Protección de PII en el Lakehouse: Amazon Macie, Enmascarado y Flujos de Privacidad

Las lecciones 01 to 12 construyeron un lakehouse rápido, barato y gobernable. Esa combinación crea una obligación nueva: tarde o temprano alguien pone la dirección de correo, el número de teléfono o el documento nacional de un cliente en s3://lakehouse/bronze/, y tienes que poder decir dónde está, quién puede verlo, qué hiciste al respecto, y cuándo tendrías que borrarlo. Esta lección es la respuesta, y la respuesta es un pipeline, no un producto.

La regla didáctica de esta lección: clasificar, enrutar, proteger, controlar, responder: cinco capas, cada una con un servicio distinto, ninguna opcional. Amazon Macie solo hace nunca la primera. Todo lo que sigue a un hallazgo es tu regla de EventBridge, tu Lambda, tu trabajo de Glue y tu concesión de Lake Formation.

En esta lección:

• ejecuta el pipeline de cinco capas de extremo a extremo y nombra el servicio que posee cada capa, y nombra la capa que no tiene ningún servicio de AWS (el pegamento del enrutado);
• profundiza en Amazon Macie: inventario y monitorización, descubrimiento automatizado frente a trabajos dirigidos, profundidad de muestreo, programaciones, soporte de clases de almacenamiento y los límites duros de alcance;
• separa los tres números que los alumnos confunden constantemente: severidad del hallazgo (1 to 3), puntuación de sensibilidad del bucket (−1 a 100) y count de ocurrencias;
• elige entre identificadores de datos gestionados e identificadores de datos personalizados, escribe una regex real, y sabe exactamente qué identificador debes construir tú mismo (correo electrónico);
• lee el esquema de Finding y enrúta con una regla de EventBridge hacia una Lambda que pone un prefijo en cuarentena y estampa PII=true;
• presupuesta un programa de clasificación al dólar, usando las tres dimensiones de facturación y el dial de profundidad de muestreo;
• elige una técnica de enmascarado por el requisito de fidelidad de unión, redactar, hash, enmascarado de formato o tokenizar, y evita la trampa de tiempo de ejecución de mask() en Glue 4.0 y Athena;
• vincula la clasificación con la seguridad de columnas y filas de Lake Formation para que una etiqueta sea una aplicación, no una nota;
• construye el rastro de auditoría a partir de eventos de datos de CloudTrail, hallazgos de Macie y exportaciones JSONL;
• trata GDPR, CCPA y LGPD a profundidad de AWS, incluyendo por qué S3 versioning rompe en silencio el borrado.

---

1. El pipeline de cinco capas: clasificar, enrutar, proteger, controlar, responder

1.1 Las capas y quién las posee

Tres propiedades de esta tabla merece memorizarse:

1. Las capas 1 y 5 son de detección; las capas 3 y 4 son de prevención; la capa 2 es el único pegamento. Macie nunca enmascarará una columna ni revocará una concesión: la conexión entre un hallazgo y un control es código que tú escribes.
2. La capa 1 se divide por motor. Macie inspecciona buckets S3 de propósito general; la transformación Detect PII de Glue inspecciona DataFrames dentro de un trabajo. El Parquet en el lago y las columnas del Glue Data Catalog son territorio de Glue, no de Macie.
3. La capa 4 debe existir aunque la capa 3 sea perfecta. Una tabla silver bellamente enmascarada no hace nada por el analista que se salta el lakehouse y lee bronze/ con una política de IAM.

1.2 Ejemplo resuelto E1: presupuestar un programa de clasificación (us-east-1, a oct 2026)

Toma una zona de aterrizaje bronze de 1 TB con 2.000.000 de objetos, más 14 buckets más pequeños (15 buckets en total). Macie factura en tres dimensiones (Amazon Macie Pricing, consultado 2026-10-11):

La lección dentro del ejemplo: el descubrimiento automatizado es la capa continua barata; los trabajos dirigidos son la capa de precisión cara. La guía de reducción de costes de AWS (Security Blog, 2023-03-20) es exactamente esta aritmética: usa el descubrimiento automatizado para encontrar los buckets de riesgo, muéstralos al 10% (unos $102 sobre 1.024 GB) para validar, y reserva el escaneo completo a $1/GB para el puñado de buckets que realmente importan.

