Sobre el autor
Escrito por Alexis Hirschhorn, formador de Abilene Academy. Certificado ISO/IEC 42001 Lead Implementer, Certified Artificial Intelligence Professional, CISSP, CISM, CISA, auditor jefe ISO/IEC 27001 y formador certificado por PECB. Unos 25 años de experiencia práctica en seguridad de la información, seguridad en la nube y gobernanza de la IA, en multinacionales, organismos públicos y organizaciones internacionales. Perfil: https://www.abileneacademy.ch/es/about/team/alexis-hirschhorn
A 18 de noviembre de 2026, la ISO/IEC 27091 se encuentra en la etapa 50.20 (votación FDIS), con una publicación estimada para febrero de 2027. Es una norma de directrices: nadie puede certificarse conforme a ella.
Metodología
Basado en el catálogo de ISO y en el proyecto de Norma Internacional (DIS); volveremos a comprobar el contenido frente al texto publicado y registraremos los cambios más abajo.
1. Lo esencial
La ISO/IEC 27091 es una nueva norma de directrices, no certificable, dedicada a los riesgos para la privacidad en los sistemas de IA. Se encuentra en su votación final de aprobación. Estos son los cinco puntos que la mayoría de los equipos necesita conocer hoy.
- 3 de febrero de 2023: el proyecto se registró en el ISO/IEC JTC 1/SC 27. Es la edición 1, una norma completamente nueva que no sustituye a ninguna otra: ningún certificado se ve afectado y no hay transición.
- 2 de noviembre de 2026: la ISO/IEC FDIS 27091 inició su votación final de ocho semanas (etapa 50.20). Se estima que la votación cerrará hacia el 28 de diciembre de 2026.
- Febrero de 2027 (estimación): lo más probable es que la publicación se produzca en febrero de 2027, dentro de un rango estimado de mediados de enero a abril de 2027.
- 14 de octubre de 2026: se publicó la norma hermana ISO/IEC 27090:2026, dedicada a las amenazas de seguridad de la IA. Remite a la 27091 para los aspectos de privacidad.
- A 18 de noviembre de 2026: no existe certificación 27091, ni auditor 27091, ni plazo de transición, y la “27091:2025” no existe. Utilícela dentro de un SGIA ISO/IEC 42001 o de un SGPI ISO/IEC 27701:2025.
2. Seguimiento del estado
La ISO/IEC 27091 ha superado la etapa de consulta (DIS) y ahora se somete a votación como proyecto final de Norma Internacional (FDIS). La tabla distingue lo que ISO ha confirmado de lo que nosotros estimamos.
Etapa: 20.00
Etapa: 40.20
Etapa: 40.60
Etapa: 50.00
Etapa: 50.20
Etapa: 50.60
Etapa: 60.60
Lo que viene. Los organismos nacionales de normalización votan el FDIS hasta el cierre de la votación, que estimamos hacia el 28 de diciembre de 2026. La ISO/IEC 27090 se publicó ocho semanas después del cierre de su votación, por lo que estimamos que la 27091 se publicará en febrero de 2027, dentro de un rango estimado de mediados de enero a abril de 2027. En el caso poco habitual de que el proyecto se devuelva al comité, estimamos que la publicación se retrasaría al segundo semestre de 2027. El FDIS no está a la venta: adquiera la norma publicada a través de ISO o de su organismo nacional de normalización.
Última comprobación en el catálogo de ISO: 18 de noviembre de 2026
Indicador de la ISO/IEC 27091 en la escala de etapas ISO de 00 a 60, a 18 de noviembre de 2026. Etapa actual 50.20: votación FDIS abierta el 2 de noviembre de 2026, día 16 de 56. Hitos confirmados: 20.00 registro del proyecto el 3 de febrero de 2023; 40.20 apertura de la votación DIS el 3 de diciembre de 2025; 40.60 cierre de la votación DIS el 26 de febrero de 2026; 50.00 registro del FDIS el 13 de julio de 2026; 50.20 apertura de la votación FDIS el 2 de noviembre de 2026. Estimaciones: 50.60 cierre de la votación hacia el 28 de diciembre de 2026; 60.60 publicación en febrero de 2027 (rango de mediados de enero a abril de 2027). Si el proyecto se devolviera al comité, la publicación se retrasaría al segundo semestre de 2027 (estimación).
