Antes de pegar un prompt real en ChatGPT, Claude o Gemini, quítale los datos personales. En cuanto ese texto llega a un modelo de terceros, dejas de controlar dónde se guarda, cuánto tiempo se conserva o si se usa para entrenar. Lo prudente es redactar primero: una redacción irreversible que elimina el dato personal en lugar de esconderlo tras una capa. Puedes redactar un prompt ahora mismo sin crear una cuenta.
Por qué pegar texto en crudo en un LLM es un problema de privacidad
Un modelo de lenguaje es un servicio que opera otra persona. Cuando pegas el correo de un cliente, una cláusula de un contrato o una nota interna en el chat, estás enviando ese contenido a una infraestructura que no puedes inspeccionar. Para texto corriente, no pasa nada. Para texto que nombra a una persona real, lista un DNI o incluye una cuenta bancaria, es una comunicación de datos con consecuencias.
El riesgo no es teórico. Según el producto y el plan, los prompts pueden registrarse, conservarse, revisarse por personas para control de calidad o reincorporarse a la mejora del modelo. Nada de eso es aceptable cuando el prompt contiene datos personales ajenos y no tienes un contrato que lo ampare.
Nunca pegues datos de clientes en un LLM de terceros sin redactar
Una herramienta de chat para consumidores no te da contrato de encargo de tratamiento ni control sobre la conservación. En cuanto un nombre, un DNI o un IBAN aparece en el prompt, has entregado datos personales ajenos a una infraestructura que no puedes auditar. Quita los identificadores primero, siempre.
Qué se elimina
Medianonymizer lee el texto y retira las categorías que identifican a una persona:
- Nombres de personas, también en medio de una frase.
- Números de DNI y pasaporte, reconocidos por su estructura y no por una lista fija.
- Correos y teléfonos, en sus formatos internacionales habituales.
- Direcciones postales, líneas de calle y ciudad que ubican a alguien.
- IBAN y datos de cuenta bancaria usados para pagos.
Además puedes aportar tu propia lista de bloqueo —una referencia de expediente, un nombre en clave, un identificador de cuenta— y se redacta en la misma pasada.
Tapar el dato frente a eliminarlo
La palabra «redacción» esconde una bifurcación. Pintar encima de un valor en pantalla deja los caracteres en el fichero; reescribir el texto los retira de los bytes. Solo lo segundo es seguro para reenviar.
- Los caracteres siguen en el fichero, solo ocultos a la vista
- Un resaltado, una caja o un campo oculto se pueden retirar
- Copiar y pegar u otro visor puede exponer el original
- Los metadatos pueden seguir guardando los valores antiguos
- Los caracteres originales se reescriben fuera del fichero
- Un marcador neutro mantiene la frase legible
- No hay capa que quitar ni metadatos que rastrear
- Busca el nombre o el IBAN en el resultado: ya no está
Cómo funciona: entra texto, sale texto limpio
El proceso es determinista. Detecta cada valor, lo sustituye por un marcador neutro y escribe un fichero de texto nuevo. El marcador mantiene la frase legible —quien revise sigue entendiendo que ahí había un nombre o un número de cuenta— pero los caracteres originales han desaparecido del fichero. No hay una capa que despegar ni metadatos que conserven el texto previo.
Ese último punto importa. Una redacción que solo pinta encima del dato en pantalla, o que lo esconde en un comentario o un campo oculto, la deshace cualquiera que abra el fichero con la herramienta adecuada. Reescribir el texto retira el dato de los propios bytes, y eso es lo que hace seguro reenviar el resultado.
Lo que no prometemos
Somos honestos con el alcance. Este flujo procesa texto y devuelve texto anonimizado. No marca visualmente un PDF, no trata imágenes escaneadas y no detecta caras ni matrículas: esas son otras modalidades con sus propias herramientas. Si tu origen es un prompt, una transcripción de chat, un CSV de notas o una exportación de texto, encaja perfectamente.
