La IA generativa, incluidos los grandes modelos de lenguaje (LLMs), ha transformado el paradigma de la generación de datos y contenido creativo, pero este progreso plantea preocupaciones críticas sobre la privacidad, especialmente cuando los modelos se entrenan con datos sensibles. Esta revisión proporciona una visión general completa de las técnicas de preservación de la privacidad destinadas a salvaguardar la privacidad de los datos en la IA generativa, como la privacidad diferencial (DP), el aprendizaje federado (FL), la encriptación homomórfica (HE) y el cálculo seguro multiparte (SMPC). Estas técnicas mitigan riesgos como la inversión de modelos, la filtración de datos y los ataques de inferencia de membresía, que son particularmente relevantes para los LLMs. Además, la revisión explora soluciones emergentes, incluidas las tecnologías que mejoran la privacidad y la criptografía post-cuántica, como direcciones futuras para mejorar la privacidad en los sistemas de IA generativa. Reconociendo que lograr una privacidad absoluta es matemáticamente imposible, la revisión enfatiza la necesidad de alinear las salvaguardias técnicas con los marcos legales y regulatorios para garantizar el cumplimiento de las leyes de protección de datos. Al discutir las implicaciones éticas y legales de los riesgos de privacidad en la IA generativa, la revisión subraya la necesidad de un enfoque equilibrado que considere el rendimiento, la escalabilidad y la preservación de la privacidad. Los hallazgos destacan la necesidad de investigación e innovación continuas para desarrollar técnicas de preservación de la privacidad que mantengan el ritmo con la escalabilidad de la IA generativa, especialmente en los grandes modelos de lenguaje, mientras se adhieren a los estándares regulatorios y éticos.