Anonimizar un contrato antes de mandarlo a un LLM (sin otro LLM)

Un contrato está lleno de datos personales: nombres completos, números de carnet, NIT, teléfonos, direcciones, placas de vehículos, matrículas de inmuebles. Si quieres analizarlo con un modelo en la nube (Groq, Gemini…), todo eso viaja a un servidor que no controlas.

En AdvAI, mi proyecto de grado, la regla es simple: a la nube solo llega texto anonimizado. Este artículo explica cómo lo resolví y por qué la solución no fue “otro modelo de IA”.

La tentación: usar un LLM para anonimizar

Lo primero que se le ocurre a cualquiera es pedirle a un modelo: “reemplaza los datos personales de este texto”. Tiene dos problemas:

1. Para anonimizar con un modelo en la nube, primero tienes que mandarle los datos. Justo lo que querías evitar.
2. No es determinista. Hoy reemplaza el nombre, mañana se le escapa uno. Y no puedes probarlo con un test que pase siempre.

Así que el anonimizador de AdvAI es código normal: expresiones regulares y reglas pensadas para contratos bolivianos. Sin servicios externos, rápido y con resultados que se pueden probar.

Marcadores estables, no asteriscos

La idea clave: no borrar los datos, sino reemplazarlos por marcadores que conservan el significado. El modelo necesita saber que “el vendedor” y “la compradora” son personas distintas y quién se obligó a qué.

• Las partes del contrato se reemplazan por su rol: [VENDEDOR], [COMPRADORA], [ARRENDATARIO]…
• Otras personas y empresas: [PERSONA_1], [EMPRESA_1]…
• Datos identificatorios: [CI_1], [NIT_1], [TELEFONO_1], [PLACA_1], [DIRECCION_1]…

Y lo que el análisis legal sí necesita se conserva: montos, porcentajes, plazos y fechas.

Un antes y después (con datos inventados):

Antes:  Juan Carlos Pérez Rojas, con C.I. 1234567 CB, en adelante EL VENDEDOR,
        y María López, en adelante LA COMPRADORA, acuerdan el precio de Bs 50.000.

Después: [VENDEDOR], con [CI_1], en adelante EL VENDEDOR,
         y [COMPRADORA], en adelante LA COMPRADORA, acuerdan el precio de Bs 50.000.

Detectar a las partes: “en adelante EL VENDEDOR”

Los contratos tienen una fórmula casi universal para definir a las partes: ”…, en adelante EL VENDEDOR”, ”…, en adelante denominada LA ARRENDATARIA”. Esa fórmula es un regalo: me dice el nombre y el rol a la vez.

La expresión regular (simplificada) busca un nombre o una razón social, algunos datos intermedios y la frase “en adelante”:

DEF_PARTE = re.compile(
    rf"(?P<quien>{EMPRESA}|{NOMBRE})"        # nombre o empresa
    rf"(?P<medio>[^.;]{{0,260}}?)"          # datos intermedios (C.I., domicilio…)
    rf"en\s+adelante\s+(?:denominad[oa]s?\s+|llamad[oa]s?\s+)?"
    rf"(?P<rol>(?:EL|LA|LOS|LAS)\s+[A-ZÁÉÍÓÚÑ ]{{2,40}}?)",
    re.S)

NOMBRE son de 2 a 5 palabras con mayúscula inicial (admitiendo “de”, “del”, “de la” entre apellidos) y EMPRESA es una secuencia de palabras que termina en un sufijo societario: S.R.L., S.A., Ltda.… Así “Juan Carlos Pérez Rojas, en adelante EL VENDEDOR” se convierte en [VENDEDOR].

Después vienen, en orden:

1. Representantes y personas con tratamiento (“representada por…”, “Sr.”, “Lic.”, “Dra.”…) → [PERSONA_n].
2. Empresas que no son parte del contrato → [EMPRESA_n].
3. Datos por patrón: correo, C.I. (con extensión departamental: CB, LP, SC…), NIT, matrícula, placa, teléfono (celulares bolivianos de 8 dígitos, con o sin +591) y dirección (“Av.”, “Calle”, “Zona”… seguido de un nombre y un número).

Los falsos positivos también importan

Una regla que busca “palabras con mayúscula” encuentra nombres, pero también “Código Civil”, “Tribunal Supremo” o “Santa Cruz”. Si los anonimizo, el modelo pierde justo el contexto legal que necesita.

Por eso hay una lista de palabras que nunca son nombres de persona: instituciones, ciudades, departamentos, términos del contrato (“Cláusula”, “Primera”, “Testimonio”…) e incluso marcas de autos que aparecen en contratos de compraventa. Un nombre necesita al menos dos palabras con mayúscula y ninguna de esa lista.

Detalles que evitan errores sutiles

Tres decisiones pequeñas que hicieron la diferencia:

• Sustituir primero lo más largo. Si reemplazo “Juan Pérez” antes que “Juan Pérez Rojas”, queda [PERSONA_1] Rojas. Ordenar por longitud descendente lo evita.
• Variantes del mismo nombre. Un contrato dice “Juan Carlos Pérez Rojas” en la comparecencia y “Juan Carlos” o “Juan Pérez” más adelante. Para nombres de tres o más palabras también se reemplazan esas formas cortas con el mismo marcador.
• Un mapa para todo el contrato. El análisis se hace cláusula por cláusula, en paralelo. Si cada cláusula se anonimizara por separado, el mismo vendedor podría ser [PERSONA_1] en una y [PERSONA_3] en otra. Por eso se anonimiza el contrato completo una vez y ese mapa se aplica a cada cláusula.

La interfaz es de tres métodos:

texto_anon, mapa = Anonimizador().anonimizar(contrato)   # una vez por contrato
clausula_anon = Anonimizador.aplicar(clausula, mapa)       # por cada cláusula
respuesta = Anonimizador.restaurar(respuesta_llm, mapa)    # al volver del modelo

El mapa nunca sale del servidor

El mapa marcador → dato real se queda en el servidor. El modelo ve [VENDEDOR]; cuando responde “la obligación de [VENDEDOR] de entregar el bien…”, el sistema restaura los datos reales antes de mostrárselo al abogado. El usuario lee su contrato con nombres reales; el proveedor de IA nunca los vio.

Además, AdvAI prefiere un modelo local (Ollama) cuando está disponible, y los proveedores en la nube solo entran como respaldo. Pero incluso cuando se usa la nube, el texto ya salió anonimizado.

Lo que aprendí

• No todo problema de IA se resuelve con IA. Para algo que tiene que funcionar siempre igual, unas reglas bien probadas le ganan a un modelo.
• Privacidad por diseño cambia la arquitectura. El mapa, el orden de sustitución y el “anonimizar una vez por contrato” salieron de pensar la privacidad desde el principio, no de agregarla al final.
• Los falsos positivos cuestan tanto como los falsos negativos. Anonimizar de más destruye el contexto que el modelo necesita para razonar.

¿Estás mandando datos de usuarios a un LLM? Antes de elegir el modelo, pregúntate qué parte del texto realmente necesita ver.