Prácticas proscritas (el mito del web crawling)

Que un dato sea tecnológicamente accesible en internet no lo convierte jurídicamente en un dato público de libre uso. Su recolección indiscriminada mediante Web Crawling viola la Ley 1581 de 2012 y la Circular 002. En consecuencia, esta técnica extractiva debe ser suprimida de los flujos de trabajo corporativos. Simultáneamente, se requiere un protocolo estricto para la experimentación con datasets descargados de repositorios abiertos para evitar la contaminación del entorno con datos de origen ilícito.

Un dataset contaminado propaga el riesgo regulatorio a toda la infraestructura. Si interactúa con los ambientes de producción, los datos personales no autorizados quedarán inmutables en las bases vectoriales (RAG) o en los pesos sinápticos del modelo de IA, forzando un escenario de Model Deletion (borrado total del algoritmo).

Para contener este riesgo, el Protocolo de Experimentación Segura debe ejecutar las siguientes fases:

1. Auditoría de Linaje (Data Card): Revisión documental previa a la descarga para descartar inmediatamente repositorios que declaren contener datos de identificación personal.

2. Entorno de Cuarentena (Sandbox): Despliegue del dataset en un ambiente de pruebas desconectado (air-gapped) de cualquier producto o servicio en producción.

3. Descubrimiento y Sanitización: Ejecución obligatoria de herramientas de PII Discovery (Reconocimiento de Entidades Nombradas) para detectar identificadores, acopladas a motores técnicos que eliminen de forma irreversible el carácter de dato personal.

4. Purga de Cuarentena: Finalizada la fase de experimentación y validado el Producto Mínimo Viable (MVP), la base de datos de prueba original y los remanentes del sandbox deben ser destruidos.

Retornar al Pilar de Datos Personales y IA en Colombia