• 📚 ¿Sabías que…? La prueba gratuita de 30 días cubre hasta 150 GB inspeccionados por cuenta y la dimensión de inventario de buckets, pero la página de precios es explícita: «cualquier trabajo de descubrimiento de datos sensibles que crees no estará incluido en la prueba gratuita de 30 días» (Amazon Macie Pricing, consultado 2026-10-11). Un equipo de demostración que ejecuta un trabajo de 200 GB con muestreo del 100% en el segundo día de la prueba acaba de facturarse unos $200. La prueba gratuita cubre el descubrimiento; no cubre tus trabajos.

---

2. Amazon Macie en profundidad

2.1 Inventario y monitorización: la capa que está siempre activa

Macie «evalúa automáticamente y continuamente tus buckets S3 en busca de datos sensibles» usando «inventario y monitorización de buckets, descubrimiento automatizado de datos sensibles y aprendizaje automático (ML) para perfilar buckets y muestrear objetos» (Guía de usuario de Macie, Automated sensitive data discovery: how it works, consultado 2026-10-11).

Tres hechos hacen que esta capa se comporte distinto de un escaneo:

• Los buckets se agrupan "by attributes such as bucket name, file types, and prefixes to cost-efficiently sample data broadly across an organization and minimize the data scanning needed". El agrupamiento es la razón por la que una muestra representativa puede ser estadísticamente útil sin tocar cada objeto.
• La cobertura está limitada a 10.000 buckets por cuenta y Región (cuota elevada el 2024-12-06), y la facturación es $0.10 per bucket per month, prorrateada a diario.
• Los resultados no son instantáneos. Los resultados de análisis "can begin to appear within 48 hours of enabling automated sensitive data discovery", y las puntuaciones se quedan en 50 — Not yet analyzed hasta que aparecen. Un bucket vacío puntúa 1 — Not sensitive, lo que significa sin datos, no sin PII.

2.2 Descubrimiento automatizado frente a trabajos dirigidos

Son mecanismos distintos con facturas distintas, y confundirlos es el malentendido más común sobre Macie.

Límites operativos de los trabajos que vale la pena citar en un documento de diseño (Guía de usuario de Macie, Quotas, consultado 2026-10-11): 50 trabajos concurrentes, 10.000 trabajos por cuenta, ráfaga de API de creación de trabajos 1 cada 20 segundos, los hallazgos requieren objetos de al menos 15 bytes, y la ventana de coincidencia de patrones es de 4 KB de texto por objeto (1 MB para S3 Select). Los hallazgos de datos sensibles se recortan a 15.000 hallazgos por bucket por día, y los hallazgos de política se deduplican en una ventana de 15 minutos.

• 📚 ¿Sabías que…? La lista de clases de almacenamiento soportadas de Macie es una generadora de trampas: Standard, Standard-IA, One Zone-IA, Intelligent-Tiering, Reduced Redundancy y Glacier Instant Retrieval se inspeccionan, pero Glacier Deep Archive y Glacier Flexible Retrieval no, y los objetos en buckets de directorio S3 Express no se inspeccionan en absoluto. Los objetos cifrados solo son legibles "if the objects are encrypted with SSE-KMS or DSSE-KMS keys" (Guía de usuario de Macie, consultado 2026-10-11). Un nivel de archivo lleno de exportaciones heredadas no está «cubierto»: es invisible hasta que se restaura.

2.3 Identificadores de datos gestionados frente a personalizados

Los identificadores de datos gestionados (MDI) son detectores mantenidos por AWS. La referencia rápida lista 40, agrupados en Credenciales (ACCESS_KEYS, AWS_ACCESS_KEYS, AWS_ACCOUNT_ID, DB_CREDENTIALS, ENCODED_PRIVATE_KEY, PRIVATE_KEY, SECRET_KEYS, …), Información financiera (BANK_ACCOUNT_NUMBER, CREDIT_CARD_NUMBER, CVC_NUMBER, …), Información personal: PHI (DOB, DRIVERS_LICENSE, HEALTHCARE_NUMBER, MEDICAL_RECORD_NUMBER, PASSPORT_NUMBER, SSN, …) e PII (ADDRESS, GENDER, NAME, PHONE, POSTAL_CODE, …).

Los identificadores de datos personalizados (CDI) son tuyos: "A custom data identifier helps you detect sensitive data in S3 objects… based on custom criteria that you specify": una expresión regular, un diccionario de palabras y frases (palabras clave), y "an optional list of regular expressions for text to ignore (ignore words)" (Guía de usuario de Macie, consultado 2026-10-11).