3. Qué es la ISO/IEC 27091 y qué no es
La ISO/IEC 27091, Cybersecurity and Privacy - Artificial Intelligence - Privacy protection (edición 1, JTC 1/SC 27), es una norma de directrices que ayuda a las organizaciones a identificar y tratar los riesgos para la privacidad propios de los sistemas de IA y de los modelos de aprendizaje automático. No es una norma de sistema de gestión: nadie puede certificarle conforme a ella, ni a usted, ni a su producto, ni a su personal.
El resumen público de ISO indica, en inglés, que la norma “provides guidance for organizations to address privacy risks in artificial intelligence (AI) systems and machine learning (ML) models” (ISO, ficha de catálogo de la ISO/IEC FDIS 27091). El FDIS tiene 35 páginas. El comité es el ISO/IEC JTC 1/SC 27 y el comité espejo británico es el BSI IST/33/5.
La ISO/IEC 27091 es: Un conjunto de directrices (recomendaciones “should”)
La ISO/IEC 27091 es: Un método para analizar los riesgos de privacidad de la IA
La ISO/IEC 27091 es: Un catálogo de amenazas y medidas propias de la IA
La ISO/IEC 27091 es: Aplicable a organizaciones de cualquier tamaño y sector que desarrollen o utilicen IA
Ficha de la ISO/IEC 27091, edición 1, en fase de proyecto final (FDIS). Título oficial: Cybersecurity and Privacy - Artificial Intelligence - Privacy protection. Comité ISO/IEC JTC 1/SC 27, comité espejo británico BSI IST/33/5. 35 páginas. Norma de directrices, no una norma de sistema de gestión, y no certificable. No sustituye a ninguna norma: sin transición ni certificados afectados. Para organizaciones de cualquier tamaño o sector que desarrollen o utilicen IA. Úsela para identificar y tratar los riesgos de privacidad de la IA, para alimentar la ISO/IEC 42001 o la ISO/IEC 27701:2025 y para respaldar las EIPD y la documentación del Reglamento de IA. No es una norma armonizada, ni un sustituto de una EIPD o del asesoramiento jurídico, ni una guía para decidir si desplegar IA. No existe ni certificación 27091, ni plazo de transición, ni ISO/IEC 27091:2025.
A quién se dirige. A organizaciones de cualquier tamaño y sector que desarrollen, compren, ajusten, desplieguen u operen sistemas de IA que traten datos personales, desde la start-up que crea un motor de recomendaciones hasta el banco que adquiere un modelo de scoring crediticio. Sus principales lectores serán los delegados de protección de datos (DPD), los ingenieros de privacidad, los CISO, los responsables de gobernanza de la IA, los ingenieros de ML y sus consultores.
Lo que deja fuera. La norma no dice si conviene desplegar IA. Esa decisión de negocio le corresponde a usted, igual que la cuestión de la licitud.
“Utilice la 27091 como una lupa, no como un certificado. Ayuda a plantear las preguntas que quizá un auditor no haga: ¿se puede inducir a este modelo, mediante un prompt, a revelar datos de entrenamiento? ¿Sus salidas permiten identificar a alguien? ¿Puede generarse y difundirse una afirmación falsa sobre una persona?” Alexis Hirschhorn
Para una respuesta breve a la pregunta más frecuente, consulte ¿Es certificable la ISO/IEC 27091?.
4. Por qué existe
La ISO/IEC 27091 existe porque los sistemas de IA crean riesgos para la privacidad que los métodos tradicionales no estaban diseñados para detectar. Los datos personales pueden quedar dentro de un modelo, deducirse de sus salidas o ser inventados por él.
El análisis tradicional de riesgos de privacidad, como el enfoque de la ISO/IEC 29100 y la ISO/IEC 27557, parte de que los datos personales residen en lugares que se pueden mapear, minimizar, proteger y eliminar. La IA pone en cuestión ese supuesto de cuatro maneras (para una visión general, consulte qué diferencia la gestión de riesgos de IA de la gestión de riesgos de TI tradicional).
