Fundamentos

Inferencias sobre datos personales: qué son y por qué importan

Por Daniel Sardá · Publicado el 21 de octubre de 2026 a las 14:23 UTC

7 min de lectura1.366 palabras

Una inferencia convierte rastros y datos previos en una atribución sobre una persona. Entender cómo se forma permite distinguirla de un hecho, un perfil o una decisión.

Una plataforma registra que una persona consulta con frecuencia reseñas de cámaras y, a partir de ese comportamiento, estima que planea comprar una. La persona nunca declaró esa intención. Sin embargo, el sistema ha producido información nueva sobre ella: una inferencia.

Las inferencias sobre datos personales son conclusiones, estimaciones o predicciones creadas a partir de otros datos y atribuidas a una persona identificada o identificable. Pueden servir para ordenar contenidos, anticipar preferencias o evaluar una solicitud. No son necesariamente verdaderas, sensibles ni ilícitas. Su importancia está en otra parte: pueden influir en el modo en que una organización trata a alguien, incluso cuando ese alguien desconoce que la atribución existe.

Idea clave: Una inferencia no necesita haber sido declarada por la persona para convertirse en información personal; importa si puede vincularse con ella.

Cómo se forma una inferencia

El proceso suele comenzar con datos relativamente simples. Un servicio registra visitas, búsquedas o compras; compara esos rastros con ciertos patrones; y produce una conclusión probable. La cadena puede representarse así:

datos de entrada → análisis → inferencia → posible perfil → posible decisión

Cada paso cumple una función distinta. Si alguien mira varias veces productos de fotografía, ese historial es el dato observado. La estimación «tiene intención de comprar una cámara» es la inferencia. Su incorporación a una categoría como «cliente potencial de fotografía» puede formar parte de un perfil. Mostrarle una oferta, cambiar el orden de una página o someter una solicitud a una revisión adicional constituye una acción o decisión posterior.

La distinción evita dos errores. El primero es llamar inferencia a cualquier dato procesado. El segundo es asumir que toda inferencia produce automáticamente una decisión. Algunas solo ayudan a personalizar una interfaz; otras sí intervienen en oportunidades relevantes.

Cuatro maneras de obtener información sobre alguien

Una taxonomía sencilla permite reconocer qué añade el análisis. Estas categorías son pedagógicas y pueden variar entre marcos legales:

• Datos facilitados: los entrega la propia persona, como su dirección de correo o una preferencia marcada en un formulario.
• Datos observados: se registran a partir de su conducta, como páginas visitadas o frecuencia de uso.
• Datos derivados: resultan de una operación directa sobre otros datos, como calcular el gasto mensual a partir de compras registradas.
• Datos inferidos: expresan una conclusión o probabilidad sobre una característica, intención o conducta futura.

La diferencia no depende únicamente de la técnica utilizada. Calcular una suma y estimar una preferencia son operaciones analíticas, pero la segunda añade una afirmación que no estaba presente de manera explícita en los datos originales.

El origen tampoco decide, por sí solo, si la información merece protección. El Reglamento General de Protección de Datos de la Unión Europea define el dato personal por su relación con una persona identificada o identificable, no por haber sido entregado directamente. Otros regímenes siguen aproximaciones comparables: la guía oficial de California sobre la CCPA, por ejemplo, incluye ciertas inferencias empleadas para crear perfiles. El alcance concreto siempre depende de la jurisdicción y del caso.

Una estimación no es un hecho comprobado

Toda inferencia contiene algún grado de incertidumbre. «Probablemente busca una cámara» no equivale a «compró una cámara». Incluso una estimación técnicamente bien calculada puede describir mal a una persona: quizá investigaba un regalo o ayudaba a un amigo.

Eso no vuelve inútiles todas las inferencias. Las recomendaciones pueden reducir fricción y hacer un servicio más pertinente. Pero obliga a presentarlas y utilizarlas según su naturaleza. Una probabilidad no debería transformarse, por comodidad institucional, en una certeza sobre la identidad, las preferencias o las intenciones de alguien.

Conviene separar tres preguntas:

1. ¿La inferencia es exacta o razonable? Examina la calidad de los datos, el método y la incertidumbre.
2. ¿Puede usarse con ese propósito? Examina las reglas aplicables, las expectativas legítimas y la proporcionalidad.
3. ¿Qué efecto produce? Examina si apenas ordena contenido o si limita una opción relevante.