2.4 Ejemplo resuelto E2: un identificador de datos personalizado, regex a regex

Requisito: detectar números de miembro de Northwind Health con la forma NWH seguido de diez dígitos, en un prefijo bronze de documentos de póliza migrados, sin disparar sobre números de pedido ni sobre fixtures de prueba.

Dos hechos de apoyo: los identificadores personalizados «son únicos para cada cliente y no se comparten con otros clientes» (preguntas frecuentes de Macie, página fechada el 2025-09-30), no existe un mercado de detectores comunitarios, y el control de falsos positivos pertenece a las listas de permitidos (hasta 500 regex de 100 caracteres cada una), no a hacer un fork del identificador.

2.5 El Finding: esquema, severidad, puntuación, recuento

Un hallazgo de Macie es un objeto JSON. El modelo Finding de la API expone id, createdAt, updatedAt, partition, region, resourceArn, title, severity, type, o bien SensitiveData o bien Policy, y count, descrito como «el número total de ocurrencias observadas» y «siempre 1 para hallazgos de datos sensibles» en el nivel superior. El detalle de ocurrencias por identificador vive en los subobjetos occurrences, que llevan su propio count y hasta 15 entradas location. Los hallazgos se retienen durante 90 días (elevados desde 30 el 2021-10-01).

Tres números, tres objetos distintos: nunca los confundas:

AWS es explícito en que la puntuación «ni implica ni indica de otro modo la criticidad ni la importancia que un bucket o los objetos de un bucket puedan tener para ti» (Guía de usuario de Macie, Sensitivity scoring for S3 buckets, consultado 2026-10-11). Una puntuación de 100 es siempre una anulación manual; Macie nunca la asigna. Si el descubrimiento está deshabilitado a nivel de organización, las puntuaciones y etiquetas existentes persisten durante 30 días y luego se reinician.

• 📚 ¿Sabías que…? Los propios hallazgos de Macie son artefactos sensibles. Las entradas location de ocurrencia describen dónde se encontró una coincidencia en el objeto, y el repositorio de resultados de S3 escribe ficheros JSON Lines (*.jsonl, comprimidos con gzip, cifrados con SSE-KMS) que cada uno lleva una firma de código de autenticación de mensajes con hash con clave (HMAC) (añadido el 2023-11-08). Trata las exportaciones con el mismo cuidado que los datos: cifralas con una clave restringida, limita GetFinding al equipo de seguridad, y caduca el prefijo de exportación con una regla de ciclo de vida.

2.6 EventBridge: el contrato de enrutado

"When Macie detects new sensitive data findings or policy findings… it publishes corresponding events to EventBridge. EventBridge then routes the events to targets that you specify. Targets can include AWS Lambda functions, Amazon SNS topics, and Amazon SQS queues.": Guía de usuario de Macie, Findings, events, and EventBridge (consultado 2026-10-11)

Los dos campos sobre los que filtras:

Los sabores de evento documentados incluyen nuevos hallazgos de datos sensibles, nuevas ocurrencias de hallazgos de datos sensibles existentes, nuevos hallazgos de política y ocurrencias posteriores de hallazgos de política existentes: lo que significa que tu regla debe ser idempotente, porque un hallazgo existente puede dispararse de nuevo cuando aparece una ocurrencia nueva. Security Hub ingiere los mismos hallazgos, expone el control CSPM Macie.1 ("Amazon Macie should be enabled"), y ofrece acciones personalizadas que convierten la pulsación de un botón humano en una segunda regla de EventBridge hacia una Lambda (AWS Security Blog, 2022-07-18; repositorio de ejemplos aws-samples/security-hub-macie-remediation).

2.7 Ejemplo resuelto E3: la profundidad de muestreo como dial de coste y de cobertura

Un bucket de 200 GB, un trabajo dirigido, $1.00 per GB inspected (us-east-1, a oct 2026):

El eje x es lineal en dinero y no lineal en lo que aprendes: pasar del 10% al 100% cuesta 10× y compra el único resultado que puedes defender en una auditoría. La profundidad es un dial de coste/cobertura, no un ajuste de calidad: no hay ninguna profundidad en la que las regex de Macie se vuelvan más listas.

---

3. El pipeline clasificar → enrutar: hallazgo, Lambda, cuarentena, etiqueta

3.1 El diagrama de enrutado

La mitad superior es detección; la mitad inferior es prevención. Ambas deben existir, porque Macie es periódico (hasta 48 horas de calentamiento, luego la cadencia que elijas) mientras que el enmascarado con Glue de la Sección 4 corre por carga. Un pipeline solo con la mitad superior informa del daño; un pipeline solo con la mitad inferior nunca se entera de los datos que llegaron antes de que existiera el trabajo de enmascarado.

