Privacy by Design: por qué este principio está definiendo el futuro de la gestión del riesgo digital

En el sector financiero, Privacy by Design se ha considerado tradicionalmente un principio para proteger los datos personales y cumplir con los requisitos regulatorios. Sin embargo, su importancia va mucho más allá del cumplimiento normativo. Para los bancos y las instituciones financieras, reducir el volumen de datos personales que procesan es una forma de mitigar los riesgos operativos y regulatorios. Para los sistemas de prevención de fraude, es un incentivo para desarrollar tecnologías de evaluación de riesgo que no dependan de identificadores personales directos.

Privacy by Design (privacidad por diseño) es un enfoque de diseño de sistemas en el que la protección de los datos personales de los usuarios finales se integra en la arquitectura del producto desde el inicio, en lugar de añadirse después como una función independiente. Hoy, esto ya no es responsabilidad exclusiva de los equipos de cumplimiento. Para los responsables de gestión de riesgos y prevención de fraude, la elección de los datos determina no solo las capacidades de evaluación de riesgo de un sistema, sino también los costos de procesar y proteger esos datos. Al mismo tiempo, la necesidad de limitar la recopilación de datos personales está impulsando el desarrollo de nuevas tecnologías capaces de detectar fraudes sin depender de identificadores directos del usuario.

En este artículo analizamos cómo Privacy by Design está cambiando la forma en que se construyen los sistemas de prevención de fraude y cómo ayuda a reducir los riesgos asociados al procesamiento y almacenamiento de datos. También exploramos las tecnologías que permiten evaluar el riesgo sin identificadores personales directos y los desafíos que ayudan a resolver.

Los límites de la prevención de fraude tradicional y los nuevos indicadores de riesgo

Históricamente, los sistemas de prevención de fraude han evolucionado ampliando el conjunto de datos del usuario disponibles para el análisis. La evaluación de riesgo se basa en historiales crediticios, registros de transacciones, datos personales, características del dispositivo y otros atributos. Cuanta más información tiene un sistema, mayor es su capacidad para detectar fraudes. Sin embargo, este enfoque también aumenta el volumen de datos que las instituciones financieras deben almacenar, procesar y proteger.

A medida que las regulaciones de datos personales se vuelven más estrictas —desde el GDPR en Europa y la Ley DPDP en India hasta legislaciones similares en Brasil, Canadá, China, Singapur y los Emiratos Árabes Unidos— y a medida que Google y Apple introducen nuevas restricciones, recopilar y utilizar datos de usuarios resulta cada vez más complejo y costoso para las empresas.

Las restricciones al uso de datos de identificación están llevando a los sistemas avanzados de prevención de fraude a buscar indicadores de riesgo no correlacionados, ausentes tanto en los datos tradicionales de los burós de crédito como en las soluciones antivirus convencionales. Entre ellos se encuentran las características del dispositivo, los parámetros del entorno digital y la dinámica de comportamiento dentro de cada sesión.

¿Qué significa esto en la práctica?

• Menores tasas de falsos positivos (FPR). Complementar el scoring transaccional con el análisis del entorno digital de la sesión puede ayudar a reducir los falsos positivos y ahorrar a los usuarios legítimos pasos de verificación innecesarios.
• Alta precisión sin identificación personal. Evaluar el riesgo a partir de estas señales no requiere conocer el nombre ni el número de teléfono de la persona. Además, las señales del entorno digital identifican la intención técnica real dentro de una sesión con una precisión, en promedio, un 30% mayor que los perfiles históricos de datos personales, que los defraudadores han aprendido a eludir con relativa facilidad.
• Mayor resistencia a la manipulación de datos. La información personal expuesta en filtraciones y comercializada en mercados clandestinos es un recurso para los defraudadores: pueden utilizarla para suplantar la identidad de otras personas. Replicar el comportamiento de un usuario real a lo largo de una sesión es considerablemente más difícil: exige reproducir no solo acciones individuales, sino también su secuencia, su ritmo y su combinación con señales técnicas.

Desafíos tecnológicos: la economía del almacenamiento de datos personales

Las grandes tendencias tecnológicas están haciendo que los datos personales acumulados dejen de ser un activo de negocio y se conviertan en un pasivo operativo, regulatorio y reputacional significativo. Hoy, los equipos de gestión de riesgos deben considerar dos factores fundamentales:

• La comoditización de los datos filtrados mediante IA y LLM. Los grandes modelos de lenguaje han reducido drásticamente el costo de procesar conjuntos de datos expuestos. El data stitching automatizado, que combina fragmentos de distintas bases de datos, permite a los atacantes armar perfiles personales detallados con información de contacto, domicilios, números de teléfono de familiares y comportamiento de pago. Una investigación de la Cloud Security Alliance ilustra la eficacia de los LLM en este tipo de tareas. En un estudio de 2026, agentes basados en LLM vincularon perfiles anónimos de usuarios con sus páginas reales de LinkedIn con un 90% de precisión y un 67% de exhaustividad (recall), con un costo de API de apenas 1 a 4 dólares por persona.
• Almacenar datos personales estáticos genera riesgos persistentes y no garantiza una autenticación segura. A diferencia de las contraseñas, los datos del pasaporte, las fechas de nacimiento y los domicilios no pueden cambiarse sin más después de una filtración. Esto hace que dicha información sea especialmente vulnerable a los ataques Harvest Now, Decrypt Later (“recolectar ahora, descifrar después”). Los atacantes ya están interceptando y acumulando grandes volúmenes de datos cifrados de instituciones financieras. Según expertos en ciberseguridad citados por el NIST, en la próxima década podría surgir una máquina capaz de romper la criptografía asimétrica que protege estos archivos.

