Este artículo destaca la necesidad de técnicas robustas de anonimización para garantizar la privacidad y el cumplimiento normativo, a la vez que se mantiene la usabilidad de los datos para diversas y críticas tareas de seguimiento, dada la creciente prevalencia de datos de texto que contienen información personal sensible en diversos campos. Este artículo proporciona una visión general completa de las tendencias actuales y los avances recientes en tecnologías de anonimización de texto. Tras analizar los enfoques fundamentales, centrados principalmente en el Reconocimiento de Entidades Nombradas (NAMER), examinamos el impacto transformador de los modelos lingüísticos a gran escala (LLM), detallando su doble función como herramientas sofisticadas de anonimización y potentes amenazas de desanonimización. También exploramos los desafíos específicos de cada dominio y las soluciones a medida en campos críticos como la salud, el derecho, las finanzas y la educación. Examinamos metodologías avanzadas que integran modelos formales de preservación de la privacidad con marcos de trabajo que consideran el riesgo, y abordamos el subcampo especializado de la anonimización de autores. Además, revisamos un marco de evaluación, métricas integrales, puntos de referencia y un conjunto de herramientas prácticas para la implementación práctica de soluciones de anonimización. Este artículo tiene como objetivo sintetizar los conocimientos actuales, identificar las tendencias emergentes y los desafíos actuales, incluida la evolución del equilibrio entre privacidad y utilidad, la necesidad de abordar los cuasi identificadores y las implicaciones de la funcionalidad LLM, y sugerir futuras direcciones de investigación para académicos y profesionales en este campo.