“Una base de datos tradicional es como un archivador cerrado con llave: usted sabe qué cajón contiene el expediente de cada persona. Un modelo de IA se parece más a alguien que ha leído miles de expedientes y al que se le pueden hacer preguntas. Aunque retire el archivador, el modelo todavía puede recordar fragmentos, deducir detalles que faltan o combinar datos de una forma que nadie había previsto.” Alexis Hirschhorn
Memorización. Los modelos grandes pueden retener fragmentos de sus datos de entrenamiento, como nombres, datos de contacto o registros poco comunes. Esos datos quedan repartidos en los parámetros del modelo en lugar de almacenados en una base de datos, y un prompt bien construido puede hacerlos aflorar.
Inferencia. Un modelo puede deducir hechos que nadie le ha facilitado, por ejemplo un estado de salud a partir de un historial de compras, y un atacante puede deducir si el registro de una persona formaba parte del conjunto de entrenamiento.
Reidentificación. Los datos seudonimizados o “anonimizados” antes del entrenamiento a veces pueden vincularse de nuevo a personas a través de las salidas, los embeddings u otras fuentes. Por eso las autoridades europeas ya no aceptan que un modelo sea anónimo solo porque lo afirme su desarrollador (véase la sección 10).
Datos personales alucinados. Los sistemas generativos pueden producir, con total seguridad, afirmaciones falsas sobre personas reales, como una condena inventada. Se trata de un fallo de funcionamiento y no de un ataque, pero plantea igualmente cuestiones de exactitud, perjuicio y rectificación.
5. Estructura de la norma
Según el DIS, el núcleo de la ISO/IEC 27091 consta de tres capítulos (un marco de análisis de la privacidad, la privacidad en el modelo y la privacidad a lo largo del ciclo de vida) y dos anexos. Es nuestra paráfrasis de análisis de expertos sobre el DIS; adquiera la norma publicada para conocer su redacción oficial.
Diagrama concéntrico de la ISO/IEC 27091 según el DIS. Anillo exterior, capítulo 5: el ciclo de análisis de privacidad (identificar, analizar, evaluar, tratar y repetir). Anillo intermedio, capítulo 7: el ciclo de vida del sistema de IA (diseño, desarrollo, despliegue). Núcleo, capítulo 6: el modelo de IA y sus amenazas (inferencia de pertenencia, extracción de datos de entrenamiento, inversión del modelo, envenenamiento, amenaza interna), con medidas como el acceso restringido, la seudonimización y el filtrado de entradas y salidas. El anexo A apoya el análisis de privacidad; el anexo B es una plantilla de caso de uso de IA.
Capítulo 5: un marco de análisis de la privacidad de los sistemas de IA
El capítulo 5 propone un proceso en cuatro pasos: identificar, analizar, evaluar y tratar los riesgos para la privacidad. La lógica resultará familiar a quien conozca la ISO/IEC 27557. Su valor está en adaptar cada paso a la IA: por dónde entran los datos personales (entrenamiento, ajuste fino, recuperación, prompts, registros), qué podría revelar o deducir el modelo y quién podría aprovecharlo.
Capítulo 6: la privacidad de los modelos de IA
El capítulo 6 trata el propio modelo como una fuente de riesgo para la privacidad: inferencia de pertenencia, extracción de datos de entrenamiento, inversión del modelo, envenenamiento de datos y amenaza interna. Sus medidas se agrupan en categorías genéricas: restricciones de acceso, anonimización o seudonimización de los datos de entrenamiento y filtrado de entradas y salidas.
Capítulo 7: la privacidad a lo largo del ciclo de vida del sistema de IA
El capítulo 7 abarca el sistema en su conjunto, del diseño al desarrollo y el despliegue: finalidad y necesidades de datos en el diseño; recogida, etiquetado, entrenamiento y pruebas durante el desarrollo; interacciones, registro, supervisión y actualizaciones en el despliegue. Aquí es donde la privacidad desde el diseño se vuelve concreta para los equipos de IA.
Anexos A y B
El anexo A apoya el análisis del capítulo 5 y el anexo B ofrece una plantilla para describir un caso de uso de IA. No la reproducimos; la sección 12 muestra cómo elaborar un perfil de caso de uso en su propio formato.
Más allá de los ataques: fallos de funcionamiento e IA al servicio de la privacidad
El DIS trata los fallos de funcionamiento, como los datos personales alucinados, como una cuestión de privacidad al mismo nivel que los ataques. También aborda la IA al servicio de la privacidad: gestión del consentimiento, tecnologías que refuerzan la privacidad (PET), seguridad del aprendizaje federado y procesamiento del lenguaje natural para analizar políticas de privacidad.