Aplicar Privacy by Design puede reducir el daño potencial de estas amenazas. Si un sistema de prevención de fraude no recopila desde el principio datos del pasaporte, nombres completos, información de contacto ni otros identificadores directos, esta información no puede quedar expuesta a través de una vulneración de ese sistema. Los datos técnicos y de comportamiento también requieren protección, pero su uso reduce la cantidad de información personal que se comparte con proveedores externos.

En JuicyScore no solo eliminamos la necesidad de identificadores personales directos, sino que también utilizamos activamente algoritmos resistentes a la computación cuántica en componentes clave de nuestros sistemas y productos, lo que refuerza de manera sustancial la protección de los datos técnicos y de comportamiento que procesamos.

La recopilación excesiva de datos amplía la superficie de ataque

El riesgo de una filtración de datos nunca puede eliminarse por completo. Cuantos más sistemas externos y proveedores de servicios participan en el procesamiento de los datos de los clientes, más difícil resulta mantener el control de la seguridad en toda la cadena de procesamiento.

Cualquier dato que una organización recopila, transmite o almacena termina formando parte de su superficie de ataque. Los grandes incidentes demuestran que incluso las infraestructuras bien protegidas siguen siendo vulnerables:

• El ataque de Rhysida contra la red administrativa de Berlín en agosto de 2026 provocó la exposición de aproximadamente 1,44 millones de archivos, con un total de 5,8 TB. Las autoridades reconocieron que los archivos comprometidos podrían contener datos personales. Fuente.
• Una campaña de phishing dirigida a usuarios de Signal en 2026 demostró que los atacantes no necesariamente tienen que comprometer el sistema en sí. Haciéndose pasar por personal de soporte, convencieron a los usuarios de revelar sus códigos de verificación. Fuente.

Esto plantea una pregunta práctica fundamental para todo proveedor de TI: ¿qué datos necesita realmente su producto para cumplir su función de negocio?

Si una solución de prevención de fraude no requiere una determinada categoría de información sensible, las instituciones financieras pueden evitar destinar una parte sustancial de sus presupuestos de TI a proteger su almacenamiento, aplicar protección criptográfica, gestionar accesos y auditar el cumplimiento de requisitos regulatorios como el GDPR o las estrictas leyes nacionales de protección de datos personales.

Nuevas herramientas para los equipos de prevención de fraude

La limitación en la recopilación de datos personales está impulsando el desarrollo de tecnologías que detectan fraudes mediante el análisis de las características del dispositivo, el comportamiento del usuario y otras señales que no requieren identificación personal directa.

Estas tecnologías se están convirtiendo gradualmente en una parte importante del conjunto de herramientas de gestión de riesgos, junto con los datos de los burós de crédito y los modelos basados en transacciones. A continuación, presentamos las principales áreas de desarrollo con mayor relevancia en el contexto de Privacy by Design.

La tabla destaca tecnologías que el mercado ya conoce. Junto a ellas surgen nuevos enfoques, y la gama de herramientas disponibles seguirá ampliándose.

En JuicyScore desarrollamos activamente soluciones en estas áreas: exploramos nuevas señales, creamos tecnologías para analizarlas y validamos su eficacia con datos reales. Esperamos que estas herramientas se conviertan en una parte esencial de los sistemas modernos de prevención de fraude en los próximos años.

ISO y SOC 2: certificación de procesos vs. arquitectura de datos

Para los proveedores de tecnología consolidados que atienden al sector financiero, la certificación ISO 27001 y las auditorías SOC 2 se han convertido en requisitos básicos. Demuestran que una organización cuenta con procesos de seguridad de la información establecidos, responsabilidades claramente definidas y auditorías externas periódicas.

Sin embargo, es importante hacer una distinción: la certificación demuestra la madurez de los procesos de gestión de la información, mientras que una arquitectura basada en Privacy by Design impide desde el principio que los datos sensibles ingresen al entorno de análisis de fraude.

En JuicyScore, ambos principios sustentan el desarrollo de nuestros productos. Nuestra tecnología se diseñó desde el inicio para permitir una prevención de fraude eficaz sin requerir datos que identifiquen directamente a las personas. Mediante un análisis profundo de las características del entorno técnico, los parámetros de conexión y las señales de comportamiento, logramos el mayor nivel posible de detección de anomalías sin añadir los costos operativos asociados a una infraestructura de datos personales.

Los estándares de seguridad y los requisitos regulatorios seguirán evolucionando inevitablemente en respuesta a un panorama de amenazas en constante cambio. Para los responsables de la gestión del riesgo digital, basarse únicamente en modelos tradicionales construidos sobre datos históricos ya no es suficiente. Deben adoptar principios de arquitectura que permitan detectar fraudes sin ampliar continuamente el volumen de datos personales recopilados.

El valor de la prevención de fraude de nueva generación no reside en la cantidad de datos que acumula un sistema, sino en el conocimiento y las conclusiones que puede obtener sin ellos. Privacy by Design ofrece un poderoso incentivo para esta evolución: las restricciones a la recopilación de datos están impulsando la innovación tecnológica en la evaluación de riesgos y el descubrimiento de nuevas señales.

¿Le resultó útil? Reciba el próximo artículo en su correo

Privacy by Design es solo uno de los cambios que transforman la prevención de fraude. Suscríbase al newsletter de JuicyScore para seguir los demás: desde nuevas señales de dispositivo y comportamiento hasta la evolución de la regulación de datos.