3.2 Ejemplo resuelto E4: la regla y el manejador

La regla de EventBridge, filtrada hacia hallazgos de datos sensibles de alta severidad:

Los cinco efectos secundarios del manejador de la Lambda, en el orden en que deben ejecutarse:

Coste de la propia capa de enrutado, a oct 2026: la primera copia de los eventos de gestión de CloudTrail es gratis; los eventos de datos S3 de CloudTrail cuestan $0.10 por 100.000 eventos y son opt-in; sin ellos no puedes responder «quién leyó el objeto» después de un incidente (AWS CloudTrail Pricing, consultado 2026-10-11). Lambda, las reglas de EventBridge y SNS se miden por separado, pero con este volumen son céntimos.

---

4. Protección en el lago: detectar en bronze → etiquetar → enmascarar/tokenizar en silver

Clasificar sin transformar solo te dice dónde está el problema. La respuesta del medallón es una transformación en el momento de la escritura: detectar en bronze, etiquetar en el límite del catálogo, enmascarar o tokenizar de camino a silver, y dejar que Lake Formation custodie cualquier PII residual que sobreviva.

4.1 Elige la técnica por la pregunta «¿debe unirse? ¿debe volver?»

Solo estos cuatro son patrones de AWS verificados. El cifrado que preserva el formato (FPE al estilo AES-FF1) no es una función gestionada de lakehouse de AWS: si lo ves, es una técnica de terceros o criptográfica general, no algo que Glue o Athena traigan.

4.2 Patrón A: redacción estática, y la transformación Detect PII de Glue

La transformación Detect PII detecta «información personal identificable (PII)… columnas de tus datos de entrada que podrían contener datos PII», ya sea de forma por celda (predeterminada) o por columna donde tú proporcionas un porcentaje de muestreo y un umbral de coincidencia. Sus cuatro acciones: Enrich, Redact (predeterminada, reemplaza los datos sensibles con ********), Partial redact, y SHA-256 hash. Los niveles de sensibilidad son High y Low; las categorías son Universal, HIPAA, Networking, US, UK, CA, ES, IT; y «también puedes aplicar transformaciones diferentes a diferentes columnas mediante anulaciones de granularidad fina». En la salida de trabajos Glue 3.0/4.0 los valores de actionUsed informados son DETECT, REDACT, PARTIAL_REDACT, SHA256_HASH.

4.3 Patrón B: tokenización determinista que aún se une

Determinista significa la misma entrada siempre produce el mismo token, así que GROUP BY hashed_email sigue agrupando a un cliente a través de las tablas. También significa que el mapeo es reversible en principio para entradas de baja entropía: el espacio de un número de teléfono de 10 dígitos es enumerable, así que un SHA-256 plano de un número de teléfono está a un ataque de diccionario de ser texto plano. Las correcciones, en orden de preferencia:

1. HMAC con clave con una sal secreta almacenada en Secrets Manager: mismo determinismo, sin tabla arcoíris. Usa esto para teléfono, SSN y valores de grado de código postal.
2. Reserva el SHA256_HASH plano para identificadores de alta entropía: UUIDs, números de cuenta con dígito de control.
3. Bóveda de tokenización completa cuando necesites reversibilidad y eliminar los PII de la ruta analítica: la arquitectura de la guía de AWS Tokenization to Improve Data Security and Reduce Audit Scope on AWS (revisada el 2024-07-23) es API Gateway → Lambda → bóveda de tokens en DynamoDB cifrada con KMS, con tokens que llevan un HMAC para que las consultas sean consistentes. El análisis aguas abajo consume solo tokens; la bóveda es el único componente que puede llegar a ver el original.

4.4 Ejemplo resuelto E5: el mismo correo, cuatro veces, y por qué difieren

4.5 Patrón C: enmascarado de formato con mask() de Spark

La función SQL mask() de Spark («Nuevo en la versión 3.5.0») «Enmascara una columna con caracteres predeterminados para letras, números y caracteres «otros»: 'X' (mayúscula), 'x' (minúscula), '0' (dígito), '*' (otro)», y acepta caracteres de reemplazo como argumentos: mask(col, upperChar, lowerChar, digitChar, otherChar).

