Por qué las PETs importan ahora

Tres presiones han impulsado a las PETs desde un interés criptográfico de nicho hasta convertirse en un artículo de adquisición convencional. La primera es regulatoria: el GDPR, el Reglamento ePrivacy, el CPRA y el EU AI Act tratan cada vez más la minimización de datos y la limitación de finalidad como obligaciones ejecutables y no como principios aspiracionales. La segunda es impulsada por las plataformas: Google Privacy Sandbox, Apple App Tracking Transparency y la depreciación más amplia de las cookies de terceros han obligado al ecosistema de tecnología publicitaria a encontrar nuevos sustratos para la medición y la construcción de audiencias que no dependan de identificadores cross-site. La tercera es competitiva: los grandes anunciantes y los operadores de salas limpias han creado productos basados en PET con los que los editores deben integrarse o quedar excluidos.

Para un editor, el impacto práctico es que las PETs están comenzando a aparecer en conversaciones comerciales: en respuestas de SSP a RFP, en presentaciones de ventas de proveedores de atribución, en demostraciones de salas limpias de redes de retail media. Entender qué hace realmente cada tecnología ya no es opcional.

Cuatro PETs que importan para los editores

El espacio de las PET es amplio, pero cuatro técnicas aparecen con mayor frecuencia en contextos de editores. Cada una resuelve un problema diferente y tiene una interacción distinta con la capa de consentimiento.

Privacidad diferencial

La privacidad diferencial es un marco matemático para añadir ruido controlado a los resultados agregados de modo que ningún registro individual pueda ser objeto de ingeniería inversa a partir de un informe. En la tecnología publicitaria aparece principalmente en dos lugares: en las APIs de Google Privacy Sandbox (en particular en la Attribution Reporting API), que añaden ruido a los informes de conversión antes de que abandonen el navegador, y en las consultas de salas limpias, donde las agregaciones SQL se perturban antes de que los resultados se devuelvan al comprador o al vendedor. La fortaleza de la privacidad diferencial es que sus garantías son cuantificables: un valor epsilon fija la fuga máxima de información por consulta. La debilidad es que, para audiencias pequeñas, el ruido puede ahogar completamente la señal. Los editores deben esperar que los valores epsilon se divulguen en la documentación de los proveedores para finales de 2026; si un proveedor no puede decirle su epsilon, no está ofreciendo privacidad diferencial real.

Aprendizaje federado

El aprendizaje federado entrena modelos de aprendizaje automático en muchos dispositivos o servidores sin centralizar los datos brutos. En el contexto publicitario, la implementación más visible es el modelado on-device de Apple para la atribución de SKAdNetwork, y Google ha señalado enfoques similares en la Topics API y propuestas posteriores de Sandbox. Para los editores, el aprendizaje federado es más relevante cuando se trabaja con productos de datos propios que quieren impulsar el modelado lookalike o la puntuación contextual sin exportar datos a nivel de usuario a un tercero. La técnica es lo suficientemente madura como para estar en producción a escala de Apple y Google; el coste de implementación para un editor no es trivial, ya que requiere ya sea un socio que gestione infraestructura federada o un SDK on-device si el móvil está en el alcance.

Cómputo seguro multiparte

El cómputo seguro multiparte o MPC permite que dos o más partes calculen conjuntamente una función sobre sus datos combinados sin que ninguna parte conozca las entradas de la otra. El caso de uso canónico en la tecnología publicitaria es la sala limpia de datos: un minorista y un anunciante quieren conocer la superposición entre sus audiencias sin intercambiar listas de clientes. Con MPC, la unión ocurre criptográficamente y solo se revela el resultado agregado. AWS Clean Rooms, Snowflake Data Clean Rooms y Habu (ahora LiveRamp Clean Rooms) admiten todos uniones de estilo MPC, y las principales redes de retail media hacen cada vez más del MPC el patrón de integración predeterminado. Para los editores que ofrecen extensiones de audiencia a los anunciantes, el MPC se está convirtiendo en el mecanismo básico para entregar cohortes coincidentes sin compartir los identificadores subyacentes.

