¿Ha logrado Google que entrenemos su IA sin saberlo a través de los captchas?

Cada vez que resuelves un captcha en Internet —seleccionando autobuses en fotos borrosas, colocando piezas de puzles, marcando la casilla que dice "No soy un robot"— estás participando en algo que va mucho más allá de la seguridad web. Durante años, esos pequeños acertijos han sido máquinas de recolección de datos, y Google, el principal proveedor mundial de este servicio, ha estado utilizando tu trabajo para entrenar sistemas de inteligencia artificial.

La historia de los captchas comienza con Luis von Ahn, un guatemalteco que en los años 2000 creó reCAPTCHA con un doble propósito ingenuo y ambicioso: filtrar bots de las páginas web y, simultáneamente, digitalizar libros antiguos. Cuando los usuarios etiquetaban palabras borrosas dentro de los acertijos, estaban ayudando a máquinas a aprender a leer textos históricos. Era un ejemplo temprano de lo que ahora se llama trabajo colaborativo entre humanos e inteligencia artificial, aunque los usuarios rara vez sabían que estaban participando en ello. Google adquirió reCAPTCHA en 2009 y expandió el servicio masivamente, utilizándolo para digitalizar millones de libros y periódicos. Durante años, la compañía fue explícita sobre esto. En versiones anteriores de su página oficial, el lema rezaba: "Detén a bot, construye un bot". Debajo explicaba claramente que las imágenes etiquetadas por humanos se reunían en conjuntos de datos para entrenar sistemas de machine learning.

Pero el verdadero valor de estos datos reside en algo más específico: el reconocimiento de objetos en entornos de tráfico. Cuando seleccionas todos los autobuses en una imagen, o identificas tractores, semáforos y señales de tránsito, estás proporcionando exactamente lo que necesita Waymo, la filial de vehículos autónomos de Alphabet (la matriz de Google), para entrenar sus sistemas de conducción. Karina Gibert, catedrática de la Universitat Politècnica de Catalunya y experta en inteligencia artificial, lo explica con claridad: los captchas están "altamente vinculados al reconocimiento de obstáculos, de vehículos y de señales de tráfico en circulación. Esto nos conecta mucho con todo lo que necesita ver, entender e interpretar un coche autónomo". Jordi Nin, investigador del Instituto de Investigación en Inteligencia Artificial, añade que cuando un humano etiqueta un tractor borroso en una imagen, está enseñando al sistema a reconocer tractores incluso en condiciones difíciles: lluvia, ángulos extraños, iluminación deficiente. Múltiples usuarios etiquetan la misma imagen, y cuando hay consenso, esa información se valida como datos de entrenamiento de altísima calidad.

La escala de esto es inmensa. Para entrenar un sistema de visión por computadora capaz de reconocer semáforos desde cualquier ángulo, bajo cualquier condición climática, en cualquier contexto, necesitas bases de datos enormes de imágenes etiquetadas manualmente. Los captchas generan exactamente eso, constantemente, de forma gratuita, a través de millones de usuarios que simplemente están intentando acceder a un sitio web. Como señala Gibert, "con toda esta base de datos inmensa, pones a entrenar el algoritmo y es capaz de reconocer un semáforo en cualquier posición, desde cualquier ángulo, con nubes, con mucho sol, con lluvia o en la selva".

En 2023, investigadores de la Universidad de California en Irvine publicaron un artículo sugiriendo que Google estaba utilizando sus captchas para obtener exactamente estos datos de entrenamiento. Las autoridades regulatorias de privacidad en Francia y Alemania también expresaron preocupaciones sobre la transparencia del proceso. Pero en 2018, Google lanzó reCAPTCHA v3 y comenzó a afirmar que había dejado de usar los datos de los captchas para entrenar modelos de IA. La mención al entrenamiento desapareció de su página oficial. Desde Google España, la compañía declara que desde 2018 "dejamos de utilizar desafíos visuales y ya no usamos las respuestas a los desafíos de reCAPTCHA para el entrenamiento de los modelos".

Sin embargo, persisten ambigüedades significativas. Muchos sitios web aún utilizan versiones antiguas del servicio que sí fueron diseñadas para entrenar IA. Además, reCAPTCHA se divide en dos productos: uno de pago para empresas, con términos claros sobre el uso de datos, y otro gratuito. Hasta abril de 2026, la versión gratuita se regía por la política de privacidad general de Google, que estipula que los datos de usuarios "podrán usarse para mejorar los servicios de Google o desarrollar otros nuevos". Las puertas quedaban abiertas.

El 2 de abril de 2026, Google realizó un cambio legal significativo: pasó de ser controlador de datos a procesador de datos en el servicio reCAPTCHA. Esto significa que ya no puede decidir unilateralmente qué hacer con la información. Teóricamente, ahora son los sitios web que incorporan el captcha quienes tienen la responsabilidad de controlador. Pero como señala Gibert, lo que Google ha hecho es "un descargo de que el responsable de un mal uso de los datos sea la persona que pone el captcha en su web". En otras palabras, han trasladado la responsabilidad legal mientras mantienen el acceso a los datos. Las incertidumbres persisten, y los datos de entrenamiento de calidad —ese bien escaso que Google controla— siguen siendo el activo más valioso en la carrera por la inteligencia artificial.