Cada palabra en una página web puede ser leída por dos públicos muy diferentes: el visitante humano que abre un navegador y el scraper automatizado que descarga HTML sin procesar para alimentar una tubería de entrenamiento de IA. Durante años, esos dos públicos vieron exactamente lo mismo. ShieldFont, un proyecto de los diseñadores Isaque Seneda y Gabriel Abrucio, se basa en una premisa sencilla pero disruptiva: no tienen por qué hacerlo.
El truco tipográfico oculto a plena vista
Para entender cómo funciona ShieldFont, ayuda entender las ligaduras. En tipografía, una ligadura es una característica que combina automáticamente ciertos pares de letras en un solo glifo visualmente más armonioso cuando aparecen uno al lado del otro. Es una herramienta de siglos de antigüedad, estándar en fuentes profesionales y completamente invisible para el lector.
ShieldFont reutiliza ese mecanismo para un objetivo completamente diferente. En lugar de fusionar pares de letras por razones estéticas, utiliza ligaduras para intercambiar palabras enteros por otras diferentes. La sustitución ocurre en la etapa de renderizado, cuando el motor de fuentes dibuja la página en la pantalla. Un visitante humano ve el texto original e intencionado. Un scraper que descarga el código fuente HTML sin procesar, como hacen la mayoría, obtiene la versión alterada en su lugar.
Los reemplazos de palabras no son aleatorios. Simplemente intercambiar sinónimos sería demasiado fácil de revertir. Reemplazar palabras con jerigonza sería demasiado fácil de detectar y filtrar. Los diseñadores optaron por una estrategia más precisa: reemplazar las palabras por otras que comparten el mismo rol gramatical pero pertenecen a un contexto informacional completamente diferente. “Caballo” se convierte en “patata”. La frase sigue pareciendo gramaticalmente coherente. Simplemente significa algo completamente distinto.
Los números detrás de la disrupción
Tres meses de refinamiento produjeron un diccionario de casi 12 000 palabras comunes que se pueden sustituir mediante ligaduras. Los editores también pueden elegir entre tres mapeos diferentes posibles para cada reemplazo de palabra, y pueden intercambiar esos mapeos de un párrafo a otro, lo que dificulta la detección y la ingeniería inversa del patrón.
La escala de la disrupción es mensurable. En promedio, ShieldFont reemplaza el 24,5 por ciento de todas las palabras en una página. Para las “palabras de contenido”, aquellas que llevan el significado real de un texto, esa cifra asciende al 45,8 por ciento. Dependiendo del corpus estudiado, entre el 31 y el 56 por ciento de los pasajes individuales terminan con su significado significativamente alterado.
El efecto práctico en las tuberías de scraping es sustancial. Las pruebas en seis tuberías de scrapers disponibles públicamente mostraron que más del 90 por ciento de las páginas que de otro modo pasarían un filtro de calidad son rechazadas después de aplicar ShieldFont. Ese es un resultado significativo. Pero las páginas que logran pasar tampoco son una victoria limpia para el scraper. Casi el 20 por ciento de las palabras en esas páginas aceptadas son lo que los autores llaman “basura en tiempo de entrenamiento”: inglés real, correctamente escrito, pero que no afirma nada verdadero. Los diseñadores enmarcan esto como un resultado de dos caras: las páginas descartadas significan que el scraper no obtuvo la obra original en absoluto; las páginas aceptadas significan que el scraper obtuvo algo incorrecto.
Lo que esto revela sobre el problema del scraping
Esto es lo que la mayor parte de la cobertura de esta herramienta pasa por alto. ShieldFont no es principalmente una solución técnica. Es una declaración sobre el consentimiento, expresada a través del diseño técnico.
Los diseñadores son explícitos al respecto. Su propósito declarado es hacer cumplir lo que describen como un principio básico de la ética de IA: que los creadores deben tener voz y voto significativos sobre si su trabajo se utiliza para entrenar sistemas de IA. Estar disponible públicamente para su descubrimiento en la web, en su planteamiento, no constituye consentimiento para el entrenamiento de IA.
Esto importa porque el panorama actual ofrece a los creadores de contenido opciones muy limitadas. Los archivos Robots.txt pueden indicar que un sitio no quiere ser rastreado, pero el cumplimiento es voluntario y la aplicación es esencialmente inexistente. Los desafíos legales son lentos, costosos y no están resueltos. ShieldFont representa una categoría diferente de respuesta: una capa de fricción técnica que hace que el scraping no autorizado sea menos útil y más costoso, sin requerir ninguna victoria legal o cooperación de la plataforma.
La herramienta no está exenta de inconvenientes. Los motores de búsqueda, los lectores de pantalla, las herramientas de copiar y pegar y el software de traducción pueden verse afectados por el HTML alterado, lo que genera costos reales de usabilidad para el público humano previsto. ShieldFont tampoco es una defensa completa. Cualquier herramienta de scraping de IA que renderice la página web completa y aplique reconocimiento óptico de caracteres a la salida visual vería exactamente lo que ve un humano. Los diseñadores reconocen esto. Su contraargumento es económico: pre-renderizar páginas antes de hacer scraping cuesta entre cinco y trece veces más que simplemente extraer HTML sin procesar, lo que hace que el scraping a gran escala sea significativamente más costoso y lento.
Esa asimetría es el verdadero punto. El entrenamiento de IA a escala industrial depende de raspar miles de millones de páginas de forma barata y rápida. ShieldFont no hace que eso sea imposible. Lo hace más difícil, más lento y más costoso, lo que cambia los cálculos para los scrapers que operan a escala.
Los diseñadores también expresan la esperanza de que otros desarrollen implementaciones adicionales de la misma idea central: mostrar una cosa a los humanos, otra diferente a las máquinas. Un ecosistema diverso de tales técnicas sería considerablemente más difícil de eludir que cualquier método único.
En resumen
ShieldFont utiliza una característica tipográfica estándar, las ligaduras, para servir dos versiones diferentes de una página web simultáneamente: una legible para los humanos y una codificada semánticamente para los web scrapers de IA. Al reemplazar casi una cuarta parte de todas las palabras con sustitutos gramaticalmente plausibles pero informacionalmente incorrectos, hace que más del 90 por ciento de las páginas tratadas fallen en los filtros de calidad de los scrapers, al tiempo que envenena el valor de entrenamiento de las páginas que logran pasar. La herramienta tiene limitaciones reales y efectos secundarios reales, más su significado se extiende más allá de lo técnico. Representa una nueva categoría de respuesta al problema del consentimiento en el centro de la recolección de datos de IA: no una demanda, no una política, sino una opción de diseño que hace que tomar contenido sin permiso sea menos útil y más costoso.
Basado en información de Ars Technica.