Seguridad de la IA generativa y protección contra la extracción no autorizada de contenidos

Jim Downey

Imagina que eres un experto que se gana la vida vendiendo información; la gente paga por hacerte preguntas. De repente, una máquina absorbe esos conocimientos de tu mente, aprende a responder preguntas más rápido que tú y te deja sin tu medio de vida. Con el auge de la IA generativa, las empresas cuyos modelos de negocio dependen de los contenidos se enfrentan precisamente a este dilema.

Puede que no sepamos adónde nos llevará la IA generativa, pero está claro que transformará nuestra forma de consumir contenidos y, al hacerlo, alterará profundamente las empresas que dependen de su distribución, del mismo modo que Internet transformó nuestro consumo de noticias y entretenimiento, devastando muchos medios de comunicación tradicionales.

La disrupción provocada por la IA generativa afectará tanto a las empresas que venden contenidos, como medios de comunicación, noticias y fotografías de archivo, como a aquellas que dependen de los contenidos para atraer espectadores hacia anuncios de pago. También afectará a las empresas que buscan captar clientes potenciales para promocionar productos y servicios, reforzar la identidad de marca y las relaciones con los clientes, o impulsar a estos a actuar mediante una llamada a la acción.

Aunque el rastreo de contenidos para las búsquedas surgió en los primeros tiempos de la web, las aplicaciones basadas en LLM, como ChatGPT, funcionan de una manera radicalmente distinta. Los motores de búsqueda ofrecen resúmenes con enlaces al contenido original, lo que aporta valor al facilitar que dicho contenido se encuentre. En cambio, las aplicaciones de chat basadas en LLM no siempre incluyen enlaces al contenido original, sino que invitan a los usuarios a permanecer en el chat y obtener más información mediante nuevas consultas, privando de todo valor a la empresa que creó el contenido.

Las organizaciones no pueden confiar únicamente en el archivo robots.txt, que les permite definir el ámbito de actuación de los rastreadores, ya que no todas las organizaciones que rastrean contenido para entrenar LLM respetarán el archivo robots.txt. Es objeto de debate si los LLM se limitan a copiar y reproducir contenido o si lo sintetizan como cualquier creador. La relevancia de la legislación sobre derechos de autor para el rastreo de contenido por parte de los LLM se está debatiendo actualmente en los tribunales. Es difícil saber cómo evolucionarán las leyes y las normas, pero las organizaciones deberían empezar a plantearse desde ahora cómo proteger el contenido del que dependen sus negocios.

El scraping puede mitigarse, aunque no es fácil. De hecho, no es ni mucho menos un problema nuevo. Los scrapers han intentado recopilar datos sobre la competencia en aerolíneas, cadenas minoristas y hoteles mediante la extracción de tarifas y precios. Estas empresas no solo quieren evitar la pérdida de datos competitivos, sino que la carga de tráfico generada por los scrapers —especialmente por aquellos que buscan los datos más actualizados— puede llegar a representar, en algunos casos, el 98 % de todo el tráfico de un sitio web, lo que afecta al rendimiento e incluso puede provocar su caída.

Los scrapers utilizan bots para automatizar la recopilación de datos. Por desgracia, los mecanismos tradicionales para mitigar los bots, como los CAPTCHA y las listas de bloqueo de direcciones IP, son ineficaces contra los bots de scraping. Dado que el scraping suele considerarse legal, existen numerosos servicios en línea que permiten eludir los CAPTCHA. Mediante el aprendizaje automático o granjas de clics para resolver los CAPTCHA, estos servicios son rápidos y baratos, y mucho más eficientes que la mayoría de nosotros a la hora de descifrar esos irritantes acertijos. La alternativa más sencilla a los CAPTCHA, las listas de bloqueo de direcciones IP, tampoco resulta eficaz debido a los servicios disponibles para los scrapers. Estos servicios permiten a los scrapers enviar sus solicitudes a través de decenas de millones de direcciones IP residenciales, una cifra tan elevada y en constante crecimiento que mantener listas de bloqueo resulta totalmente inviable.

Incluso muchas soluciones especializadas de gestión de bots tienen dificultades para combatir el scraping, ya que dependen de la instrumentación para recopilar señales. Un ejemplo habitual es el inicio de sesión. En primer lugar, el navegador envía una solicitud HTTP GET para obtener una página web que contiene un formulario de inicio de sesión. En esa página, JavaScript se ejecuta en segundo plano y recopila datos sobre el navegador y los patrones de escritura y movimiento del ratón del usuario. Cuando el usuario envía sus credenciales, JavaScript inserta los datos de las señales en la solicitud HTTP POST, que la solución de gestión de bots, actuando como proxy inverso, intercepta y analiza para determinar si el agente que realiza la solicitud es un bot.

Sin embargo, muchos sitios de contenidos no requieren una combinación de solicitudes GET y POST para acceder a contenidos, ya sean entradas de blog, noticias o precios. En su lugar, una única solicitud HTTP GET devuelve todo lo que busca el scraper, lo que elimina la posibilidad de recopilar señales mediante instrumentación.

Sabemos que muchas soluciones de gestión de bots no logran impedir el scraping porque existen varios servicios que ofrecen un acceso sencillo mediante API para extraer contenido. ZenRows, por ejemplo, enumera los proveedores de soluciones antibots que puede eludir.

Afortunadamente, F5 Distributed Cloud Bot Defense resuelve este problema mediante una técnica denominada página intersticial, que se carga rápidamente, recopila datos con rapidez y, a continuación, carga el contenido de la página solicitada. Tras varios años protegiendo de la extracción de datos a las principales aerolíneas y empresas minoristas, F5 ha perfeccionado esta técnica para que sea rápida, eficiente y eficaz. La página intersticial se ejecuta una sola vez por sesión de usuario, ya que, una vez que se identifica a un agente como humano, no es necesario realizar más comprobaciones, salvo para evitar el uso indebido mediante ataques de repetición.

Como la solución de gestión de bots más eficaz del mercado, Distributed Cloud Bot Defense ofrece a los creadores de contenido la mejor protección frente a la extracción de sus contenidos para crear modelos de LLM. Para las organizaciones que desean proteger tanto sus contenidos como su negocio, Distributed Cloud Bot Defense es la mejor opción.

Sobre el autor

Jim Downey

Más artículos de Jim Downey