6. El catálogo de amenazas para la privacidad, en lenguaje claro
Según el DIS, la ISO/IEC 27091 enumera unas ocho amenazas para la privacidad relacionadas con la IA. Estas son las seis más comentadas en los análisis de expertos, cada una con un ejemplo y explicadas con nuestras propias palabras, no con las de la norma.
Los escenarios son un chatbot de atención al cliente ajustado con conversaciones anteriores, un modelo de selección de candidatos entrenado con datos históricos de contratación y un asistente RAG que consulta una base vectorial creada a partir de fichas de CRM y correos electrónicos.
Mapa de un sistema de IA: los datos de entrenamiento y de ajuste fino alimentan el modelo; una base de conocimiento lo alimenta por recuperación (RAG); los usuarios envían consultas y reciben respuestas; los prompts, los registros y la base vectorial se almacenan. Seis amenazas numeradas se sitúan donde atacan. 1 Inferencia de pertenencia en las consultas (ejemplo: selección de candidatos); 2 extracción de datos de entrenamiento en las respuestas (chatbot); 3 inversión del modelo en las consultas (selección de candidatos); 4 envenenamiento de los datos de entrenamiento y de la base de conocimiento (asistente RAG); 5 amenaza interna en los registros y la base vectorial (asistente RAG); 6 datos personales alucinados en las respuestas, un fallo de funcionamiento y no un ataque (chatbot). Cada amenaza incluye una vía de tratamiento.
Inferencia de pertenencia
Qué ocurre: alguien determina si los datos de una persona concreta se utilizaron para entrenar un modelo, normalmente observando con qué grado de confianza responde el modelo al registro de esa persona.
Ejemplo (selección de candidatos): un antiguo candidato consulta el modelo con su propio perfil y las puntuaciones revelan que su expediente figura en los datos de entrenamiento, pese a que se le prometió su eliminación.
Vía de tratamiento: limitar quién puede consultar el modelo y con qué frecuencia, reducir el sobreajuste y acotar la contribución de cada registro.
Extracción de datos de entrenamiento
Qué ocurre: un modelo reproduce literalmente fragmentos de sus datos de entrenamiento cuando recibe el prompt adecuado.
Ejemplo (chatbot): cuando se le pide “un ejemplo de reclamación por un reembolso tardío”, el bot devuelve casi palabra por palabra una conversación anterior con el nombre y el número de teléfono de otro cliente.
Vía de tratamiento: eliminar o seudonimizar los identificadores directos antes del ajuste fino, deduplicar los datos de entrenamiento y filtrar las salidas para detectar patrones de datos personales.
“Si su chatbot se ajustó con conversaciones reales de clientes, dé por hecho que un usuario decidido intentará que repita una. La cuestión no es si su modelo es perfecto, sino si puede demostrar lo que hizo para impedir las fugas literales.” Alexis Hirschhorn
Inversión del modelo
Qué ocurre: un atacante utiliza las salidas de un modelo para reconstruir atributos sensibles o características representativas de las personas presentes en sus datos de entrenamiento.
Ejemplo (selección de candidatos): sondeando el modelo con perfiles sintéticos, un analista reconstruye las características que llevan a un rechazo y descubre indicadores indirectos de salud u origen étnico en los datos históricos.
Vía de tratamiento: restringir el acceso a las puntuaciones detalladas y a los valores de confianza, devolver salidas menos detalladas cuando sea posible y probar la fuga de atributos antes de la puesta en producción.
Envenenamiento de datos
Qué ocurre: alguien introduce datos manipulados en un conjunto de entrenamiento o en una base de conocimiento para que el sistema se comporte de forma que perjudique a las personas o revele sus datos.
Ejemplo (RAG sobre datos de clientes): un correo malicioso incluido en la base de conocimiento contiene instrucciones ocultas que llevan al asistente a incluir en sus respuestas los datos de contacto de otros clientes.
Vía de tratamiento: controlar y validar lo que entra en los conjuntos de entrenamiento y las bases de conocimiento, rastrear la procedencia de los datos y supervisar las salidas para detectar anomalías.
