Docx Anonymizer reconoce 50 categorías de datos y admite nueve formatos

Enviar un contrato o una hoja de cálculo a un chat de IA es fácil. Lo difícil es asegurarse de que, junto con el texto principal, no se hayan enviado los datos del pasaporte, los comentarios de compañeros, una hoja oculta de Excel o el nombre del autor incluido en los metadatos. Este es el problema cotidiano pero desagradable que resuelve la extensión de Chrome Docx Anonymizer: busca datos personales antes de cargar un archivo en un servicio externo y permite eliminar rastros que el usuario normalmente no ve.

En la nueva versión, el desarrollador amplió la compatibilidad más allá de los documentos de Word. La herramienta funciona con hojas de cálculo y presentaciones de Microsoft Office, así como con archivos TXT, Markdown, CSV, JSON y de registro. El número de categorías reconocidas aumentó de 21 a 50. Para un desarrollador o un equipo de producto, la lógica es sencilla: antes de entregar a un sistema de IA una exportación de clientes, el acta de una reunión o un registro técnico, el archivo puede revisarse con una misma herramienta.

Cómo funciona en la práctica

Imaginemos una hoja de cálculo con solicitudes de soporte. Las celdas visibles contienen el nombre del cliente, su teléfono y una descripción del problema. En una hoja oculta permanece una muestra interna, un responsable anotó un número de contrato en un comentario y una fórmula utiliza una referencia a una celda con una dirección de correo electrónico. Si alguien se limita a copiar la hoja principal o a sustituir unos cuantos valores evidentes, parte de los datos permanecerá dentro del archivo.

Docx Anonymizer no busca únicamente nombres completos y datos de contacto. El conjunto anunciado incluye datos de pasaportes rusos nacionales e internacionales, permisos de conducir, cartillas militares, permisos de residencia, documentos migratorios, pólizas del seguro médico obligatorio, certificados de matriculación y pasaportes de vehículos. También reconoce por separado números VIN, números oficiales y catastrales, direcciones IP y MAC, información sanitaria y otras categorías sensibles. Ahora el pasaporte se desglosa en cuatro campos independientes: serie y número, autoridad expedidora, fecha de expedición y código del departamento.

Para los formatos de texto se aplica una restricción importante al ámbito de sustitución: los delimitadores de CSV y las claves de JSON no se modifican, por lo que la estructura de los datos debería conservarse y el JSON debería seguir siendo válido. Esto resulta útil para conjuntos de prueba, registros y exportaciones que, después de anonimizarse, deben volver a cargarse en una aplicación o procesarse mediante un script.

Los datos ocultos son un riesgo independiente

La extensión muestra los comentarios, el historial de revisiones, el texto oculto, las hojas y diapositivas ocultas, así como la caché de fórmulas y gráficos. Estos elementos pueden eliminarse antes de enviar el documento. Esta comprobación es especialmente importante para los archivos de Office: un documento visualmente limpio no tiene por qué estar limpio dentro del archivo comprimido que, técnicamente, constituye un DOCX, XLSX o PPTX.

Sin embargo, la automatización no garantiza que se hayan descartado por completo las filtraciones. Las heurísticas pueden pasar por alto un identificador escrito de una forma poco habitual o, por el contrario, confundir un número corriente con datos personales. El desarrollador también advierte que sustituir valores dentro de las fórmulas puede romper algunas de ellas. Por tanto, es necesario comprobar el resultado y conservar el archivo original por separado.

Qué debe hacer el equipo

La herramienta debe considerarse una barrera adicional antes de transferir documentos a sistemas de IA, no un sustituto completo del proceso de protección de datos. Primero hay que definir qué archivos pueden cargarse en modelos externos. Después, se deben eliminar las hojas innecesarias, los comentarios y el historial de revisiones, ejecutar la anonimización y comprobar manualmente el archivo resultante. Para el trabajo habitual, conviene añadir un conjunto de control de documentos con tipos de datos conocidos y utilizarlo para comprobar cada actualización de la extensión.

El principal valor del proyecto no reside en la cantidad de formatos compatibles, sino en recordar cuál es la verdadera superficie de exposición de una filtración. Los datos personales no viven únicamente en los párrafos. Se ocultan en fórmulas, metadatos y capas internas, que son precisamente los elementos que más a menudo se olvidan comprobar antes de hablar con un sistema de IA.