Últimos reportajes
Temas destacados
Trending
Las políticas de privacidad de los 20 modelos de lenguaje de gran tamaño (LLM) más populares tardan una media de casi 20 minutos en leerse, y el lenguaje técnico y jurídico dificulta su comprensión por parte de los usuarios, según un análisis de la empresa de ciberseguridad Bridewell.
El análisis, realizado con Claude, reveló que las políticas tenían una media de 4.603 palabras y una puntuación media de 40,2 en el índice de facilidad de lectura de Flesch, un nivel considerado difícil de leer y más adecuado para personas con estudios universitarios. Por su parte, una puntuación superior a 60 se considera más accesible para el público general.
El análisis reveló que Muse Spark, de Meta, tenía la política de privacidad más extensa de las analizadas, con más de 14.000 palabras. Bridewell estima que un lector medio tardaría casi una hora en leerla completa.
El estudio determinó que Kimi K, de Moonshot AI, tenía la segunda política más difícil de leer. Aunque su política, de 6.229 palabras, tenía menos de la mitad de extensión que la de Muse Spark, obtuvo la puntuación más baja del estudio en el índice de facilidad de lectura de Flesch: 28,1, lo que indica que el texto es complejo y difícil de leer.
El análisis también examinó el LLM más popular del Reino Unido, ChatGPT. Bridewell afirmó que su política era más corta que las de los demás LLM analizados, pero los usuarios seguirían necesitando unos 17 minutos para leer sus 4.143 palabras. Además, obtuvo una puntuación de 43,6 en el índice de facilidad de lectura de Flesch.
Chris Linnell, director asociado de Privacidad de Datos de Bridewell, afirmó que la facilidad de lectura de las políticas de privacidad es especialmente importante a medida que aumenta el uso de los LLM para gestionar información sensible.
«A medida que los LLM se convierten en una parte cada vez más importante de la vida cotidiana de muchas personas, es fundamental que los usuarios comprendan plenamente cómo utilizan sus datos estas herramientas y qué pueden hacer para proteger su privacidad», afirmó.
El análisis de Bridewell también reveló que 13 de los 20 LLM estudiados utilizan las entradas y salidas de los usuarios para entrenar sus modelos. El nivel de control disponible para los usuarios varía en función del servicio, y algunos ofrecen la posibilidad de excluir los datos del entrenamiento.
«Cuando no existe una comprensión clara de cómo se procesan los datos, especialmente en entornos profesionales, los empleados pueden correr el riesgo de compartir información altamente sensible o confidencial que podría acabar utilizándose para entrenar LLM».
Según Linnell, el problema se agrava cuando los empleados utilizan cuentas personales con fines laborales. Advirtió de que utilizar cuentas personales para el trabajo de una empresa podría generar riesgos en materia de protección de datos si se proporciona información de clientes o de la empresa a un LLM sin una base jurídica que lo justifique.
«Aunque algunas herramientas ofrecen a los usuarios la posibilidad de excluir los datos del entrenamiento, son los propios usuarios quienes deben seleccionar esta opción», afirmó. «Estas políticas parten de la premisa de que las personas las han leído y comprendido, pero muchas no lo han hecho, especialmente cuando utilizan cuentas personales».
Linnell afirmó que los acuerdos empresariales podrían proporcionar a las organizaciones un mayor control sobre cómo las herramientas de IA gestionan los datos de los empleados.
«Los acuerdos empresariales de IA suelen abordar esta cuestión prohibiendo explícitamente que las herramientas utilicen las entradas y salidas para entrenar sus modelos y proporcionando a las organizaciones supervisión sobre qué información se comparte con los LLM», afirmó.
