Anonimizar documentos escaneados: riesgos del OCR y cómo hacer una doble comprobación

En casi cualquier archivo conviven dos tipos de documentos: los que nacieron digitales (un Word exportado a PDF, una resolución generada por el gestor de expedientes) y los que se escanearon (un escrito presentado en papel, una factura recibida por correo postal, una copia del DNI fotografiada con el móvil). Para un ser humano son iguales. Para una herramienta de anonimización no: un documento escaneado es una imagen, y antes de buscar datos personales hay que convertir esa imagen en texto con OCR (reconocimiento óptico de caracteres). Todo lo que el OCR lea mal, o no lea, queda fuera del alcance de la detección automática. Por eso los escaneados son, con diferencia, el punto débil de cualquier proyecto de anonimización.

Por qué un escaneado es distinto de un PDF nativo

En un PDF nativo el texto existe como texto: se puede seleccionar, buscar y copiar, y una herramienta puede localizar un DNI con precisión de carácter. En un escaneado solo hay píxeles. El OCR reconstruye el texto a partir de la imagen y añade una capa invisible con las palabras reconocidas y sus coordenadas. La detección trabaja sobre esa capa, y el tachado debe aplicarse sobre la imagen. De ahí salen dos problemas: si el OCR se equivoca, la detección falla; y si el tachado solo actúa sobre la capa de texto o solo sobre la imagen, el dato sigue ahí. El segundo error es uno de los clásicos que repasamos en errores de tachado en PDF que filtran datos.

Los seis riesgos típicos

1. Errores de reconocimiento

Fotocopias de fotocopias, faxes, baja resolución o poco contraste producen confusiones conocidas: 0 y O, 1, l e I, 5 y S, «rn» leído como «m». Basta un carácter para que un patrón deje de reconocer un identificador. Ejemplo ficticio: el DNI 12345678Z se lee como «I2345678Z» y la regla que busca ocho dígitos y una letra no lo encuentra. Lo mismo ocurre con un IBAN partido entre dos líneas o un apellido cortado con guion.

2. Texto manuscrito

Anotaciones al margen, nombres rellenados a mano en un formulario, la firma y el nombre del firmante debajo. El OCR convencional reconoce mal la escritura manual, así que estos datos casi nunca aparecen en la detección automática y hay que cubrirlos con zonas manuales tras una revisión visual.

3. Sellos, firmas y códigos

Sellos de registro de entrada con nombre y número, sellos de empresa superpuestos al texto, textos en vertical en el margen, firmas manuscritas o códigos QR que enlazan a un justificante con datos personales. Son elementos gráficos, a menudo girados o solapados, que el OCR lee de forma parcial o no lee.

4. Páginas torcidas, giradas o fotografiadas

Una página escaneada con inclinación o una foto hecha con el móvil en perspectiva empeoran el reconocimiento y, además, desplazan las coordenadas: la caja de tachado puede quedar ligeramente movida y dejar visible la parte superior o inferior de las letras.

5. Documentos mixtos

Un contrato nativo con la copia escaneada del DNI al final, un expediente con anexos fotografiados, un correo con un adjunto en imagen. Quien revisa las primeras páginas, limpias y bien detectadas, tiende a dar por bueno el resto.

6. Capas OCR heredadas

Muchos escáneres generan su propia capa de texto, a veces de mala calidad. Si se tacha la imagen pero se conserva esa capa, el texto original sigue pudiendo copiarse o buscarse. Conviene eliminarla junto con los metadatos del PDF.

Doble comprobación: un método práctico

La normativa no impone una técnica concreta, pero el RGPD exige medidas apropiadas al riesgo (art. 32) y protección de datos desde el diseño (art. 25), y la AEPD, en sus orientaciones sobre anonimización, insiste en evaluar el riesgo de reidentificación del resultado antes de darlo por anonimizado. Para escaneados, eso se traduce en una doble comprobación:

La segunda comprobación funciona mejor si no la hace la misma persona que la primera: quien ya revisó un documento tiende a ver lo que espera ver. Si el volumen impide revisar todo dos veces, aplique la doble revisión a las páginas escaneadas y a los documentos con datos sensibles, que es donde se concentran los fallos. Tiene una guía paso a paso en cómo anonimizar un PDF escaneado.

Cómo trata Anonimatum los escaneados

En el anonimizador de PDF escaneados de Anonimatum, el OCR se aplica solo a las páginas escaneadas: la aplicación indica qué páginas lo necesitan y pide confirmación antes de aplicarlo; las páginas que ya tienen texto no se vuelven a procesar. Las páginas con OCR cuentan doble en el cupo de páginas, de modo que un documento de diez páginas con tres escaneadas consume trece. En el perfil se puede elegir entre un motor OCR más rápido y otro más preciso. Las imágenes (también HEIC y TIFF multipágina) se convierten a PDF y siguen el mismo camino. Tras el OCR, la IA detecta nombres, fechas, direcciones o importes, y también códigos QR, sellos y firmas digitales; los patrones cubren DNI, IBAN, correos o teléfonos. Lo que quede, como los manuscritos, se cubre con la anonimización visual por zonas y figuras, siempre con previsualización y revisión humana antes de aplicar. Si quiere probarlo con sus propios escaneados, solicite una demostración a nuestro equipo.