Amenaza interna
Qué ocurre: personas con acceso legítimo a los modelos, los datos de entrenamiento, los embeddings o los registros hacen un uso indebido de ese acceso.
Ejemplo (RAG sobre datos de clientes): un ingeniero con permisos de administración busca en la base vectorial y en los registros de prompts información sobre un cliente conocido.
Vía de tratamiento: aplicar el mínimo privilegio a los artefactos de los modelos y a los registros, separar funciones, registrar la actividad de los administradores y fijar plazos de conservación.
Datos personales alucinados
Qué ocurre: el sistema genera información falsa pero verosímil sobre una persona real e identificable.
Ejemplo (chatbot): el bot le dice a un cliente que un empleado concreto “fue despedido por gestionar mal las cuentas”, algo que es inventado.
Vía de tratamiento: fundamentar las respuestas en fuentes verificadas, bloquear la generación de afirmaciones sobre personas fuera de los casos de uso definidos y prever un proceso para las solicitudes de rectificación y supresión relativas a las salidas del modelo.
“En la IA generativa, la exactitud es una medida de privacidad. Un sistema que inventa afirmaciones sobre personas exige el mismo rigor que uno que trata mal los datos personales: fundamentación en fuentes, restricciones de las salidas, revisión humana y una vía para que las personas puedan impugnar lo que se ha dicho de ellas.” Henri Haenni
Las demás amenazas y sus definiciones oficiales figuran en la norma. Para el catálogo desde el punto de vista de la seguridad, consulte nuestra guía de la ISO/IEC 27090:2026.
7. Cómo usar la 27091 en un SGIA ISO/IEC 42001
Si gestiona o está implantando un sistema de gestión de la IA (SGIA) conforme a la ISO/IEC 42001:2023, la ISO/IEC 27091 le aporta elementos específicos de privacidad para su evaluación de riesgos de IA, su evaluación de impacto de los sistemas de IA y sus controles de datos. La 42001 le pide evaluar los riesgos y los impactos de la IA; la 27091 le ayuda a tratar correctamente la parte de privacidad.
La ISO/IEC 42001:2023 es certificable, pero no profundiza en amenazas como la memorización o la inferencia de pertenencia. La 27091 cubre ese vacío sin modificar el alcance de su certificación.
Diagrama radial con la ISO/IEC 27091 en el centro, una norma de directrices no certificable. Líneas continuas: alimenta el SGIA ISO/IEC 42001:2023 (certificable; evaluación de riesgos e impacto de la IA, controles de datos) y el SGPI ISO/IEC 27701:2025 (certificable; evaluación de riesgos y declaración de aplicabilidad; los certificados 27701:2019 finalizan a finales de octubre de 2028). Línea discontinua: respalda la evidencia para el RGPD y el Dictamen 28/2024 del CEPD (prueba de anonimato de los modelos caso por caso, insumo para la EIPD). Línea punteada: respalda la documentación de datos y riesgos del Reglamento de IA, sin presunción de conformidad. Remite a su norma hermana ISO/IEC 27090:2026 sobre seguridad de la IA (publicada el 14 de octubre de 2026); directrices afines: ISO/IEC 23894, 42005, 29100 y 27557.
Elemento de la ISO/IEC 42001: Evaluación de riesgos de IA (apartado 6.1.2)
Elemento de la ISO/IEC 42001: Tratamiento de riesgos de IA (apartado 6.1.3)
Elemento de la ISO/IEC 42001: Evaluación de impacto de los sistemas de IA (apartado 6.1.4; anexo A.5)
Elemento de la ISO/IEC 42001: Datos de los sistemas de IA (anexo A.7)
Elemento de la ISO/IEC 42001: Ciclo de vida de los sistemas de IA (anexo A.6)
Consejos prácticos. Cite la 27091 en su metodología de evaluación de riesgos como directriz, no como requisito, y mantenga un único registro de riesgos de IA en el que las amenazas de privacidad estén identificadas. Los auditores le evalúan frente a la 42001, no frente a la 27091.