Redacta tu prompt ahora
Pega el texto o sube un fichero de texto, elige las categorías que quieres eliminar, confirma el precio y descarga la copia limpia. Cópiala en el modelo que prefieras con las identidades fuera. Sin cuenta, paga solo por lo que anonimizas.
Cuándo lo necesitas
Eres agente de soporte y estás redactando una respuesta con ChatGPT. El mensaje del cliente está lleno de datos personales: nombre y apellidos, un número de DNI, una dirección postal, un teléfono y el IBAN con el que pagó. Para conseguir un buen borrador te tienta pegar el mensaje entero en el chat. En cuanto pulsas enter, esos datos personales salen de tu control y aterrizan en un modelo de terceros que tú no operas, sobre una infraestructura que no puedes auditar. Pasa antes el texto por Medianonymizer: pégalo, redacta los nombres, el DNI, los datos de contacto y los bancarios, y copia la versión limpia en ChatGPT. El modelo sigue viendo la forma de la petición —una reclamación de facturación— pero nunca la identidad que hay detrás.
El ángulo de cumplimiento
Según el RGPD, pegar los datos personales de un cliente en un LLM de terceros es a la vez una comunicación de datos y una nueva finalidad de tratamiento. Necesitas una base jurídica y, en la mayoría de los casos, un contrato de encargo de tratamiento con el proveedor del modelo, algo que las herramientas de chat para consumidores no te ofrecen. Eliminar el dato personal antes de que llegue al modelo esquiva el problema de raíz: si no hay dato personal que comunicar, no queda nada que justificar.
Lo que puedes comprobar
La redacción se puede comprobar. Abre el .txt resultante y busca el apellido del cliente o su IBAN: ya no están, se han sustituido por marcadores neutros. No hay una capa oculta ni metadatos que guarden los valores originales; los caracteres que formaban el dato personal ya no están en el fichero. Esa es la diferencia entre eliminar el dato y limitarse a taparlo en pantalla.
Preguntas frecuentes
- ¿Se puede recuperar o revertir el texto redactado?
- No. La redacción reescribe el propio texto: cada valor detectado se sustituye por un marcador neutro y se genera un fichero nuevo. No hay un original escondido debajo ni metadatos que guarden los caracteres previos. Si buscas en el .txt resultante el nombre, el DNI o el IBAN originales, simplemente no aparecen. Esto es redacción irreversible: eliminamos el dato, no lo tapamos.
- ¿Qué datos personales detecta y elimina?
- Nombres de personas, números de DNI y pasaporte, correos electrónicos, teléfonos, direcciones postales e IBAN u otros datos de cuenta bancaria. También puedes añadir tu propia lista de bloqueo con palabras o cadenas concretas —números internos de expediente, nombres en clave de proyectos, identificadores de cuenta— para que se redacten junto a las categorías estándar.
- ¿Tengo que subir un fichero o puedo pegar texto?
- Cualquiera de las dos. Puedes pegar el texto directamente o subir un fichero de texto plano. El resultado se entrega como un .txt limpio que copias directamente en ChatGPT, Claude, Gemini o cualquier otro modelo. La herramienta procesa texto y devuelve texto anonimizado; no marca visualmente un PDF.
- ¿Usar un LLM con datos de clientes va contra el RGPD?
- No de forma inherente, pero exige una base jurídica y un contrato con el proveedor que cubra el tratamiento. La mayoría de las interfaces de chat para consumidores no lo ofrecen. Redactar el dato personal antes de que llegue al modelo es la vía más sencilla para cumplir: sin dato personal en el prompt, la exposición regulatoria de esa interacción baja casi a cero.
- ¿Cuánto cuesta?
- Pagas por trabajo y ves el precio exacto antes de confirmar. No hay suscripción ni necesidad de cuenta: solo pagas por el texto que anonimizas de verdad.