Una inferencia acertada no es automáticamente lícita. Y una inferencia equivocada no deja de importar si determina cómo se trata a la persona.

Distinción útil: Exactitud, legitimidad y efecto son problemas diferentes. Resolver uno no resuelve necesariamente los otros dos.

Cuándo una conclusión sobre un grupo se vuelve personal

No todo patrón estadístico es un dato personal. Decir «el 30 % de los usuarios de una zona prefiere entregas por la tarde» describe un grupo y, en principio, no atribuye esa preferencia a un individuo. Decir «se estima que Ana prefiere entregas por la tarde» sí crea una conclusión sobre una persona concreta.

La frontera depende de la posibilidad razonable de identificar, singularizar o volver a vincular la información con alguien. Eliminar nombres no siempre basta. Un conjunto supuestamente agregado puede conservar combinaciones que permitan distinguir individuos, mientras que una estadística verdaderamente anónima queda fuera de esa relación personal.

La guía de la autoridad británica de protección de datos sobre anonimización subraya precisamente este carácter contextual: las correlaciones y predicciones pueden generar información nueva, y esa información puede ser personal cuando se refiere a alguien identificable.

Inferencia, perfilamiento y decisión no son sinónimos

El perfilamiento organiza o evalúa aspectos de una persona mediante tratamiento automatizado. Puede reunir muchas observaciones e inferencias en una representación operativa: intereses probables, patrones de uso o propensión a realizar cierta acción.

La decisión automatizada, en cambio, es un resultado o una actuación basada en procesamiento automático. Puede apoyarse en un perfil, pero también en una regla sencilla; y un perfil puede existir sin desencadenar una decisión de importancia.

En el marco europeo, los artículos 4 y 22 del RGPD y las directrices respaldadas por el Comité Europeo de Protección de Datos distinguen ambos conceptos. Las salvaguardas específicas frente a decisiones exclusivamente automatizadas se aplican en supuestos delimitados, en particular cuando existen efectos jurídicos o efectos de importancia similar. No constituyen un derecho universal a conocer todo el código de cualquier sistema.

Esta precisión importa porque el control adecuado depende de la etapa. Corregir un dato de entrada, cuestionar una inferencia y pedir revisión de una decisión son acciones relacionadas, pero no intercambiables.

Qué controles hacen posible cuestionarlas

Cuando una inferencia afecta opciones relevantes, la autonomía exige algo más que aceptar pasivamente la clasificación. El control no implica prohibir el análisis de datos ni obligar a publicar secretos empresariales. Significa que la persona pueda comprender lo suficiente para detectar errores, discutir atribuciones y conocer las consecuencias.

Un marco razonable debería permitir preguntar:

• qué categorías de datos alimentaron la inferencia;
• con qué propósito se creó y se utiliza;
• si expresa un hecho, una estimación o una puntuación;
• qué grado de incertidumbre tiene y durante cuánto tiempo se conserva;
• si produce una decisión relevante y cómo puede revisarse.

En la Unión Europea existen derechos de acceso y rectificación, además de salvaguardas concretas para determinadas decisiones exclusivamente automatizadas. Su aplicación tiene límites y excepciones. Una revisión humana, cuando corresponde, solo aporta control real si quien revisa comprende el resultado, considera información adicional y puede modificarlo; una confirmación mecánica no cambia la sustancia del proceso.

Estos controles forman parte de una discusión más amplia sobre el control sobre los datos personales y sobre cómo proteger la autonomía individual ante organizaciones con gran capacidad para clasificar. Para recomendaciones operativas, el uso de IA y datos personales plantea además problemas específicos de implementación.

Principio de control: Cuanto mayor sea el efecto de una inferencia sobre las oportunidades de una persona, más importantes son la transparencia, la posibilidad de impugnarla y una revisión efectiva.

El punto decisivo no es impedir toda predicción

Inferir es una práctica común y, en muchos contextos, útil. El problema aparece cuando una conclusión incierta adquiere autoridad sin que la persona conozca su origen, su propósito o la manera de cuestionarla.

Una sociedad abierta no necesita elegir entre innovación y libertad individual. Puede permitir usos legítimos del análisis y, al mismo tiempo, exigir límites proporcionales allí donde las clasificaciones alteran oportunidades. La pregunta práctica no es solo qué datos posee una organización, sino qué cree saber sobre cada persona, con qué base y para hacer qué.