El 21 de julio de 2026, la Agencia Española de Protección de Datos publicó una nota técnica que está llamada a convertirse en referencia para cualquier organización que desarrolle o use sistemas de inteligencia artificial. Su objetivo es concreto: aclarar cómo se proyectan los principios de exactitud y minimización del RGPD cuando los datos personales se usan para entrenar, ajustar o alimentar modelos de IA.
Es, según la propia AEPD, uno de los primeros trabajos a nivel mundial que aborda esta cuestión de forma sistemática.
El problema de fondo: el RGPD no pensaba en la IA
Cuando el Reglamento General de Protección de Datos entró en vigor en 2018, los modelos de aprendizaje automático a gran escala apenas existían en el ámbito empresarial. Sus principios —entre ellos la exactitud y la minimización— se diseñaron pensando en tratamientos donde cada dato tiene un propósito claro y una relación directa con una persona.
Los sistemas de IA rompen ese esquema. Un modelo de clasificación de imágenes puede entrenarse con millones de fotos, de las cuales una fracción minoritaria contiene datos personales. Un modelo de lenguaje puede procesar texto en el que aparecen nombres, lugares y situaciones de personas reales. ¿Cómo aplican exactitud y minimización en ese contexto? Hasta ahora, la respuesta no era clara. La nota técnica de la AEPD pretende cambiar eso.
Exactitud no significa perfección: la matización clave
El principio de exactitud del artículo 5.1.d) del RGPD establece que los datos deben ser exactos y, si fuera necesario, actualizados. La interpretación clásica ha tendido a equiparar exactitud con veracidad absoluta: el dato debe ser correcto.
La AEPD matiza eso significativamente. La exactitud, en el contexto de tratamientos con IA, no exige que los datos sean siempre plenamente verídicos o estén completamente actualizados. Lo que exige es que sean adecuados para cumplir el objetivo del tratamiento y que esa adecuación se garantice cuando resulte relevante para las personas afectadas.
Esta distinción es importante en la práctica. Una exigencia de exactitud demasiado estricta podría entrar en conflicto con el principio de minimización —si hay que recopilar datos adicionales para verificar la exactitud de los existentes— o generar cargas desproporcionadas en el desarrollo de sistemas de IA que trabajan con datos históricos o incompletos por naturaleza.
La calidad del conjunto, no solo de cada dato
Uno de los hallazgos más relevantes de la nota técnica es el desplazamiento del foco desde el dato individual hacia el conjunto de datos. En modelos de aprendizaje automático, la calidad del dataset importa más que la exactitud de cada registro aislado.
La AEPD señala tres factores que determinan la calidad del conjunto en el contexto de la IA:
- Representatividad: el dataset debe representar adecuadamente la realidad que el modelo pretende aprender. Un conjunto sesgado producirá predicciones sesgadas, lo que puede generar impactos desproporcionados sobre determinados grupos de personas.
- Ausencia de sesgos: los datos de entrenamiento pueden contener sesgos históricos que el modelo replicará y amplificará. Identificarlos y mitigarlos forma parte de la obligación de exactitud.
- Relevancia: los datos deben ser pertinentes para la tarea que el sistema va a realizar. Incluir datos irrelevantes no es neutral: introduce ruido y puede comprometer tanto la calidad del modelo como el principio de minimización.
Los resultados también tienen que ser exactos
La nota técnica extiende el requisito de exactitud más allá de los datos de entrada. Las inferencias, predicciones y decisiones generadas por los sistemas de IA también deben ser exactas en el sentido del RGPD. No deben producir representaciones incorrectas o desproporcionadas de las personas afectadas.
Esto tiene implicaciones directas para los sistemas que toman decisiones automatizadas con impacto en personas: scoring crediticio, sistemas de selección de personal, recomendación de tratamientos médicos, valoración de riesgos de seguros. El hecho de que sea un algoritmo quien produzca la predicción no exime a la organización de la obligación de que esa predicción sea exacta y no genere consecuencias injustas.
Minimización y IA: el equilibrio difícil
El principio de minimización exige recoger únicamente los datos necesarios para la finalidad del tratamiento. En el contexto del entrenamiento de modelos de IA, esto plantea una tensión real: los modelos suelen mejorar con más datos, pero más datos no siempre está justificado.
La AEPD no resuelve esta tensión con una regla simple, porque no la hay. Lo que establece es que la evaluación debe hacerse en función de la finalidad concreta del sistema, considerando qué datos son realmente necesarios para lograr la precisión requerida, y documentando esa decisión.
En la práctica, esto significa que las organizaciones deben ser capaces de justificar por qué cada categoría de dato incluida en el entrenamiento es necesaria, y no limitarse a recopilar todo lo disponible porque “más datos es mejor”.
Qué deben hacer ahora los responsables de proyectos de IA
La nota técnica de la AEPD no crea nuevas obligaciones formales, pero sí clarifica cómo se aplican las existentes. Para los equipos que desarrollan o supervisan sistemas de IA en sus organizaciones, las implicaciones prácticas son inmediatas:
- Documentar la evaluación de calidad del dataset antes del entrenamiento, incluyendo análisis de representatividad y sesgos
- Definir criterios de exactitud para los outputs del modelo, no solo para los inputs
- Justificar la necesidad de cada categoría de dato en el expediente de evaluación de impacto
- Revisar periódicamente la calidad del conjunto de entrenamiento, especialmente si el modelo se usa durante años
- Incorporar estos criterios en los contratos con encargados que desarrollen o mantengan modelos de IA
Conclusión
La nota técnica de la AEPD sobre calidad de datos en IA llega en un momento en que muchas organizaciones están tomando decisiones de fondo sobre cómo y con qué datos construir sus sistemas. Leerla ahora, antes de que esas decisiones estén tomadas, es mucho más útil que tener que reconstruirlas después bajo presión regulatoria.
¿Tu empresa está desarrollando o implantando sistemas de IA? En Adaptación RGPD te ayudamos a evaluar el impacto sobre la protección de datos y a documentar el cumplimiento del RGPD y el AI Act desde el primer día.