4.6 Ejemplo resuelto E6: un trabajo de Glue, tres protecciones distintas

Un DataFrame de 100.000 filas de cliente saliendo de bronze hacia silver (forma de la API Detect PII de Glue, consultada 2026-10-11):

La clave del ejemplo resuelto: un trabajo produce tres resultados distintos, destruido, unible, y solo gobernado, elegido por columna según lo que el consumidor realmente necesita. La redacción es irreversible; el hash preserva los joins; la etiqueta-más-concesión preserva el valor solo para roles autorizados.

4.7 Patrón D: el cierre de seguridad del cifrado

Desde el 2023-01-05 toda subida nueva a S3 se cifra con SSE-S3 por defecto y sin coste adicional. Esa no es la postura que quieres para PII: SSE-S3 usa claves gestionadas por AWS, te da ninguna granularidad de auditoría por clave y ningún control de denegación por política de clave. Los buckets de PII deberían por tanto requerir SSE-KMS, fija el cifrado predeterminado del bucket en aws:kms y añade una condición de política de bucket que deniegue subidas que no sean aws:kms, con S3 Bucket Keys activados.

4.8 Ejemplo resuelto E7: lo que cuesta el cierre (us-east-1, a oct 2026)

• 📚 ¿Sabías que…? Determinismo y reversibilidad tiran en direcciones opuestas, y la propia guía de tokenización de AWS existe precisamente por eso. Un hash determinista es amigable con los joins pero atacable para campos de baja entropía; una bóveda de tokens es reversible pero requiere un servicio de consulta; una redacción es segura pero definitiva. El documento de tokenización de AWS Guidance (revisado el 2024-07-23) sitúa la bóveda detrás de API Gateway con una tabla de DynamoDB cifrada con KMS, lo que también reduce tu alcance de auditoría: la ruta analítica nunca guarda el texto plano, así que los sistemas que necesitan reducir alcance dejan de estar en alcance para él.

---

5. Vínculo con Lake Formation: de la etiqueta a la aplicación por columna y fila

La clasificación solo se convierte en seguridad cuando un permiso consume la clasificación. La lección 12 posee la mecánica de concesiones; esta sección es la forma específica de PII.

5.1 Los dos mecanismos

• LF-Tag (control de acceso basado en etiquetas, LF-TBAC): adhiere pii = true (o data_class = phi) a bases de datos, tablas y columnas. Las cadenas de clave y valor son de ≤ 50 caracteres, almacenadas en minúsculas, con ≤ 50 etiquetas por recurso de Lake Formation, ≤ 10.000 claves de etiqueta y ≤ 1.000 valores por clave. Las concesiones luego nombran atributos, así que cada tabla que crea un crawler hereda la política en cuanto alguien la etiqueta.
• Filtros de datos: "Data filters in Lake Formation enable you to implement column-level, row-level and cell-level security on Data Catalog tables", expresados con una expresión de filtro de fila PartiQL, columnas de inclusión (a nivel de columna), columnas de exclusión (a nivel de celda) y ambas juntas (a nivel de celda). Pueden compartirse con cuentas, AWS Organizations, principals de IAM y roles de IAM.

5.2 Ejemplo resuelto E8: una tabla, dos roles, una columna PII

Los filtros a nivel de celda son también la forma de «mostrar la columna pero anular los valores» sin materializar una copia enmascarada: que es la respuesta más barata posible a «necesitamos el esquema para el panel pero no los datos».

• 📚 ¿Sabías que…? Las concesiones de Lake Formation son baratas de sobre-conceder financieramente y caras de sobre-conceder políticamente: las comprobaciones de permisos no cuestan nada, mientras que los motores integrados facturan por lo que escanean. Esa asimetría es la razón por la que el patrón PII es siempre restringir de más por defecto, luego conceder excepciones; el modo de fallo del enfoque opuesto no es una factura más grande, es un incidente.

---

6. Auditoría: eventos de datos de CloudTrail, historial de Macie y el repositorio de evidencias

6.1 Qué puede y qué no puede responder cada artefacto

6.2 El flujo de evidencias, dibujado

Dos propiedades de este diagrama merece enunciarlas en voz alta: el bucket de exportación es el repositorio de evidencias a largo plazo (el propio Macie guarda información detallada hasta 90 días), y CloudTrail es la única pata que responde el «quién»: Macie responde el «qué», nunca «quién lo leyó». Esa división es toda la razón por la que un programa de privacidad necesita ambos servicios.

6.3 Ejemplo resuelto E9: el paquete de evidencias de un trimestre

6.4 Ejemplo resuelto de rellenar: el contrato de enrutado

---

7. Marco de cumplimiento: GDPR, CCPA y LGPD a profundidad de AWS

El cumplimiento es un ejercicio de mapeo, no una opción de funcionalidad. Cada regulación se mapea sobre capas específicas de la Sección 1, y cada una tiene una trampa propia de AWS.

