Operación «Número equivocado»: estafa de tareas con ayuda de IA

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

Bloqueamos cuentas de ChatGPT que generaban breves mensajes de captación en inglés, español, suajili, kiñaruanda, alemán y criollo haitiano. Estos mensajes ofrecían a los destinatarios salarios elevados por tareas triviales, como indicar que les gustaban publicaciones en redes sociales, y los animaban a captar 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 y desarticular rápidamente el uso de los servicios de OpenAI por parte de la campaña.

La mayoría de las interacciones de la red consistían en tareas de traducción. Usaban ChatGPT para traducir frases conversacionales entre el chino y otros idiomas, principalmente inglés, español, kiñaruanda, suajili, alemán y criollo haitiano. Estas tareas solían alternar entre traducir al chino un mensaje recibido y traducir una respuesta del chino al idioma original.

Algunos de estos mensajes parecían anuncios de empleo de captación en frío y ofrecían una remuneración por hora elevada a cambio de muy poco trabajo. Uno de estos mensajes se distribuyó por SMS a un conjunto aparentemente aleatorio de números de móvil del Reino Unido, uno de los cuales pertenecía a un investigador de OpenAI. Bautizamos esta operación como «Número equivocado» en honor al SMS inicial.

Los actores de amenazas parecían utilizar varias plataformas de mensajería. El SMS inicial indicaba a los destinatarios que continuaran la conversación por WhatsApp; quienes respondían eran derivados después a un «mentor» en Telegram. Parte de la actividad también hacía referencia a la aplicación de mensajería BonChat. Los primeros mensajes introductorios enviados por estos canales no parecían haberse generado con nuestros modelos. Eran mensajes rutinarios que probablemente se utilizaban en todas las conversaciones.

Muchas de las tareas de traducción incluían comunicaciones que supuestamente procedían de representantes de presuntas empresas «empleadoras». Los mismos nombres de empresas aparecían repetidamente en numerosas conversaciones de ChatGPT incluidas en esta investigación. Entre ellas se encontraban Hyesung Advertising⁠(se abre en una ventana nueva) y Lightning Shared Scooter Co (LSSC)⁠(se abre en una ventana nueva). Diversos informes públicos han señalado a Hyesung y LSSC como presuntas estafas de tareas. Aunque no hemos verificado de forma independiente la naturaleza de estas entidades, nuestra investigación determinó que los mensajes supuestamente enviados por ellas los generaban usuarios de ChatGPT de habla china que probablemente operaban desde Camboya.

Las empresas que esta red afirmaba representar abarcaban una amplia variedad de sectores, desde la compraventa de acciones y el alquiler de patinetes hasta la venta de «me gusta» en redes sociales. Una clara señal de alarma era la oferta de pagar más de 5 USD por un solo «me gusta» en TikTok. En cambio, nuestra revisión manual de mercados en línea mostró que algunos vendedores de «me gusta» para redes sociales cobran menos de 10 USD por 1 000 «me gusta».

Al combinar indicios 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 como el contacto (captar en frío), el entusiasmo (generar ilusión) y el golpe (extraer dinero):

1. El contacto (captar en frío): la red genera contenido destinado a contactar con desconocidos, por lo general ofreciendo salarios inusualmente altos por muy poco trabajo o prometiendo 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 ilusión): la red traduce conversaciones, probablemente entre el operador y sus «empleados». Estos intercambios incluyen detalles logísticos sobre las tareas, pero suelen intercalarse con mensajes motivadores sobre ingresos y posibles bonificaciones.

3. El golpe (extraer dinero): la red genera o envía contenido que presiona al «empleado» o «inversor» para que aporte dinero con el fin de desbloquear mayores recompensas. Esto adopta varias formas, como un «depósito» inicial, compras de criptomonedas y «gastos de gestión».

Los informes públicos⁠(se abre en una ventana nueva) indican que algunas de estas empresas cobraban a los nuevos miembros importantes cuotas de inscripción y después destinaban parte de esos fondos a pagar a los «empleados» existentes lo justo para mantenerlos implicados. Esta estructura es característica de las estafas de tareas⁠(se abre en una ventana nueva).

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