Afinar un modelo (en inglés, fine-tuning) significa seguir entrenando un modelo de IA que ya existe con ejemplos propios de tu empresa, para que responda con tu estilo o conozca bien tu terreno. Si esos ejemplos incluyen datos de clientes, como correos, incidencias o llamadas transcritas, esos datos dejan de estar solo en tus archivos y pasan a influir en el propio modelo. De ahí nacen los riesgos de privacidad: puede ser difícil sacarlos de allí y, en algunos casos, pueden reaparecer en las respuestas.
Las grandes empresas tienen delegado de protección de datos y un departamento jurídico que revisa cada uso de datos antes de empezar. Una pyme no suele tenerlos, pero puede hacer lo esencial: preguntar a su proveedor cuatro o cinco cosas concretas y, sobre todo, decidir qué datos no deben entrar nunca en un entrenamiento. La decisión práctica para un gerente es esta: antes de afinar con datos de clientes, anonimiza lo que puedas o plantéate si realmente necesitas afinar.
¿Qué ocurre con los datos de clientes cuando se usan para afinar un modelo?
Al afinar, el modelo ajusta su funcionamiento interno a partir de los ejemplos que le das. No guarda una carpeta con ellos, pero puede llegar a reproducir fragmentos si se le pregunta de cierta manera, sobre todo cuando un dato aparece muy repetido o es muy singular, como un nombre poco habitual o un caso muy particular. Además, el conjunto de ejemplos suele copiarse a los sistemas del proveedor mientras dura el proceso, y a veces más tiempo.
Hay una segunda consecuencia que se pasa por alto: una vez afinado, sacar a un cliente concreto del modelo no es sencillo y, a menudo, obliga a repetir el entrenamiento sin sus datos. Eso complica el cumplimiento de derechos como la supresión de los datos personales. No significa que afinar con datos de clientes esté prohibido, sino que exige una base legal adecuada, información a las personas afectadas y un diseño que contemple cómo se atenderán esas peticiones. Esa valoración la hacen tu asesor o tu delegado de protección de datos, no el proveedor ni un agente.
¿Quién conserva el modelo resultante?
Depende por completo del contrato, y por eso es la pregunta que más suele olvidarse. Hay proveedores que mantienen el modelo afinado dentro de su plataforma, otros que lo entregan y otros que, salvo que lo excluyas, aprovechan tus ejemplos para mejorar sus modelos generales. Antes de firmar, conviene tener respuesta a estas preguntas:
- ¿De quién es el modelo afinado, o qué derechos de uso tengo sobre él?
- ¿Puedo llevármelo si cambio de proveedor, o desaparece con el contrato?
- ¿Se usan mis ejemplos para entrenar modelos de otros clientes o del propio proveedor?
- ¿Dónde se guardan los datos, en qué país y durante cuánto tiempo?
- ¿Qué subcontratistas intervienen en el proceso?
Si el proveedor no sabe contestarlas, esa es en sí misma una respuesta. Para formular el resto de preguntas sin ser experto, te sirve cómo hablar con un proveedor de IA sin saber de tecnología.
Cláusulas que conviene pedir por escrito
Estas son las que más valor aportan, pensadas para que las revise tu asesor jurídico:
- Uso exclusivo. Tus datos y el modelo afinado se usan solo para tu empresa, nunca para entrenar modelos de otros clientes ni del proveedor.
- Titularidad y salida. Quién es titular del modelo, qué derechos de uso tienes y qué ocurre con él cuando termina el contrato: entrega, eliminación o ambas.
- Borrado. Plazo y forma de eliminación de los ejemplos de entrenamiento al terminar el trabajo, con confirmación por escrito.
- Contrato de encargado del tratamiento. El documento que regula cómo trata el proveedor datos personales por cuenta tuya y bajo tus instrucciones.
- Lugar y subcontratistas. Dónde se almacenan los datos y quién más puede acceder a ellos.