“Una prueba sencilla: si su evaluación de riesgos de IA siguiera igual al sustituir el sistema de IA por una base de datos tradicional, probablemente no sea una evaluación de riesgos de IA. La 27091 lleva a los equipos más allá de ese punto.” Alexis Hirschhorn
Para una visión general de la implantación, consulte nuestro playbook ejecutivo de ISO 42001 y, para lo que piden ver los auditores, nuestra guía sobre la evidencia que exige una auditoría ISO 42001. Para las competencias de implantación, consulte ISO 42001 Lead Implementer. Para la perspectiva de auditoría, consulte ISO 42001 Lead Auditor.
8. Cómo usar la 27091 en un SGPI ISO/IEC 27701:2025
En un sistema de gestión de la privacidad de la información (SGPI) conforme a la ISO/IEC 27701:2025, la ISO/IEC 27091 aporta los riesgos de privacidad propios de la IA para su evaluación de riesgos y para justificar sus decisiones en la declaración de aplicabilidad (DdA) de los tratamientos con IA. No añade ningún control sobre el que deba certificarse.
La ISO/IEC 27701:2025 es ahora una norma independiente y certificable, que ya no exige la ISO/IEC 27001 a su lado. En cuanto los sistemas de IA forman parte de sus tratamientos, los riesgos de privacidad genéricos dejan de ser suficientes. La 27091 ayuda en tres puntos:
- Identificación de riesgos. Añada riesgos propios de la IA, como la extracción, la inferencia y los datos personales alucinados, a cada tratamiento en el que intervenga la IA.
- Justificaciones de la DdA. Utilice la 27091 como referencia reconocida para controles como el filtrado de salidas o la seudonimización de los datos de ajuste fino.
- Funciones de responsable y encargado del tratamiento. Muestre qué parte (proveedor del modelo, proveedor de alojamiento o responsable del despliegue) puede tratar cada riesgo y refléjelo en los contratos.
La transición de la 27701. Es distinta de la 27091, con la que a menudo se confunde. Los certificados ISO/IEC 27701:2019 finalizan a finales de octubre de 2028: planifique el paso a la edición de 2025 con su organismo de certificación. Incorporar en ese paso los riesgos de IA basados en la 27091 es eficaz, pero opcional. La 27091 no tiene transición, porque no sustituye a ninguna norma.
Para lo que ha cambiado entre ediciones, consulte las principales diferencias entre la ISO/IEC 27701:2019 y la de 2025. Para una visión completa de la nueva edición, consulte nuestra guía de la ISO/IEC 27701:2025.
9. ISO/IEC 27090 o 27091
La ISO/IEC 27090 trata las amenazas de seguridad dirigidas a los sistemas de IA; la ISO/IEC 27091, los riesgos para la privacidad que esos sistemas conllevan. La mayoría de las organizaciones necesitará ambas.
Criterio: Objeto
Criterio: Amenazas
Criterio: Público principal
Criterio: Estado (18 nov. 2026)
Criterio: ¿Certificable?
Criterio: Relación
Diagrama de Venn. ISO/IEC 27090:2026, seguridad de la IA: amenazas de seguridad de los sistemas de IA, 13 amenazas en el proyecto, para CISO y arquitectos de seguridad, publicada el 14 de octubre de 2026. ISO/IEC 27091, privacidad e IA: riesgos de privacidad en sistemas de IA y modelos, unas 8 amenazas en el DIS, incluidos los datos personales alucinados, para DPD e ingenieros de privacidad, en fase FDIS con publicación estimada para febrero de 2027. En común: dos normas de directrices no certificables del ISO/IEC JTC 1/SC 27; el envenenamiento de datos afecta a ambas y cada una remite a la otra.
Cómo usarlas juntas. Realice un único análisis de amenazas de IA. Cuando una amenaza aparezca en ambas normas, como el envenenamiento, regístrela una sola vez y evalúe tanto su impacto en la seguridad como en la privacidad. Para una comparación detallada, consulte ISO/IEC 27090 o 27091: las diferencias.
10. RGPD y Dictamen 28/2024 del CEPD
La ISO/IEC 27091 no es por sí misma una herramienta de cumplimiento del RGPD, pero sus amenazas a nivel de modelo son la vertiente técnica de una pregunta que las autoridades europeas ya plantean directamente: ¿es realmente anónimo su modelo de IA? El Dictamen 28/2024 del Comité Europeo de Protección de Datos (CEPD), de 17 de diciembre de 2024, indica que los modelos de IA entrenados con datos personales no siempre pueden considerarse anónimos y que el anonimato debe valorarse caso por caso.
