Google ha adquirido los datos de la fallida aerolínea estadounidense Spirit

Artículo original ↗ Discusión en Hacker News ↗

La compra por parte de Google de los datos corporativos de Spirit Airlines en quiebra para entrenamiento de IA está generando alarmas por privacidad, consentimiento y el tratamiento de la información personal como un activo negociable. Los comentaristas cuestionan cómo puede ser significativa la “desidentificación” de millones de correos, grabaciones de llamadas, tickets y documentos internos cuando las grandes tecnológicas pueden reidentificar fácilmente a individuos al cruzar otros conjuntos de datos, y señalan que la quiebra a menudo anula los consentimientos de uso originales. Otros ven la maniobra como parte de una tendencia más amplia: empresas de IA compitiendo por adquirir datos operativos únicos del mundo real para automatizar el trabajo de oficina, mientras los reguladores luchan por actualizar lo bastante rápido las normas de protección de datos.

Alcance de la venta y legalidad

  • El rastro digital interno de Spirit (correos electrónicos, artefactos de Teams/SharePoint/OneDrive, datos operativos, registros de soporte, tickets, etc.) se subastó en quiebra y fue comprado por Google, supuestamente para “mejorar los servicios de IA”.
  • Los comentaristas debaten si esto siquiera debería ser legal: muchos lo ven como una violación de las expectativas de clientes y empleados, especialmente cuando el consentimiento se dio para “entrenar” humanos, no LLMs.
  • Algunos argumentan que en EE. UU. “quien posee la computadora posee los datos” y que los tribunales de quiebras priorizan la recuperación de los acreedores, reescribiendo contratos salvo que estatutos específicos (p. ej., estilo GDPR) lo impidan.

Qué datos se incluyen (en disputa)

  • Algunos citan coberturas que dicen que Google obtiene enormes volúmenes de datos de comportamiento de clientes (llamadas, chats, direcciones de correo electrónico, compras de Wi‑Fi, etc.).
  • Otros que leyeron la presentación judicial dicen que los datos de “comportamiento del cliente” quedan explícitamente excluidos de la solicitud de compra de Google y acusan al artículo de informar mal.
  • Se menciona un “Deidentification Agent” (un tercero elegido por Google) y una referencia a los estándares de desidentificación de la CCPA de California.

Desidentificación y reidentificación

  • Muchos son profundamente escépticos de que un tesoro de más de 100M de correos electrónicos, 30M de llamadas y ricos registros operativos pueda desidentificarse de forma significativa, especialmente al cruzarlo con otros conjuntos de datos.
  • Se plantean ejemplos: antiguos conjuntos de datos “anónimos” de AOL/Yahoo, unicidad a partir de unos pocos cuasiidentificadores (género, fecha de nacimiento, ZIP), y estilometría (huella de estilo de escritura).
  • Algunos señalan que reidentificar datos desidentificados está nominalmente en contra de la política de las grandes tecnológicas y podría ser motivo de despido, pero otros subrayan los incentivos, la débil aplicación y la “desconfianza acotada”.

Por qué Google querría esto

  • Se ve como una mina de oro de:
    • Interacciones de atención al cliente para entrenar call centers/chatbots.
    • Flujos de trabajo corporativos ricos y con marca temporal a través de correos, tickets, chats y datos operativos para entrenar “enjambres de agentes” que simulen dirigir una empresa.
    • Estilo interno único y patrones de trabajo real de oficina, más allá del texto genérico de la web.
  • Una minoría sugiere que podría servir para listas negras, puntuación tipo crédito social o discriminación de precios muy granular, aunque esto se presenta como especulación y temor.

Privacidad, regulación y normas

  • Numerosas comparaciones con GDPR: consentimiento limitado por propósito, alcances de uso no transferibles y multas significativas frente a los valores predeterminados favorables a las empresas en EE. UU.
  • Algunos señalan que GDPR es imperfecto y se elude mediante “intereses legítimos”, pero aun así es mucho mejor que nada.
  • Varios argumentan que los estándares de “desidentificación” no han seguido el ritmo de las capacidades del aprendizaje automático y piden con urgencia nueva regulación.

Reacciones más amplias

  • Fuerte incomodidad porque los “datos como activo” persisten más allá de la vida de una empresa y se monetizan en quiebra.
  • Algunos comentarios resignados: la mayoría de la gente ya entregó datos similares a Gmail, Teams, etc.; los intermediarios de datos y el rastreo son omnipresentes.
  • Otros se centran en la dirección distópica: entrenar modelos con la miseria humana, pérdida de privacidad significativa para la gente común y la IA como herramienta de control corporativo y extracción cada vez más estrictos.