Los robotaxis mantienen seguros a los pasajeros, pero ¿qué pasa con sus datos?

Un robotaxi se detiene en la acera en Los Ángeles. El asiento delantero está vacío y no se ve ningún conductor. El cliente se desliza en el asiento trasero y sale del viaje hacia un destino escrito en la aplicación, sus cámaras y sensores recopilan silenciosamente adónde va y tal vez incluso graban cómo se ve o dice adentro. Cuando finaliza el viaje, el pago se procesa automáticamente a través de una tarjeta de crédito almacenada y el pasajero recibe un mensaje para calificar su experiencia. ¿Qué pasa con todos estos datos? ¿Está protegida la privacidad? ¿Es seguro?

Una nueva investigación de un grupo internacional de expertos en privacidad revela un punto ciego preocupante en la recopilación de datos en robotaxis: aunque los marcos bien establecidos ayudan a los ingenieros a identificar los riesgos para la privacidad, hay poca orientación práctica para elegir las herramientas reales, llamadas tecnologías de mejora de la privacidad, o PET, que se supone salvaguardan los datos.

Para probar el estado del campo, los investigadores aplicaron tres métodos académicos líderes para elegir PET en escenarios realistas de robotaxi que rastrearon cada etapa de la recopilación de datos, desde la reserva hasta el pago y el análisis posterior al viaje. Su hallazgo fue contundente: ninguno de los métodos proporcionó suficiente apoyo para proteger la información confidencial de los pasajeros.

El estudio, presentado en 20º Taller Internacional DPM sobre Gestión de Privacidad de Datoscelebrada el 25 de septiembre de 2025 en Toulouse, Francia, es un esfuerzo de colaboración entre investigadores del Instituto de Ciencias de la Información (ISI) de Viterbi de la USC, la Universidad de Ulm, Bosch Research, la Universidad de Halle-Wittenberg, Continental Automotive Technologies, la Universidad Goethe de Frankfurt y Qualcomm Technologies.

«En última instancia, nos centramos en la ingeniería de privacidad», dijo David Balenson, director asociado de la división de redes y ciberseguridad de ISI, que trabajó en el proyecto. «Esa pregunta nos unió; específicamente, lo que percibimos como una brecha en los métodos para seleccionar tecnologías que mejoran la privacidad».

¿Qué son las mascotas?

Los PET van desde herramientas conocidas como el cifrado y la anonimización hasta métodos avanzados como la privacidad diferencial, la computación multipartita y el cifrado homomórfico. El objetivo es garantizar que los datos puedan utilizarse para fines legítimos, como la ruta de un automóvil o procesar un pago, sin exponer datos personales innecesariamente.

Investigaciones anteriores El equipo se concentró en identificar amenazas a la privacidad y aplicar estrategias de diseño amplias. Este último estudio, sin embargo, aborda la cuestión más difícil de la implementación. «Aquí es donde entra en juego el asunto: es necesario seleccionar las tecnologías reales», afirmó Balenson. «El desafío es que hay tantos PET, ¿cómo se decide cuáles usar y, una vez seleccionados, cómo se implementan y configuran mejor para un sistema del mundo real?»

Y para los pasajeros, la protección de la privacidad podría conllevar costos ocultos, como señaló el coautor Ala’a Al-Momani de la Universidad de Ulm: «Cada PET puede mejorar la privacidad desde cierto ángulo, pero también puede introducir efectos indeseables en la experiencia del cliente, como ligeros retrasos causados ​​por el cálculo adicional requerido».

Análisis de la selección de PET de última generación

El equipo probó tres métodos académicos de selección de PET en un caso de uso realista de robotaxi. Modelaron el ciclo de vida completo de un viaje: creación de una cuenta, reserva, asignación de vehículos, el viaje en sí, pago y análisis posteriores al viaje. Para cada fase, catalogaron los tipos de datos recopilados, desde nombres y detalles de tarjetas de crédito hasta ubicaciones GPS, grabaciones de sensores e incluso audio en el automóvil. Luego aplicaron los tres enfoques para ver qué PET podrían proteger mejor estos datos. Paralelamente, crearon su propio método pragmático basado en su experiencia colectiva.

El estudio resumió las fortalezas y debilidades de cada enfoque, pero encontró que todos revelaban limitaciones significativas. Algunos se basaron en suposiciones demasiado simplificadas sobre cuándo se podrían aplicar las tecnologías, mientras que otros trataron las amenazas de forma aislada. Muchos no tuvieron en cuenta la naturaleza interconectada de los sistemas modernos, donde una solución de privacidad aplicada a un componente podría afectar a otros.

El enfoque pragmático del equipo funcionó mejor en la práctica, pero requirió conocimiento experto para aplicarlo de manera efectiva, lo cual es un inconveniente importante para una adopción generalizada. «Los modelos de amenaza a la privacidad están maduros, pero los métodos de selección de PET están rezagados», afirmó Balenson. «Sin métodos fiables para hacer esto, los robotaxis y otros servicios de IA podrían perder la confianza del público. La ingeniería de privacidad debe evolucionar junto con los sistemas autónomos».

Según Balenson, con su trabajo, el equipo de investigación exige enfoques más ágiles, integrados e iterativos para la selección de PET. Enfatizan la necesidad de alinear la ingeniería de privacidad con el cumplimiento y las limitaciones del mundo real.

«Nuestro objetivo es sentar las bases para sistemas de movilidad del futuro fiables y respetuosos de la privacidad», afirmó. «En última instancia, un método de apoyo para seleccionar el PET adecuado permitiría a los arquitectos e ingenieros de robotaxi diseñar vehículos con mayor privacidad que transporten pasajeros de forma segura desde el punto A al punto B, respetando al mismo tiempo su privacidad», afirmó Al Momani.

«El desafío de la selección de PET no se limita a los robotaxis», dijo el coautor Jonathan Petit de Qualcomm Technologies. «Alentamos a la comunidad de ingeniería de privacidad a desarrollar mejores prácticas que apoyen a los desarrolladores en todos los dominios de aplicaciones».