro.

Luca amplió su multitud en tres puntos y dejó el resto como estaba. El anonimato, para él, pasó a ser algo que se ajusta en proporción a lo que le importa, no algo que se tiene o no se tiene.

D. Pruébalo tú: ¿con qué rapidez se reduce tu multitud? (15 minutos)

Cuatro pasos breves con números redondos. No escribas tus datos reales: usa categorías («mi ciudad», «mi año de nacimiento») y fracciones aproximadas. Los números son para la intuición, no para la precisión.

Paso 1 — Elige una multitud de partida (3 minutos)

• Elige un lugar que alguien podría averiguar fácilmente sobre ti, como tu ciudad o tu comunidad autónoma, a partir de un perfil, una foto o un nombre de usuario.
• Dale un tamaño redondo: 100.000, 1 millón o 10 millones. No hace falta buscarlo; basta con el orden de magnitud.
• Escribe solo el número, por ejemplo «inicio: 1.000.000».

Paso 2 — Anota cuatro detalles públicos (4 minutos)

• Piensa en cuatro detalles que una persona desconocida podría averiguar sobre ti sin preguntarte: en un perfil, una publicación, una foto o un comentario antiguo.
• Escribe el tipo de detalle, nunca su valor: «sexo», «año de nacimiento», «cumpleaños», «barrio», «empresa», «deporte», «raza del perro».
• Mejor si son detalles que ve también gente que no conoces.

Paso 3 — Reduce la multitud (5 minutos)

• Aplica a cada detalle, uno tras otro, una fracción aproximada: si tiene dos respuestas habituales, divide entre 2; el año de nacimiento, entre unos 50; el cumpleaños (día y mes), entre unos 365; el barrio, el colegio, la empresa o el club, entre 10 y 100.
• Ejemplo: 1.000.000 ÷ 2 = 500.000; ÷ 50 = 10.000; ÷ 365 ≈ 27. Con un detalle local más, la multitud puede quedarse en una persona.
• Las poblaciones reales no se reparten de forma uniforme: lee el resultado como una idea del tamaño, no como una medida.

Paso 4 — Elige un detalle que aflojar (3 minutos)

• Fíjate en qué detalle ha reducido más tu multitud. A menudo es el más específico, no el más personal.
• Elige un cambio: hacerlo visible a menos personas, hacerlo menos preciso (un mes en lugar de una fecha, una ciudad en lugar de una calle) o dejarlo como está, sabiendo que está ahí.
• Anota tu elección en una línea.

Una multitud se puede volver a ampliar, detalle a detalle.

Ya tratado en el curso Privacidad en línea

Huella digital: qué datos dejas en un día cualquiera
Dibuja los datos declarados, observados e inferidos que deja un día cualquiera; este recurso se pregunta a cuántas personas podrían seguir correspondiendo esos rastros una vez combinados.

E. Vídeos, artículos y otros recursos

Primero las fuentes institucionales, después la investigación y las guías. Los documentos de la AEPD, el Dictamen de 2014 y la página del Tor Project están en español; los estudios y la guía de la EFF, en inglés.

Fuentes institucionales

AEPD — La k-anonimidad como medida de la privacidad
Nota técnica de 2019 sobre los cuasiidentificadores, como la fecha de nacimiento o el municipio, y sobre cómo medir en cuántas personas te confundes.
https://www.aepd.es/guias/nota-tecnica-kanonimidad.pdf

AEPD — 10 malentendidos relacionados con la anonimización
Documento de 2021, elaborado con el Supervisor Europeo de Protección de Datos, sobre por qué la anonimización no es permanente ni reduce a cero el riesgo de reidentificación.
https://aepd.es/guias/10-malentendidos-anonimizacion.pdf

Grupo de Trabajo del Artículo 29 — Dictamen 05/2014 sobre técnicas de anonimización
El dictamen europeo de 2014 sobre singularización, vinculabilidad e inferencia, y sobre por qué quitar los nombres o seudonimizar no basta (versión en español en la web de la AEPD).
https://www.aepd.es/documento/wp216-es.pdf

Investigación

Data Privacy Lab — Simple Demographics Often Identify People Uniquely
El estudio de Latanya Sweeney sobre cómo el código postal, el sexo y la fecha de nacimiento distinguen a gran parte de la población estadounidense.
https://dataprivacylab.org/projects/identifiability

Scientific Reports — Unique in the Crowd: The privacy bounds of human mobility
Estudio de 2013, con datos de telefonía móvil de un país europeo, sobre los pocos puntos de ubicación que hacen únicos los desplazamientos de una persona.
https://www.nature.com/articles/srep01376

