Aprendizaje federado: privacidad y personalización sin centralizar datos
Índice del Contenido
El aprendizaje federado es una forma de entrenar un modelo de IA sin reunir los datos en un solo lugar: cada dispositivo u organización entrena con sus propios datos y solo envía las mejoras del modelo, que luego se combinan. Para una empresa, promete personalización y colaboración con menos exposición de datos, aunque por sí solo no garantiza la privacidad.
Cómo funciona, en tres pasos
Los datos no viajan; viaja el modelo. Google lo describió en 2017 en su blog de investigación:
- El celular descarga la versión actual del modelo.
- Lo mejora con los datos que guarda localmente y genera un resumen compacto de los cambios.
- Envía solo ese resumen, que el servidor promedia con los de muchos otros usuarios. Los datos de entrenamiento no salen del teléfono.
La técnica se formalizó en un artículo de 2016 de investigadores de Google, que propuso el método de promedio federado (FedAvg) y reportó que necesitaba entre 10 y 100 veces menos rondas de comunicación que el entrenamiento sincronizado convencional.
Dónde se ha usado
El caso más citado es el teclado Gboard de Android. Según Google, el teléfono registra localmente si el usuario tocó una sugerencia y usa ese historial para mejorar el siguiente modelo de sugerencias. Además, un protocolo criptográfico llamado agregación segura permite que el servidor solo descifre el promedio de las actualizaciones, después de que participen cientos o miles de usuarios.
En publicidad hubo un intento de alto perfil. Google propuso FLoC (Federated Learning of Cohorts) como alternativa a las cookies de terceros y luego lo reemplazó por la API Topics, a partir de lo aprendido en las pruebas y de los comentarios recibidos. En octubre de 2025, Google anunció que retiraba Topics y otras tecnologías de Privacy Sandbox por su baja adopción.
La lección para marketing es de prudencia: las tecnologías de privacidad aplicadas a la publicidad cambian rápido, y una estrategia que dependa de una sola de ellas es frágil. Los datos propios con consentimiento siguen siendo la base más estable.
Qué protege y qué no
Reduce la exposición, pero no la elimina. Una serie de blogs conjunta del NIST y del Gobierno del Reino Unido sobre aprendizaje federado con preservación de la privacidad (2023) advierte que las actualizaciones del modelo pueden revelar información sobre los datos de entrenamiento, y que de un modelo entrenado también se pueden inferir datos.
| Aspecto | Qué aporta el aprendizaje federado | Qué sigue haciendo falta |
|---|---|---|
| Datos en bruto | No se centralizan | Proteger cada dispositivo o sede |
| Actualizaciones del modelo | Solo se comparten resúmenes | Agregación segura y otras técnicas para que no filtren información |
| Modelo final | Aprende de muchos sin ver a nadie en concreto | Pruebas de que no permite reconstruir o inferir datos |
| Cumplimiento legal | Reduce transferencias de datos | Base legal, transparencia y derechos de los titulares |
Por eso conviene combinarlo con otras técnicas de protección, como la agregación segura o la privacidad diferencial, que limita lo que se puede deducir de cualquier persona.
Cuándo tiene sentido para una empresa
Tiene sentido cuando el valor está en aprender de datos que no se pueden o no se deben juntar. No es una solución para el día a día de la mayoría de los equipos de marketing.
- Colaboración entre organizaciones. Varias entidades que quieren un modelo común sin compartir registros. Los gobiernos de EE. UU. y Reino Unido organizaron premios de tecnologías de privacidad con dos casos: combatir delitos financieros y responder a emergencias de salud pública.
- Redes del mismo sector. Por ejemplo, varios hospitales que quieren mejorar un modelo de apoyo al diagnóstico: cada uno entrena con sus pacientes y solo comparte las actualizaciones del modelo.
- Aplicaciones con datos en el celular. Personalizar sugerencias o recomendaciones sin subir el comportamiento del usuario.
- Sedes o países con restricciones. Cuando los datos deben quedarse en su lugar de origen.
Tiene además desafíos prácticos: los datos de cada participante suelen ser distintos entre sí (heterogéneos), los sistemas no siempre son compatibles y entrenar en cada dispositivo exige capacidad de cómputo que no todos tienen.
No tiene sentido si tus datos ya están legítimamente centralizados en un CRM, si el volumen es pequeño o si no cuentas con un equipo técnico capaz de mantenerlo. En esos casos, buenas prácticas de segmentación con datos propios y, para pruebas, datos sintéticos resuelven más con menos.
Preguntas para un proveedor que lo ofrece
- ¿Qué se envía exactamente desde cada dispositivo o sede?
- ¿Usan agregación segura u otras técnicas para proteger las actualizaciones?
- ¿Han probado si el modelo final permite inferir datos de participantes?
- ¿Qué base legal y qué aviso de privacidad cubren el uso de los datos locales? En Panamá rige la Ley 81 de 2019.
Si estás valorando una solución así, aplica también los criterios para evaluar una herramienta de IA antes de adoptarla. El aprendizaje federado es una buena idea de arquitectura; no es, por sí solo, una promesa de privacidad.
Si tu equipo está evaluando cómo aplicar la IA al marketing sin comprometer los datos de sus clientes, en mi consultoría de marketing digital incluyo formación en IA aplicada.
Fuentes
- Federated Learning: Collaborative Machine Learning without Centralized Training Data, Google Research, 2017.
- Communication-Efficient Learning of Deep Networks from Decentralized Data, McMahan et al., arXiv, 2016.
- The UK-US Blog Series on Privacy-Preserving Federated Learning: Introduction, Responsible Technology Adoption Unit (Reino Unido) y NIST, 2023.
- Conoce la nueva API Topics para Privacy Sandbox, Google, 2022.
- Update on Plans for Privacy Sandbox Technologies, Google, 2025.
Revisado y actualizado en octubre de 2026.
