Operación “Número equivocado”: estafa de tareas asistida por IA

Este estudio de caso se publicó originalmente en el informe de junio de 2025⁠(se abre en una nueva ventana) de OpenAI.

Bloqueamos cuentas de ChatGPT que generaban mensajes breves de reclutamiento en inglés, español, suajili, kiñaruanda, alemán y criollo haitiano. Estos mensajes ofrecían salarios elevados por tareas triviales, como indicar que les gustaban publicaciones en redes sociales, y animaban a los destinatarios a reclutar a otras personas. La operación parecía estar muy centralizada y probablemente se originó en Camboya.

Gracias a herramientas de traducción basadas en IA, pudimos investigar e interrumpir rápidamente el uso de los servicios de OpenAI por parte de la campaña.

La mayoría de las conversaciones de la red estaban relacionadas con tareas de traducción. Usaban ChatGPT para traducir frases conversacionales entre el chino y varios idiomas, principalmente inglés, español, kiñaruanda, suajili, alemán y criollo haitiano. Estas tareas normalmente alternaban entre traducir un mensaje recibido al chino y traducir una respuesta del chino al idioma original.

Algunos de estos mensajes parecían anuncios de empleo enviados en frío y ofrecían una elevada remuneración por hora a cambio de muy poco trabajo. Uno de estos mensajes se distribuyó por SMS a lo que parecía ser un conjunto aleatorio de números de teléfono celular del Reino Unido, uno de los cuales pertenecía a un investigador de OpenAI. Denominamos a esta operación “Número equivocado”, en referencia al SMS inicial.

Al parecer, los actores de amenazas recurrían a varias plataformas de mensajería. El SMS inicial indicaba a los destinatarios que se comunicaran por WhatsApp; luego, quienes respondían eran derivados con un “mentor” en Telegram. Parte de la actividad también hacía referencia a la aplicación de mensajería BonChat. Al parecer, los primeros mensajes introductorios enviados por estos canales no se habían generado con nuestros modelos. Eran mensajes rutinarios que probablemente se usaban en todas las conversaciones.

Muchas de las tareas de traducción incluían comunicaciones que supuestamente provenían de representantes de presuntas empresas “empleadoras”. Los mismos nombres de empresas aparecieron repetidamente en numerosas conversaciones de ChatGPT incluidas en esta investigación. Entre ellas estaban Hyesung Advertising⁠(se abre en una nueva ventana) y Lightning Shared Scooter Co (LSSC)⁠(se abre en una nueva ventana). Informes públicos han identificado a Hyesung y LSSC como presuntos esquemas de tareas. Aunque no verificamos de forma independiente la naturaleza de estas entidades, nuestra investigación reveló que los mensajes que supuestamente provenían de ellas eran generados por usuarios de ChatGPT de habla china, quienes probablemente operaban desde Camboya.

Las empresas que esta red afirmaba representar abarcaban una amplia variedad de sectores, desde el comercio de acciones y el alquiler de scooters hasta la venta de “Me gusta” en redes sociales. Una clara señal de alerta era la oferta de pagar más de $5 por un solo “Me gusta” en TikTok. En contraste, nuestra revisión manual de mercados en línea mostró que algunos vendedores de “Me gusta” en redes sociales cobran menos de $10 por 1 000 “Me gusta”.

Al combinar indicadores externos a la plataforma con observaciones internas, identificamos un patrón de trabajo recurrente. Para facilitar la comprensión de esta táctica y simplificar su clasificación, describimos el patrón así: el contacto (contacto en frío), el entusiasmo (generar entusiasmo) y el golpe (extraer dinero):

1. El contacto (contacto en frío): la red genera contenido para contactar a personas en frío, por lo general con ofertas de salarios inusualmente altos por muy poco trabajo o promesas de grandes rendimientos en inversiones bursátiles. Estas ofertas incluyen una remuneración elevada por tareas sencillas, como indicar que les gustan publicaciones en redes sociales, u oportunidades de inversión lucrativas.

2. El entusiasmo (generar entusiasmo): la red traduce conversaciones, probablemente entre el operador y sus “empleados”. Estos intercambios incluyen detalles logísticos sobre las tareas, pero suelen intercalarse con mensajes motivacionales sobre ingresos y posibles bonificaciones.

3. El golpe (extraer dinero): la red genera o envía contenido que presiona al “empleado” o “inversionista” para que aporte dinero a fin de desbloquear mayores recompensas. Esto adopta varias formas, como un “depósito” inicial, compras de criptomonedas y “cargos de gestión”.

Informes públicos⁠(se abre en una nueva ventana) sugieren que algunas de estas empresas cobraban a los nuevos reclutas cuotas de ingreso considerables y luego usaban parte de esos fondos para pagar a los “empleados” existentes apenas lo suficiente para mantenerlos involucrados. Esta estructura es característica de las estafas de tareas⁠(se abre en una nueva ventana).

Es difícil cuantificar el alcance real de esta red debido a nuestra visibilidad limitada. Sin embargo, los informes externos a la plataforma⁠(se abre en una nueva ventana) y las conversaciones en las que los “empleados” exigían reembolsos indican que al menos algunas personas pagaron a estos presuntos empleadores. También observamos que usuarios reales defendían a las empresas en redes sociales, lo que sugiere cierto grado de participación en el mundo real.