Un responsable del tratamiento que alegue el anonimato debe demostrar que no pueden extraerse datos personales del modelo, ni obtenerse mediante consultas, con medios que razonablemente puedan utilizarse. La inferencia de pertenencia, la extracción y la inversión del modelo son precisamente esas vías, y un análisis del tipo de la 27091 ofrece una forma estructurada de probarlas y documentarlas.
“Según las expectativas europeas en materia de privacidad, el anonimato no es una etiqueta que se coloca antes del entrenamiento. Es una propiedad que hay que poder demostrar después del entrenamiento, mediante pruebas, controles de acceso y evidencia de que los datos personales no pueden extraerse ni deducirse razonablemente.” Marc Bouvier
La 27091 también respalda otras obligaciones del RGPD:
- Evaluaciones de impacto relativas a la protección de datos (artículo 35). El análisis de amenazas y la visión del ciclo de vida pueden alimentar la parte de riesgos de una EIPD sobre un sistema de IA. Nuestra respuesta sobre cómo realizar una EIPD de un sistema de IA propone una forma de estructurarla.
- Protección de datos desde el diseño y por defecto (artículo 25). El enfoque de ciclo de vida del capítulo 7 traduce esta obligación en decisiones concretas en el diseño, el desarrollo y el despliegue.
- Exactitud (artículo 5, apartado 1, letra d)) y derechos de los interesados. Tratar los datos personales alucinados como un riesgo para la privacidad ayuda a prever cómo atender las solicitudes de rectificación y supresión relativas a las salidas de un modelo.
Si gestiona un SGPI ISO/IEC 27701, este ya estructura buena parte de esa evidencia; consulte cómo apoya la ISO/IEC 27701 el cumplimiento del RGPD.
Lo que no hace. No constituye una base jurídica, no es un mecanismo de certificación en el sentido del RGPD y no sustituye la valoración caso por caso que espera el CEPD.
11. Calendario del Reglamento de IA: dónde ayuda la 27091 y dónde no
La ISO/IEC 27091 puede respaldar su documentación del Reglamento de IA sobre gobernanza de datos y riesgos, pero no es una norma armonizada y no otorga presunción de conformidad. Considérela una evidencia de buenas prácticas, no una vía de conformidad.
El Reglamento de IA (Reglamento (UE) 2024/1689, modificado por el Ómnibus Digital, Reglamento (UE) 2026/1744) se aplica por fases.
Fecha: 2 dic. 2026
Fecha: 2 dic. 2027
Fecha: 2 ago. 2028
Cronología a escala de mediados de 2024 a 2028, con la fecha de hoy, 18 de noviembre de 2026. Pasado: Dictamen 28/2024 del CEPD el 17 de diciembre de 2024; publicación de la ISO/IEC 27090 el 14 de octubre de 2026; apertura de la votación FDIS de la ISO/IEC 27091 el 2 de noviembre de 2026. Próximos: nuevas prohibiciones del Reglamento de IA el 2 de diciembre de 2026; publicación de la ISO/IEC 27091 estimada para febrero de 2027; obligaciones de alto riesgo del anexo III del Reglamento de IA el 2 de diciembre de 2027, unos diez meses después de la publicación estimada; obligaciones de alto riesgo del anexo I el 2 de agosto de 2028; fin de los certificados ISO/IEC 27701:2019 a finales de octubre de 2028.
Dónde ayuda la 27091.
- Gobernanza de datos y gestión de riesgos. Su análisis de los riesgos relacionados con los datos de entrenamiento, su procedencia y la seudonimización respalda la documentación de los proveedores, y los responsables del despliegue pueden utilizarla como aportación de privacidad a sus evaluaciones de impacto sobre los derechos fundamentales.
Dónde no ayuda.
- No otorga presunción de conformidad. Solo lo hacen las normas armonizadas publicadas en el Diario Oficial, como la EN 18286:2026 para la gestión de la calidad en el marco del Reglamento de IA.
- No cubre las obligaciones de transparencia, la supervisión humana, el registro ni las obligaciones relativas a la IA de uso general.