Cifrado homomórfico

El cifrado homomórfico permite cálculos sobre datos cifrados, de modo que un proveedor de servicios puede realizar una consulta sin descifrar nunca los registros. En teoría, esta es la PET más potente del conjunto de herramientas; en la práctica, el cifrado homomórfico completo sigue siendo demasiado costoso computacionalmente para las cargas de trabajo generales de tecnología publicitaria. Los esquemas parciales (en particular el cifrado homomórfico aditivo) están comenzando a aparecer en los pipelines de informes de atribución donde las operaciones necesarias se limitan a sumas. Los editores deben tratar el cifrado homomórfico como una tecnología de esperar-y-ver en 2026: es real, avanza rápidamente, pero aún no es una opción de adquisición práctica para la mayoría de los casos de uso en tecnología publicitaria.

Cómo interactúan las PETs con la gestión del consentimiento

Un malentendido común en las presentaciones de proveedores es que las PETs eliminan la necesidad de consentimiento. No es así. Casi todas las implementaciones de PET siguen requiriendo una base jurídica bajo el GDPR para la recopilación original de los datos que se procesan, incluso si el propio procesamiento protege la privacidad. La privacidad diferencial añadida a un informe de conversión no hace que la observación de la conversión sea lícita en primer lugar, sino que hace que la agregación posterior sea más segura.

La interacción con un CMP es por tanto aditiva, no sustitutiva. Una plataforma moderna de gestión del consentimiento debe configurarse para:

• Capturar el consentimiento específico por finalidad para los casos de uso que alimentan los flujos de trabajo protegidos por PET. Los indicadores de finalidad granulares se asignan claramente a qué pipelines de PET pueden entrar los datos de un usuario.
• Propagar la señal de consentimiento a las salas limpias a través de la cadena IAB GPP o una API específica del proveedor, de modo que la unión MPC solo incluya registros con consentimiento válido.
• Respetar la retirada en la capa PET, no solo en la capa de página. Si un usuario revoca el consentimiento, sus datos deben eliminarse de cualquier ronda de entrenamiento federado posterior y excluirse de nuevas consultas de salas limpias.
• Documentar la cadena de custodia para que los auditores puedan rastrear un dato personal desde la decisión de consentimiento a través del pipeline PET hasta el resultado final informado.

Los editores que tratan el CMP y la capa PET como un sistema conectado acaban con una posición de cumplimiento más sólida y ciclos de adquisición más rápidos con los anunciantes concienciados con la privacidad.

Una hoja de ruta de inversión práctica

La mayoría de los editores no pueden, ni deben, invertir en las cuatro PETs a la vez. La secuencia correcta depende del perfil de tráfico y del mix de ingresos.

Si la mayoría de los ingresos provienen de display programático

Priorice la familiaridad con la privacidad diferencial. Las APIs de Google Sandbox son el punto de entrada más probable con menos resistencia, y entender cómo funcionan los informes de Aggregation Service es cada vez más un requisito de adquisición de los grandes anunciantes. Obtenga un CMP que publique señales válidas de Consent Mode v2 y marcadores compatibles con Sandbox; el trabajo criptográfico pesado ocurre dentro del navegador.

Si una parte significativa de los ingresos proviene de asociaciones de retail media

Priorice el MPC y la preparación para salas limpias. El panorama de salas limpias en 2026 está dominado por uniones de estilo MPC, y los editores sin un pipeline de coincidencia viable verán cómo el gasto en retail media los rodea. Las inversiones aquí son operativas más que de investigación: elegir una plataforma de sala limpia, mapear los estados de consentimiento a la superficie de coincidencia y construir el pipeline de ingesta de datos.

Si opera un producto de datos propios o DMP

Priorice la familiaridad con el aprendizaje federado. La frontera competitiva para los productos de datos propios está pasando de "tenemos muchos datos" a "podemos entrenar modelos útiles sin exportar los datos". Las asociaciones con proveedores de infraestructura federada son el camino típico.

La dirección regulatoria del viaje

El EDPB, la FTC, el ICO y la CNIL han señalado todos, en opiniones, documentos de orientación y órdenes de cumplimiento, que la adopción de PET contará cada vez más como evidencia de minimización de datos conforme al GDPR. Esto no significa que una implementación de PET sea automáticamente lícita, pero sí significa que dos editores técnicamente similares con tasas de consentimiento similares pueden recibir un trato regulatorio muy diferente si uno ha implementado PETs y el otro no. Para la planificación estratégica de 2026 y 2027, la suposición conservadora es que las PETs pasarán de diferenciador a expectativa en las adquisiciones de tecnología publicitaria europea en 18 a 24 meses. Los editores que construyan ahora el pipeline de consentimiento y PET se compran tiempo frente a ese cambio.