Investigadores demuestran que LLM desanonimiza usuarios de internet con precisión del 67%
Hecho Qué ha ocurrido
Investigadores de ETH Zurich, MATS Research y Anthropic han publicado un estudio que demuestra que los LLM pueden identificar automáticamente a usuarios de internet que utilizan pseudónimos en plataformas como Hacker News, Reddit y LinkedIn. En un experimento controlado con 338 usuarios, el sistema identificó correctamente a 226 de ellos (67% de precisión con 90% de confianza) con un coste de entre $1 y $4 por perfil y $2.000 en total. El método automatiza lo que antes requería investigadores humanos manuales, extrayendo señales de identidad de texto no estructurado y buscando entre millones de perfiles candidatos.
Resumen generado mediante IA a partir de The Register AI (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Este hallazgo erosiona la confianza en el anonimato online y cuestiona la viabilidad de prácticas de privacidad que millones de usuarios dan por garantizadas. Las implicaciones van desde vigilancia estatal de activistas y periodistas hasta perfilado comercial agresivo y ataques de ingeniería social más sofisticados.
- Quién se ve afectado
- Usuarios anónimos online, periodistas, activistas, comunidades marginadas, cualquier persona que publique bajo pseudónimo asumiendo protección de identidad; también empresas de publicidad y plataformas de redes sociales que deben repensar políticas de privacidad.
- Qué puede cambiar
- Si esta técnica se generaliza, el concepto mismo de anonimato online podría colapsar. Las organizaciones deberán anticipar que cualquier combinación de datos públicos compartidos incrementalmente puede ser procesada automáticamente para identificar individuos, forzando cambios en políticas de retención de datos y acceso a registros históricos.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Velocidad de adopción de estas técnicas por actores estatales y comerciales; reacción regulatoria (GDPR, leyes de privacidad locales); medidas defensivas desarrolladas por plataformas; aparición de herramientas accesibles que democraticen la técnica; estudios de replicabilidad con datasets más amplios y variados.
Recomendación Qué debería hacer una empresa
Las empresas con foros, comunidades o plataformas de usuario anónimo deberían auditar en los próximos 3-6 meses qué datos históricos y perfiles son reversibles, y considerar políticas de anonimización más agresivas (truncado de historiales, límites de retención). Los equipos de privacidad y legal deben evaluar el impacto potencial en sus obligaciones de protección de datos.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: The Register AI. La referencia es siempre el artículo original.
Ver fuente original ↗LLMagentes IA ETH ZurichMATS ResearchAnthropic deanonimización LLM privacidad seguridad vigilancia
Relacionadas
Investigación: LLMs pueden desanonimizar usuarios en redes sociales con precisión del 90%
Un estudio reciente demuestra que modelos de lenguaje pueden identificar a usuarios detrás de cuentas pseudónimas analizando patrones en múltiples plataformas…
Por qué importaEl descubrimiento cuestiona la validez de la pseudonimidad como medida de privacidad en internet, exponiéndola como protección insuficiente frente a…
Los LLM pueden perfilar a usuarios anónimos de Hacker News a partir de sus comentarios
Simon Willison, desarrollador y escritor sobre IA, documenta un experimento donde utilizó LLMs (ChatGPT y Claude) para generar perfiles detallados de usuarios…
Por qué importaIlustra una vulnerabilidad de privacidad en datos públicos: aunque los comentarios están disponibles libremente, su agregación y análisis mediante…
Por qué la IA inventa respuestas: el origen de las alucinaciones según un paper de OpenAI
Un paper de OpenAI y Georgia Tech, publicado en septiembre de 2025, atribuye las alucinaciones de los modelos de lenguaje a dos causas: el entrenamiento para…
Por qué importaPara un directivo, la cifra de precisión de un modelo puede ocultar que inventa con seguridad si las pruebas no penalizan el error. Conviene evaluar…
Microsoft asegura que su IA de diagnóstico supera a médicos generalistas en casos clínicos complejos
Microsoft afirma que su sistema MAI-DxO, que coordina varios agentes de IA, acertó el 83% de los casos complejos de una simulación con casos del New England…
Por qué importaSi los resultados se confirman en entornos clínicos reales, la IA de diagnóstico podría pasar de herramienta de apoyo a parte del proceso de decisión…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.