- Incidentes. Aviso inmediato si hay una brecha de seguridad.
- Peticiones de supresión. Qué hará el proveedor si un cliente pide que se eliminen sus datos y ya forman parte de lo entrenado.
Hay además una pregunta previa que corresponde a tu empresa: si informaste a tus clientes de que sus datos se usarían para algo así y si ese uso es compatible con el motivo por el que los recogiste. Si la respuesta es no o no lo sabes, para y consulta antes de entrenar.
¿Qué datos conviene anonimizar antes de afinar?
Anonimizar es retirar o sustituir todo lo que permita identificar a una persona, de modo que ya no sea posible saber de quién se trata. Antes de preparar ningún conjunto de ejemplos, revisa y elimina o sustituye:
- Nombres y apellidos, DNI o NIE, fechas de nacimiento.
- Teléfonos, correos electrónicos y direcciones postales.
- Matrículas, números de cuenta bancaria o de tarjeta.
- Números de cliente, de pedido o de póliza que permitan llegar a la persona.
- Datos de salud u otros especialmente sensibles.
Presta atención al texto libre. Un correo o la nota de un técnico suele llevar los datos incrustados en las frases: "Llamó el señor Pérez, de la calle del Olmo, para quejarse de la instalación". Lo habitual es sustituirlos por etiquetas (CLIENTE_1, CIUDAD_A) y revisar una muestra a mano. Y no te fíes de que quitar el nombre sea suficiente: a veces la combinación de datos, como la profesión, el pueblo y una fecha, basta para identificar a alguien. Anonimizar de verdad es difícil, y se explica con más detalle en qué es la anonimización de datos para IA.
¿Hace falta afinar realmente?
Muchas veces no. Antes de entrenar nada con datos de clientes, pregúntate si lo que buscas se consigue de otra forma:
- Con instrucciones claras sobre tu tono y tus reglas de trabajo.
- Con ejemplos inventados o anonimizados que muestren cómo quieres las respuestas.
- Dejando que el agente consulte tu documentación, o los datos de un cliente concreto, solo en el momento de responder y con los permisos justos, sin incorporarlos al modelo.
Estas alternativas son más baratas, más fáciles de corregir y mucho menos arriesgadas para la privacidad. La comparación completa está en fine-tuning frente a ingeniería de prompts y en cuándo lo necesita tu empresa. La AEPD, en su decálogo del 27 de enero de 2026, recomienda en el ámbito laboral no incluir en las herramientas de IA información que revele datos confidenciales de la entidad, ni de su personal o clientes. Son recomendaciones, no obligaciones legales por sí mismas, pero marcan una línea prudente.
Qué hace el agente y qué decide una persona
Un agente puede ayudar a preparar el terreno: detectar en un conjunto de textos los campos que parecen datos personales, proponer sustituciones y marcar los casos dudosos. Lo que no hace es decidir si un conjunto de datos está suficientemente anonimizado, ni si hay base legal para usarlo. Esa decisión es de una persona con la formación adecuada, con el asesor al lado, y conviene que quede registrada junto con lo que se entrenó, con qué datos y quién lo aprobó.
Fuentes
- AEPD (2026): La AEPD publica un decálogo con recomendaciones para proteger la privacidad al usar herramientas de IA
Conclusión
Afinar un modelo con datos de clientes puede dejar esos datos dentro del modelo, de donde cuesta sacarlos, y puede hacer que reaparezcan en las respuestas. Antes de hacerlo, define por escrito quién conserva el modelo, para qué puede usarse y cuándo se borra todo, anonimiza los datos que identifiquen a personas y comprueba si una alternativa que no entrene con ellos te sirve.
En MG Solutions construimos agentes de IA específicos para cada empresa, adaptados a tu forma de trabajar y a tus herramientas, cuidando qué datos de clientes se usan y para qué, no una plantilla genérica.
Si quieres ver cómo encajaría en tu empresa, escríbenos y lo hablamos.