Ningún método de detección de PII es perfecto solo — el patrón que realmente funciona en producción combina tres técnicas distintas, cada una cubriendo los puntos ciegos de las otras dos.
Los pipelines de producción normalmente combinan reglas basadas en patrones (expresiones regulares para emails o números de tarjeta de crédito), modelos NER (reconocimiento de entidades nombradas), y detectores basados en clasificadores para marcar o redactar spans sensibles — ninguna técnica sola cubre el rango completo de PII que puede aparecer en texto libre.
Microsoft Presidio es el default open source: nativo de Python, se integra limpio en un interceptor de logging, y viene con reconocedores basados en regex más una capa NER basada en spaCy o un transformer personalizado. Es la opción cuando querés control total y no dependencia de un servicio gestionado externo.
Amazon Comprehend provee operaciones de API síncronas en tiempo real para analizar información personal identificable en un documento, con soporte para hasta 100 kilobytes de texto codificado en UTF-8 por solicitud. La detección de PII de texto de Azure Language alcanzó disponibilidad general el 1 de mayo de 2026, con mejoras de calidad en tipos de entidad comunes, y ahora permite a los clientes personalizar la detección con sus propias expresiones regulares — entidades en preview incluyen contraseñas, PINs, códigos postales, y códigos de aeropuerto.
Un pipeline de defensa de PII en capas en AWS coloca Amazon Macie para inventariar datos sensibles en S3, mientras Amazon Comprehend detecta y redacta PII en texto antes de que se indexe para recuperación o se migre entre almacenes de datos — dos servicios distintos cubriendo dos momentos distintos del ciclo de vida del dato (en reposo vs. en tránsito hacia un sistema de recuperación).
AWS Comprehend es la opción natural para equipos que ya están en AWS — endpoints NER gestionados, soporte de entidades custom, y precio por solicitud que escala con el tráfico sin gestión de infraestructura propia. Presidio tiene sentido cuando necesitás control total sobre el pipeline (por ejemplo, para cumplir con requisitos de residencia de datos que impiden enviar texto a un servicio externo) o cuando tu volumen de tráfico hace que el costo por request de un servicio gestionado se vuelva significativo.
Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.
Contactar a Carlos Montiel