Anonimización y Reidentificación: La Vulnerabilidad de la Seudoprivacidad y la Salvaguarda del Secreto Fiscal

En el marco de la Administración Tributaria 3.0 y el desarrollo de la Agencia basada en datos, la explotación intensiva de microdatos atómicos en tiempo real exige una revisión crítica de los métodos tradicionales de resguardo de la privacidad. La anonimización y la reidentificación constituyen los dos extremos de un campo de batalla técnico y jurídico donde se define la vigencia efectiva del secreto fiscal (Art. 101, Ley N.º 11.683) y de los derechos de protección de datos personales (Ley N.º 25.326).

1. El Mito de la Anonimización Pasiva

Durante décadas se asumió que la anonimización consistente en la simple supresión de identificadores directos (como la CUIT, la razón social o el número de documento) resultaba suficiente para proteger la identidad del contribuyente. Sin embargo, en el paradigma del Big Data, esta anonimización pasiva o superficial resulta insuficiente. Las bases de datos tributarias almacenan una vasta cantidad de cuasi-identificadores (fechas de operaciones, códigos postales, volúmenes de facturación, códigos de actividad, marcas de tiempo y geolocalización). Mediante técnicas de vinculación con bases de datos externas —comerciales, gubernamentales o abiertas en la web—, un atacante o analista no autorizado puede ejecutar un ataque de reidentificación o desanonimización, cruzando variables periféricas para reconstruir la identidad del contribuyente con un elevadísimo grado de certeza.

2. Seudonimización y Mecanismos de Reidentificación Legítima

Para armonizar el uso de microdatos en la analítica avanzada con la reserva legal, los estándares internacionales (como los de la OCDE y el CIAT) establecen una clara distinción entre la anonimización irreversible y la seudonimización:

• Seudonimización en la Ingesta: Consiste en sustituir los identificadores directos (como la CUIT) por un código o hash único y seudónimo. Esto permite a los algoritmos de Inteligencia Artificial y a los modelos de Machine Learning analizar patrones, detectar inconsistencias o entrenarse sobre registros detallados sin exponer la identidad en claro del contribuyente.
• Reidentificación Controlada (Trazabilidad para Auditoría): A diferencia de un entorno abierto, en la gestión tributaria debe preservarse un protocolo estricto y seguro que permita, en situaciones excepcionales y jurídicamente fundadas (como la detección de una inconsistencia patrimonial o el inicio de una determinación de oficio), recuperar la CUIT original a partir del seudónimo. Esta reversión debe estar sometida al principio de menor privilegio, control de accesos segregados y registros inalterables de auditoría (logging).

3. Riesgos Institucionales de la Reidentificación No Autorizada

La reidentificación no controlada de datos tributarios entraña severos peligros:

• Erosión del Secreto Fiscal y Responsabilidad Penal: La divulgación o filtración de información económica que permita individualizar a un sujeto configura una violación del secreto fiscal, acarreando sanciones penales (Arts. 156 y 157 del Código Penal) e indefensión para el administrado.
• Degradación de la Moral Tributaria: Si el contribuyente percibe que la información suministrada al Fisco bajo el principio de autodeterminación puede ser desanonimizada o expuesta a terceros, la confianza pública se quiebra, desincentivando las declaraciones juradas transparentes.
• Infecciones Algorítmicas: El uso de datos mal anonimizados o distorsionados sin un adecuado gobierno de datos introduce ruido en los modelos analíticos, produciendo clasificaciones de riesgo erróneas (alucinaciones o falsos positivos) que conculcan las garantías del debido proceso.

4. Salvaguardas de Nueva Generación: PETs y Datos Sintéticos

Para superar las deficiencias de la anonimización tradicional frente a ataques de reidentificación sofisticados, la gobernanza del Gemelo Digital Tributario debe evolucionar hacia las Tecnologías de Mejora de la Privacidad (PETs):

• Privacidad Diferencial (Differential Privacy): Introduce ruido matemático calibrado en las salidas y consultas analíticas, asegurando que la presencia o ausencia de un contribuyente individual no altere los resultados agregados, haciendo matemáticamente imposible la reidentificación por inferencia.
• Generación de Datos Sintéticos: Crea conjuntos de datos artificiales mediante modelos generativos que replican la estructura y correlaciones estadísticas de la economía real sin contener ningún registro de un contribuyente real, garantizando la inviolabilidad del secreto fiscal en análisis exploratorios o investigaciones académicas

Puedes ver el video en el canal de YouTube en:

https://youtu.be/qcIbo0lAHE8

Sigamos la conversación en:

https://trabajodecenteinclusionsocial.blogspot.com/