La protección de datos personales en dispositivos móviles plantea un dilema técnico cada vez más relevante: cómo eliminar información sensible sin destruir el valor de los textos para tareas posteriores como el reconocimiento de entidades o la recuperación semántica. Las técnicas tradicionales de redacción, que reemplazan nombres o direcciones con etiquetas genéricas como [PERSON], generan textos artificiales que los sistemas de inteligencia artificial no pueden procesar de forma natural. En este contexto, los modelos de lenguaje pequeños (SLMs) ofrecen una alternativa prometedora al sustituir los datos con valores ficticios coherentes y contextuales, pero el diseño de las instrucciones que reciben —el prompting— se convierte en un factor crítico. Investigaciones recientes demuestran que, al emplear ejemplos fijos de pocas demostraciones, estos modelos tienden a regurgitar literalmente las salidas de los ejemplos en lugar de generar contenido nuevo, independientemente de la cuantización o el tamaño del modelo. Este comportamiento no es un fallo de compresión, sino de alineación: el modelo aprende a copiar patrones en lugar de adaptarse al contexto real de cada documento.

La solución pasa por condicionar el prompting a la localidad geográfica y cultural del texto original. Mediante un mecanismo que selecciona dinámicamente un conjunto rotatorio de demostraciones basado en un hash del contenido de entrada y una heurística de rango de caracteres, es posible quebrar la regurgitación y obtener sustitutos coherentes con el idioma y las convenciones locales. Este enfoque, que combina un clasificador ligero para detectar entidades, un SLM de mil millones de parámetros para generar nombres y fechas, y un generador basado en reglas para campos estructurados, logra evitar las repeticiones en un cien por cien de los casos, aunque con una limitación importante: el modelo sigue prefiriendo ejemplos dentro del mismo grupo local, lo que reduce la diversidad de los valores generados. Para una empresa que desarrolla aplicaciones a medida o soluciones de ciberseguridad, esta distinción es crucial: un sistema que produce texto más natural no necesariamente es mejor para entrenar modelos de aprendizaje automático, donde la variedad de ejemplos tiene un peso superior a la fluidez superficial.

Los resultados experimentales sobre un corpus multilingüe revelan que, si bien el SLM supera a las reglas tradicionales en métricas de perplejidad y preservación de longitud en la mayoría de los idiomas evaluados, su desempeño en tareas posteriores como el etiquetado de entidades es inferior al de un generador puramente aleatorio pero diverso. Este hallazgo honesto subraya un principio fundamental en inteligencia artificial aplicada: la calidad de un pipeline debe medirse no solo por la naturalidad de sus salidas, sino por el impacto real en los flujos de trabajo descendentes. En Q2BSTUDIO entendemos que la implementación de ia para empresas requiere equilibrar sofisticación técnica con resultados prácticos, y que herramientas como los agentes IA o los sistemas de servicios inteligencia de negocio deben integrarse con un conocimiento profundo de las limitaciones de cada modelo. Por ello, en nuestros proyectos de software a medida y durante la migración a servicios cloud aws y azure, priorizamos la evaluación empírica sobre las modas tecnológicas, asegurando que cada capa del sistema aporte valor medible.

La lección para el sector es clara: el prompting condicionado por localidad resuelve un problema específico de regurgitación, pero no elimina la necesidad de diseñar pipelines que garanticen la diversidad de los datos sintéticos. La redacción de PII en el dispositivo es viable cuando se combinan detectores precisos, modelos pequeños con instrucciones dinámicas y generadores auxiliares que cubran patrones rígidos. Sin embargo, la decisión de cuándo usar un SLM o un generador basado en reglas debe basarse en el uso final de los datos: si el objetivo es entrenar un modelo de NER, la variedad de ejemplos pesa más que la naturalidad textual. Esta es una consideración que aplica tanto a la protección de datos en apps móviles como a la anonimización de documentos en entornos corporativos, donde el equilibrio entre privacidad y utilidad define el éxito de la solución. En Q2BSTUDIO ofrecemos consultoría y desarrollo en este ámbito, integrando power bi para el análisis posterior de flujos de datos anonimizados, y aplicando técnicas de ciberseguridad para garantizar que ningún dato real quede expuesto durante el proceso.