“Para los sistemas de IA de alto riesgo, la norma puede ayudar a documentar la parte de privacidad de la gestión de riesgos. Pero no clasificará su sistema, no sustituirá una evaluación de la conformidad y no responderá a la pregunta que, en última instancia, interesa a las autoridades: ¿qué daño podría causar este sistema y qué ha hecho usted para evitarlo?” Tania Postil
Para todas las fechas de aplicación, consulte el calendario del Reglamento de IA. Los responsables del despliegue sujetos a obligaciones sobre derechos fundamentales deberían leer también qué implica una evaluación de impacto sobre los derechos fundamentales, y los lectores suizos, nuestra guía completa del Reglamento de IA, que trata su alcance extraterritorial. Siga la evolución del Reglamento de IA en nuestra página dedicada al Reglamento europeo de IA.
12. Un plan de arranque en 90 días
Puede poner en marcha un proceso operativo de gestión de riesgos de privacidad de la IA en unos 90 días, sin esperar a la publicación: parta de la estructura que describe el DIS y alineése después con el texto final. El plan supone una organización mediana con unos pocos casos de uso de IA.
Plan de privacidad de la IA de 13 semanas, unos 90 días, en cinco fases a escala. Semanas 1 a 2: inventario de todos los sistemas de IA, con los datos personales marcados. Semanas 3 a 4: perfil de privacidad de cada caso de uso prioritario. Semanas 5 a 8, la fase más larga: evaluación de riesgos de privacidad, con entradas del registro de riesgos vinculadas a la EIPD. Semanas 9 a 11: plan de tratamiento con responsables y fechas. Semanas 12 a 13: plan de seguimiento y calendario de revisión. Repítalo cuando cambie un modelo, un conjunto de datos o un caso de uso.
Semanas: 1–2
Semanas: 3–4
Semanas: 5–8
Semanas: 9–11
Semanas: 12–13
Pruebe al menos su modelo de mayor riesgo con prompts de extracción sencillos antes de asignarle una puntuación. Para el método general de las semanas 5 a 13, consulte cómo identificar riesgos específicos de la IA, las estrategias de tratamiento de riesgos de IA y cómo monitorizar los riesgos de IA en producción.
“Un programa de 90 días debe producir decisiones, no solo documentación. Al final, usted debe saber qué modelos necesitan filtrado de salidas, qué conjuntos de entrenamiento deben seudonimizarse, qué registros deben conservarse menos tiempo y quién asume cada riesgo residual.” Henri Haenni
Un punto de partida para las semanas 5 a 8
Descargue nuestro registro de riesgos de privacidad de la IA (acceso con registro previo), preestructurado para las amenazas propias de la IA y vinculado a los campos de la EIPD y la DdA.
13. Competencias e itinerarios de formación
Ninguna formación puede convertirle en una persona “certificada en 27091”, porque esa certificación no existe. Elija en función de si está construyendo un sistema de gestión, auditándolo o dirigiendo la gobernanza de la IA en un sentido más amplio.
Itinerario: ISO/IEC 42001 Lead Implementer
Itinerario: ISO/IEC 42001 Lead Auditor
Itinerario: ISO/IEC 27701 (2025) Lead Implementer / Lead Auditor
Itinerario: IAPP AIGP (Artificial Intelligence Governance Professional)
Itinerario: Certificaciones de IA de PECB (por ejemplo, Lead AI Risk Manager, Certified EU AI Governance Professional, Certified AI Security Professional)
El lugar de la 27091. El conocimiento de la 27091 es un complemento especializado a cualquiera de estos itinerarios. Una formación breve y específica sobre la 27090 y la 27091 suele dar lugar a un certificado de asistencia y a horas de formación continua (CPD), no a una certificación.
Páginas de los cursos: ISO 42001 Lead Implementer · ISO 42001 Lead Auditor · ISO 27701 Lead Implementer · Lead AI Risk Manager
Historial de cambios
- 2026-11-18: estado verificado en la etapa 50.20 (votación FDIS abierta el 2026-11-02). Publicación estimada: feb. 2027 (rango ene.–abr. 2027).
Nota sobre derechos de autor: esta guía solo cita el título y el resumen públicos de ISO, con su atribución. Todo lo demás es nuestra propia explicación. Para el texto oficial, adquiera la ISO/IEC 27091 a través de ISO o de su organismo nacional de normalización una vez publicada.




