¿Qué ocurrió?

La afición de las empresas de IA a rastrear grandes porciones de la web pública en busca de datos de entrenamiento valiosos ya ha provocado demandas y soluciones técnicas destinadas a frenar esa práctica. Ahora, dos diseñadores esperan entorpecer a esos rastreadores con una nueva tipografía.

ShieldFont, según escriben los diseñadores Isaque Seneda y Gabriel Abrucio en un informe técnico reciente, se creó para ofrecer a los editores web "una vía práctica de exclusión del entrenamiento de IA no autorizado y [para] alterar lo que se recopila cuando esa decisión se ignora".

¿Cuándo un caballo es una patata?

La tipografía se apoya en las ligaduras, una función presente desde hace mucho en numerosas fuentes y que suele usarse para sustituir ciertos pares de letras por una versión más legible cuando quedan pegados. En ShieldFont, en cambio, esas ligaduras se emplean para sustituir palabras enteras por otras, con el fin de destruir el valor del texto para los rastreadores.

La sustitución solo se produce cuando el motor tipográfico dibuja la página en pantalla, de modo que los rastreadores que simplemente descargan el código fuente en texto plano obtienen una versión alterada que el usuario final nunca ve.

Calibrar la sustitución

A la hora de engañar a los rastreadores de IA, no todas las sustituciones basadas en ligaduras valen lo mismo:

  • Sinónimos o antónimos: demasiado fáciles de revertir para un rastreador inteligente.
  • Galimatías sin relación: más fácil de detectar —y de sortear— para un filtro de rastreo inteligente.
  • La elección de ShieldFont: palabras de categoría gramatical similar pero de un contexto informativo completamente distinto: cambiar "caballo" por "patata".

El resultado es una frase rastreable que parece semánticamente correcta pero cuyo significado ha cambiado por completo. Así, incluso las páginas alteradas que superan el filtro de calidad de un rastreador contienen información revuelta capaz de envenenar un conjunto de datos de entrenamiento.

¿Por qué es importante?

El enfoque se sitúa en un lugar distinto al de métodos como robots.txt, que dependen del cumplimiento voluntario. Un editor que usa robots.txt dice "no rastrees" y espera que el rastreador respete esa petición. ShieldFont está pensado para el caso en que la petición se ignora: si eso ocurre, el valor de lo recopilado cae.

Las dos mitades de la frase de los diseñadores resumen esa distinción: ofrecer "una vía práctica de exclusión" y alterar "lo que se recopila cuando esa decisión se ignora".

Dónde se detiene el método

ShieldFont solo protege el texto que dibuja la tipografía. Las imágenes de la página, las etiquetas de encabezado, los bloques de datos estructurados y los metadatos del código fuente quedan fuera de esa protección: un rastreador puede deducir de qué trata la página por otras vías aunque no advierta que el texto está alterado.

Otra cuestión práctica es copiar y pegar. Cuando el usuario copia el texto que ve en pantalla, lo que llega al portapapeles es el texto subyacente y no el dibujado, así que una frase citada por el lector puede salir también alterada. La información no indica cómo se aborda ese comportamiento.

Qué no está cerrado

Los diseñadores afirman haber refinado su diccionario de sustituciones durante tres meses. No existe una medición independiente de cuánto aguanta el método frente a rastreadores reales, y sigue abierta la pregunta de si la sustitución basada en tipografía puede detectarse y sortearse.

La accesibilidad es un capítulo aparte: los lectores de pantalla leen la página a partir del texto subyacente, no de lo que dibuja el motor tipográfico. Eso significa que las personas ciegas podrían escuchar también el texto alterado; el informe no indica cómo aborda el documento técnico esta cuestión.