# ¿Cuándo ayuda Edge AI a la privacidad por diseño?

Decisiones sobre minimización, inferencia local y Responsible AI sin asumir que ejecutar en el dispositivo elimina el riesgo.

Canonical: https://www.ordantis.com/insights/responsible-ai-privacidad-edge-ai
Updated: 2026-08-27

## Respuesta breve

Edge AI reduce exposición cuando la inferencia local evita enviar datos brutos y solo transmite el resultado mínimo necesario. No elimina riesgos: el dispositivo puede perderse, el modelo puede filtrar atributos y las actualizaciones, trazas o telemetría todavía pueden revelar información personal.

## Contexto

Privacidad por diseño empieza por la finalidad y el flujo de datos. Mover un modelo al borde es una decisión de arquitectura dentro de ese análisis, no una garantía jurídica.

El procesamiento local también cambia latencia, consumo, capacidad de actualización y observabilidad. Un sistema difícil de parchear puede aumentar otro tipo de riesgo.

## Ejemplo didáctico: Inferencia local con diagnósticos remotos

Situación inventada; no representa un resultado de clientes.

Una cámara calcula ocupación en el dispositivo y envía solo un recuento. Sin embargo, el módulo de soporte adjunta fotogramas al registrar un error.

Qué decisión cambia: Incluye ese canal de soporte en el análisis del flujo. Desactivar el envío rutinario de vídeo no reduce la exposición de los fotogramas que salen por una vía de diagnóstico menos visible.

## Qué comprobar

- Finalidad, base aplicable y dato mínimo que necesita cada fase.
- Qué abandona el dispositivo: entrada, embedding, evento, métrica o diagnóstico.
- Riesgo de acceso físico, extracción del modelo y versiones sin actualizar.
- Rendimiento por grupo, contexto y capacidad de hardware.
- Política de conservación, borrado, telemetría y respuesta a incidentes.

## Método

### Dibujar el flujo

Representamos recogida, inferencia, sincronización, soporte y borrado con responsables y finalidad.

### Minimizar antes de modelar

Eliminamos campos, resolución y conservación que la decisión no necesita.

### Comparar arquitecturas

Evaluamos local, nube y combinada en privacidad, calidad, latencia, energía y mantenimiento.

### Probar el ciclo de vida

Incluimos actualización segura, revocación, dispositivo perdido, modo offline y retirada del modelo.

## Señales para detener la prueba

- La inferencia local envía después los datos brutos mediante telemetría.
- No existe un mecanismo fiable para parchear o retirar versiones vulnerables.
- La minimización impide la finalidad y se compensa recogiendo más datos ocultamente.
- El sistema se presenta como responsable sin medir impacto, sesgos y uso fuera de contexto.

## Fuentes

- [NIST AI Risk Management Framework](https://www.nist.gov/itl/ai-risk-management-framework)
- [EDPB: riesgos y mitigaciones de privacidad en LLM](https://www.edpb.europa.eu/system/files/2025-04/ai-privacy-risks-and-mitigations-in-llms.pdf)

## Para seguir con esta decisión

- [¿Cuándo necesita un problema un modelo temporal o un grafo?](https://www.ordantis.com/insights/elegir-modelo-tabular-temporal-grafo)
- [¿Qué debe demostrar un piloto de IA en una administración pública?](https://www.ordantis.com/insights/evaluar-piloto-ia-administracion-publica)
- [¿Cómo saber si una modalidad adicional mejora un modelo multimodal?](https://www.ordantis.com/insights/exist-modalidades-aportan-valor)
- [Servicio y entregables](https://www.ordantis.com/capacidades/investigacion-desarrollo)