7.1 Las tres regulaciones, en alcance

AWS mantiene además un libro de trabajo de LGPD (AWS Security Blog, 2022-04-25) que mapea controles a CIS v8.0, NIST CSF, el Marco de Privacidad de NIST y AWS CAF 3.0, útil cuando un regulador pide un marco de controles en lugar de una lista de servicios. Y observa la frontera de responsabilidad compartida: la referencia de servicios elegibles para HIPAA (última actualización 3 de septiembre de 2026) lista Amazon Macie, AWS Lake Formation, AWS Glue, Amazon Athena, AWS Lambda, Amazon EventBridge, AWS CloudTrail, AWS KMS, Amazon S3, AWS Step Functions, Amazon GuardDuty y más, toda la cadena de herramientas de esta lección es elegible en la configuración adecuada, y la elegibilidad nunca transfiere tu propia obligación de cumplimiento.

7.2 Ejemplo resuelto E10: un borrado consciente de versioning

Solicitud: borrar al cliente C-123 de bronze y silver, bajo el artículo 17 del GDPR (borrado) o los equivalentes de LGPD/CCPA.

• 📚 ¿Sabías que…? La evidencia y el borrado trabajan en contra del otro por diseño. Los hallazgos de Macie contienen ubicaciones de ocurrencia y se retienen 90 días; tus exportaciones JSONL contienen el mismo detalle y se retienen hasta que tu regla de ciclo de vida diga lo contrario. Un programa de privacidad defendible declara por tanto de antemano cuál es el sistema de registro para la evidencia, cuánto vive, y cuál es el procedimiento de borrado también para ese repositorio: de lo contrario satisfarás una solicitud de borrado en el lakehouse mientras el rastro de auditoría aún conserva el valor.

---

8. El flujo extremo a extremo trabajado

Todo en esta lección, de una pasada: de bronze a servir, de la detección a la evidencia:

Léelo de izquierda a derecha una vez más: cada caja de la capa 1 cuesta dinero solo cuando se inspeccionan datos; cada caja de las capas 3 to 4 no cuesta nada hasta que alguien consulta; la capa 5 es la única cuya salida puedes entregar a un regulador.

8.1 La lista de comprobación de decisiones antes de lanzar

Actualizaciones de 2026 (en octubre de 2026)

---

Casos Reales

AWS publica cómo se ven estos diseños a escala de producción. Cada cifra de abajo es declarada por el cliente o por AWS y sin auditoría, con la fuente y la fecha nombradas para que puedas comprobarla: el punto examinable es el patrón.

Caso A, FanDuel: dos roles, una concesión de columna, el ángulo de seguridad

El ángulo de seguridad. El diseño de FanDuel es una estructura default-deny disfrazada de rendimiento. La propiedad peligrosa de un diseño de doble archivo no es el coste de almacenamiento, es que la copia PII existe como un objeto separadamente direccionable, así que cada fuente nueva crea un segundo artefacto que necesita su propia política de bucket, su propia higiene de etiquetas y su propia revisión, y cada uno de esos es un lugar donde la copia portadora de PII puede quedarse abierta de par en par. Colapsarlo a un conjunto de datos más una concesión de columna elimina por completo el segundo artefacto: no hay «fichero de PII» que etiquetar mal, no hay copia sombra que se desvíe del cumplimiento, y no hay ninguna política de IAM que pueda conceder las columnas de PII sin pasar también por Lake Formation. La asignación por defecto importa igualmente, NonPIIAnalyst es lo que los analistas obtienen salvo que alguien los promueva activamente, que es el único por defecto defendible cuando el activo son los datos personales de un cliente.

Esa es la misma lección que la Sección 5.2, llegada desde el lado del incidente: el control de PII más barato es el que hace innecesaria la copia no autorizada.

• 📚 ¿Sabías que…? Las cifras de Oportun y Expedia de arriba son títulos de tarjetas de historias de cliente de AWS, citados textualmente de aws.amazon.com/macie (consultado 2026-10-11). AWS no publica la metodología detrás del «95%» en la propia tarjeta, así que preséntalo como una declaración de cliente con su fecha: nunca como una garantía de AWS ni como un benchmark con el que planificar. La lección duradera de ambas historias es arquitectónica: identificadores afinados más listas de permitidos, a escala, en lugar de un equipo de regex.

---

Preguntas de Práctica (Practice Questions)