Nature Communications — Estimating the success of re-identifications in incomplete datasets using generative models
Estudio de 2019 de investigadores de Bélgica y el Reino Unido sobre por qué los conjuntos de datos muestreados y «anonimizados» pueden reidentificarse; copia en acceso abierto en PubMed Central.
https://pmc.ncbi.nlm.nih.gov/articles/PMC6650473

Guías sobre derechos digitales y herramientas

Electronic Frontier Foundation — A Primer on Information Theory and Privacy
La intuición de los bits explicada con cumpleaños, signos del zodiaco y códigos postales.
https://www.eff.org/deeplinks/2010/01/primer-information-theory-and-privacy

Tor Project — Navegador Tor
Cómo Tor Browser intenta que sus usuarios se parezcan entre sí, para que menos detalles distingan a alguien.
https://www.torproject.org/es/

Enlaces comprobados en noviembre de 2026. Si una dirección cambia, buscar el título en el sitio del organismo suele ayudar a encontrarla.

F. El Framework Cyber Welfare: Competencias, Conciencia, Comportamiento Seguro

Este recurso se sitúa en el pilar Conciencia, nivel FL2 – Iniciado: ver el anonimato como el tamaño de una multitud que puedes estimar, no como un interruptor.

Competencias

• Estimar, con números redondos, cuánto reduce un detalle la multitud a la que perteneces.
• Reconocer cuál de tus detalles públicos es el más específico.
• Leer las promesas de datos «anonimizados» preguntando qué detalles se conservan.

Conciencia

• Entender el conjunto de anonimato: las personas que encajan con todo lo que se sabe de ti.
• Reconocer que detalles corrientes, combinados, pueden identificarte sin tu nombre.
• Saber que parecerte a muchos puede protegerte tanto como compartir menos.

Comportamiento Seguro

• Hacer menos preciso o menos visible un detalle concreto, en lugar de intentar esconderlo todo.
• Compartir lugares y momentos a toro pasado cuando hacerlo en tiempo real no te aporta nada.
• Repetir de vez en cuando el cálculo, porque los perfiles crecen sin hacer ruido.

G. Preguntas para detenerte a pensar

• ¿Qué detalle sobre ti, inofensivo por sí solo, reduciría más tu multitud si alguien lo combinara con otros?
• ¿Dónde te confundes ya en una multitud grande y dónde, en cambio, llamas la atención?
• Cuando una organización dice que usa tus datos «de forma anónima», ¿qué te gustaría que te explicara?

H. Qué hacer ahora

Las recomendaciones (R) y las medidas de seguridad (MS) de la base de datos de Cyber Welfare que mejor encajan con este tema.

1. Los detalles que compartes tú

• MS7 — Limita el acceso a tu cuenta, tus fotos y tus publicaciones con los ajustes de privacidad: así menos desconocidos pueden combinar tus detalles.
• Elige detalles menos precisos cuando te sirvan igual: una ciudad en lugar de una calle, un mes en lugar de una fecha, un viaje contado al volver a casa.

Compromiso mínimo: hoy, afloja el detalle que elegiste en el paso 4.

2. Los detalles que otros tienen sobre ti

• Si un formulario pide más de lo que parece necesitar, como la fecha de nacimiento completa para un boletín, comprueba si el campo es opcional.
• Cuando una app o una encuesta diga que tus datos se comparten «de forma anónima», busca en su política de privacidad qué detalles conserva: fechas, lugares y tramos de edad indican lo grande que puede ser la multitud de cada registro.

Compromiso mínimo: la próxima vez que leas «datos anónimos» o «anonimizados» en una política de privacidad, busca una frase que diga qué detalles se conservan.

En breve

• Detalles que parecen inofensivos pueden combinarse y llevar de vuelta a una persona, sin necesidad de su nombre.
• Tu conjunto de anonimato es la multitud en la que te confundes; cada detalle la reduce, y los detalles se multiplican.
• Quitar los nombres no basta para tener datos anónimos: el riesgo de reidentificación no puede darse por nulo, y la investigación lo ha demostrado con pocos detalles corrientes.
• Puedes ampliar tu multitud compartiendo menos detalles, o menos precisos, y pareciéndote a muchos.

Recursos relacionados en este curso

• Qué revela tu dirección IP: ubicación, proveedor y metadatos
• ID de publicidad, cookies y cuentas: así te reconocen las webs
• Test de fingerprinting: cómo de reconocible es tu navegador

Descubre más recursos complementarios de los cursos en línea del Programa Protege tu Privacidad Digital.