Dedomena.AI
"1. Dedomena.AI es la infraestructura para la economía del dato, modelos y agentes, impulsando la IA y soluciones de datos al ofrecer una plataforma y ecosistema seguro, con garantías de cumplimiento legal, escalable e inteligente.
- Validación y análisis de datos: calidad, riesgo, consistencia, equidad, perfilado, insights, visualizaciones.
- Anonimización avanzada con seguimiento de entidades, modulo de des-anonimización y 6 métodos listos para usar según tipo de dato.
- Generación de datos sintéticos de alta calidad y utilidad.
- Cumplimiento de normativas GDPR, AI Act, Data Act, ISO 27001.
- Intercambio seguro de datos con garantías de privacidad.
- Interoperabilidad con otros Espacios de Datos Europeos.
- Modelos y agentes de IA listos para usar (plug & play).
- Consultoria: Entrenamiento de modelos de IA y ML, creación de agentes de IA para automatizar procesos y desarrollo de soluciones personalizadas impulsadas por IA.
Industria financiera: bancos, aseguradoras, fintechs; salud: hospitales, centros de investigación, empresas privadas; administración pública: ayuntamientos; pymes y corporaciones
Seguridad y Privacidad: Proteger los datos sensibles y la propiedad intelectual. Las organizaciones invierten mucho en seguridad, pero los datos siguen expuestos en los procesos internos y ante las ciberamenazas. Además, el cumplimiento regulatorio a menudo restringe el uso de los datos.
Datos de la empresa
Año de fundación
2021
NIF/CIF
B16803025
Certificaciones
Nº de Empleados
25
Public Readiness (Tracción pública)
Valor total de contratos adjudicados (último año)
29.500 €
Cantidad de contratos (último año)
1
Clientes públicos destacados
Ayuntamiento de Madrid.
Canales y colaboraciones
Oxean Group, Quanam
Vendor Trust (Solvencia económica)
Facturación (último año)
317.844 €
Inversión levantada acumulada
1.000.000 €
Contrato mayor valor en los últimos 3 años
235.250 €
Inversores
Codols Finances SL, Castiventures SL, ALX Bcombinator VC II FCRE SA.
Ecosistema
Premios
- Primer Lugar en el VISA Innovation Program 2023.
- Ganadores del programa SofIA con BBVA 2023
- Sandbox IA: una de las 12 empresas seleccionadas a nivel nacional para participar en el Sandbox de IA donde se adaptará nuestro modelo de Credit Scoring a la IA Act, siendo el primero modelo de alto riesgo de credit scoring adaptado en la UE al ser España el piloto. 2025
- DesafIA: Dedomena.AI ha sido seleccionada como una de las 8 empresas ganadoras de DesafIA Madrid, una iniciativa público-privada liderada por el Ayuntamiento de Madrid para aplicar y desarrollar soluciones de Inteligencia Artificial a 8 retos urbanos y de gestión. 2025
- Finalista at the Madrid Impacta 2025 Awards
Aceleradoras
Datos de la empresa
Simulación y modelado para planificación, defensa, emergencias o infraestructuras críticas
Problema
- Limitaciones en el uso de datos reales sensibles: la información necesaria para modelar escenarios (datos personales, ubicaciones críticas o información estratégica) no puede compartirse ni utilizarse libremente por restricciones legales y de seguridad.
- Barreras normativas y de interoperabilidad: las regulaciones de privacidad y los riesgos asociados dificultan el intercambio de datos entre organismos, limitando la generación de simulaciones conjuntas y fiables.
- Calidad y cobertura insuficiente de los datos: los datos disponibles suelen ser fragmentados, incompletos o poco representativos, lo que reduce la validez de los modelos predictivos o de riesgo.
- Alto coste y complejidad en la generación de escenarios: traducir datos reales en simulaciones de emergencia requiere reconstruir múltiples variables, implicando tiempos largos y elevados recursos.
- Limitaciones de las soluciones tradicionales de simulación: los modelos basados en supuestos genéricos o simplificados carecen de realismo, reduciendo su utilidad para la planificación operativa y estratégica.
Solución
- Generación de datos sintéticos de alta fidelidad: se recrearon datasets que imitan las propiedades estadísticas y estructurales de datos reales sin incluir información sensible, habilitando su uso seguro en simulaciones.
- Simulación de escenarios de riesgo y operativos: facilitó la creación de entornos virtuales que replican condiciones de emergencia, fallos de infraestructura, demanda de servicios o ataques, permitiendo entrenar respuestas y evaluar resiliencia.
- Uso de datos sintéticos para entrenamiento y pruebas: permitió probar modelos de IA, planes de contingencia y algoritmos de gestión sin comprometer datos reales sensibles, aumentando la seguridad y reduciendo riesgos.
- Integración con flujos de planificación y análisis existentes: permitió incorporar los datasets generados en sistemas de BI, GIS y simulación sin necesidad de reestructurar la arquitectura existente.
- Colaboración segura interinstitucional: garantizó que distintas agencias pudieran compartir datos simulados para coordinación sin comprometer la privacidad ni vulnerar normativas.
Protección de datos y análisis seguro para servicios públicos sensibles
Problema
- Gestión de datos altamente sensibles: las administraciones manejan información crítica (salud, vulnerabilidad social, ayudas) cuya exposición puede generar daños graves y pérdida de confianza institucional.
- Limitaciones de los métodos tradicionales de anonimización: técnicas como la seudonimización o la eliminación de campos no eliminan el riesgo de reidentificación mediante cruces de datos.
- Fragmentación de los sistemas internos: la dispersión de datos dificulta aplicar políticas homogéneas y robustas de protección a gran escala.
- Barreras para la colaboración externa: las restricciones legales y la falta de procesos seguros limitan la cooperación con universidades, startups o proveedores tecnológicos.
- Bloqueo de la innovación basada en datos: la imposibilidad de acceder a datos reales frena el análisis avanzado y ralentiza la mejora de los servicios públicos.
Solución
- Anonimización con IA: permitió transformar datasets sensibles en versiones anónimas manteniendo su utilidad estadística y reduciendo el riesgo de reidentificación.
- Generación de datos sintéticos: permitió crear copias sintéticas que replican patrones y relaciones de los datos reales sin contener información personal, preservando su valor analítico.
- Privacidad diferencial: garantizó límites matemáticos al riesgo de exposición, incluso ante ataques avanzados, habilitando el intercambio seguro de datos con terceros.
- Automatización del proceso de protección: permitió aplicar técnicas de anonimización sin intervención manual, reduciendo errores y acelerando la preparación de datasets.
- Integración con flujos analíticos existentes: permitió utilizar datos anonimizados o sintéticos en herramientas de BI, machine learning o análisis estadístico sin modificar la infraestructura.
