En una frase
La detección de datos personales se ejecuta aquí dentro del mismo sistema que todo lo demás — ningún encargado del tratamiento adicional que vea sus textos del asunto en claro, y ningún modelo obligado a adivinar nombres.
Por qué esto es una cuestión
Quien contrata una nube de IA para su despacho se topa con un segundo problema: antes de que un texto llegue a un modelo, los datos personales deben desaparecer de él. Una vía extendida es contratar aparte un servicio de detección. Resuelve la cuestión técnica — y crea otra: ese servicio tiene que ver el texto antes del enmascaramiento, es decir, en claro. Para su diligencia en la selección eso significa un lugar más que trata secretos profesionales, un contrato más, una entrada más en el registro de actividades de tratamiento.
Lo que hacemos en su lugar: consultar en vez de adivinar
Un modelo de detección tiene que deducir de la frase que «Kraus» es aquí una persona. Nosotros no tenemos que deducirlo — ya lo sabemos. Quién es cliente, parte contraria, testigo o perito en su asunto figura ya, tipificado, en su red de hechos; se formó al leer los documentos. Al enmascarar lo consultamos ahí en lugar de estimar — incluidas las formas flexionadas con las que fracasa una simple lista de palabras (genitivo, forma corta, derivación adjetival).
A eso se añade lo que se reconoce estructuralmente y no requiere modelo alguno: las formas jurídicas como GmbH, AG o GmbH & Co. KG se reconocen por su sufijo, los IBAN y números de documento por su suma de verificación, las fórmulas de tratamiento y de diagnóstico por su construcción fija.
Tres consecuencias
Un conjunto de reglas es verificable. Usted puede leer por qué se sustituyó un dato. Un modelo no puede responder a esa pregunta — decidió, pero no puede motivar su decisión. Para una decisión de selección documentada, esa es la diferencia entre una prueba y una afirmación.
La calidad está medida, no estimada. Comprobamos la detección contra un corpus fijo de 246 documentos de prueba con 280 pasajes marcados. La medición forma parte de nuestra comprobación de build: si la tasa de detección cae por debajo de un umbral definido, el build falla. El mismo corpus sirve para la contraprueba — 22 documentos que contienen deliberadamente términos que no deben enmascararse: tribunales, autoridades, normas legales. También para eso existe ahora un umbral estricto: ninguna falsa alarma.
Ningún contrato adicional. No hay proveedor alguno al que tuviera que confiar sus textos del asunto para este paso.
Lo que expresamente no afirmamos
Ningún método de enmascaramiento lo detecta todo, y no decimos lo contrario. Nombramos abiertamente dos límites, porque se derivan del diseño:
A tribunales y autoridades no los alcanzamos estructuralmente. Nuestra detección de organizaciones se apoya en la forma jurídica — «Amtsgericht München» no lleva ninguna. No es un descuido, sino justamente el mecanismo que sostiene el compromiso de «cero falsas alarmas»: una regla lo bastante amplia para atrapar nombres de autoridades arrastraría inevitablemente también denominaciones de leyes y nombres de lugares.
Los términos jurídicos permanecen. «Erwerbsminderungsrente» (pensión por incapacidad parcial) es un término jurídico, no un dato de salud sobre una persona determinada — lo dejamos intacto. Son exactamente los casos que un modelo de detección confunde con regularidad.
Y la reserva más importante sigue siendo la profesional: quitar los nombres no hace por sí solo anónimo un texto si la atribución se desprende del contexto. Por eso aquí el enmascaramiento es una medida de protección entre varias — no la única, y no una garantía.
Dónde lo ve
El interruptor está en los ajustes de su despacho; qué agentes enmascaran y cuáles trabajan deliberadamente en claro figura ahí uno por uno. Los detalles están en el manual bajo protección de datos y enmascaramiento, el encuadre en nuestra página de conformidad y en la comparativa de proveedores.
