Lo que registraron los voluntarios
Un grupo de investigadores voluntarios que se llaman a sí mismos Swarmchasers publicó un informe preliminar el 4 de octubre en el que describe un conjunto de agentes de IA peinando datos cartográficos chinos. Los agentes eran visibles porque enrutaban sus peticiones a través de urlquery.net, un servicio público de escaneo de URL cuyos envíos cualquiera puede leer.
Las cifras del informe abarcan del 28 de septiembre al 6 de octubre. En ese periodo los voluntarios contaron 2.048 informes relacionados con Amap, el servicio de mapas de Alibaba. La actividad alcanzó su máximo el 4 de octubre con 1.810 informes sobre 213 lugares distintos, y en la hora más intensa la flota despachó 51. Normalmente había de cuatro a ocho agentes a la vez; el pico fue de 14.
Lo que buscaban era mundano y concreto: estadísticas de uso de accesos a lugares públicos —parques, zoos, hospitales—. Dos resultados legibles daban el reparto de visitantes por cada puerta de un zoo chino.
Una flota, no un enjambre
Los investigadores cuidan la palabra. Hablan de flota y no de enjambre porque no hallaron pruebas de que los agentes se comunicaran entre sí: ni buzones compartidos, ni canal de mensajes, ni un solo caso de un programa reutilizando la salida de otro. Los programas sí copiaban trabajo ya publicado en urlquery, entre 21 minutos y 82 horas después de aparecer, lo que es imitación y no coordinación.
Quince de los dieciséis buzones de resultados legibles se crearon desde Tencent Cloud en Hong Kong, y el tráfico de los agentes llevaba cabeceras que identificaban un proxy llamado hysandbox-ats, coherente con los valores por defecto de Apache Traffic Server. Al menos ocho de los guiones leían cookies del navegador y generaban los propios tokens antibot de Alibaba para sortear las protecciones de Amap.
La etiqueta del modelo está equivocada
Doscientos once de los informes estaban etiquetados como “claude”. Los investigadores dicen que la flota casi con certeza no es Claude, y muestran su razonamiento: los patrones de DOCTYPE en minúsculas del código generado coincidían con los modelos Hy de Tencent en torno al 75% de los casos, frente a entre cero y tres por ciento de Claude, y un clasificador bayesiano ingenuo favorecía a Hy4 y GLM sobre Claude, que sacó cero. Preguntado directamente qué modelo es, se ha observado que Hy3 responde que es Claude.
El informe es explícito sobre lo que no puede establecer. Los voluntarios no pudieron identificar el modelo ni el trabajo de entrenamiento concretos, no pudieron leer directamente el contenido de webhook.site y no pudieron descartar que parte de la actividad implicara a personas y no a programas plenamente autónomos.
Un detalle vale por todo el informe. A las 04:11 UTC del 5 de octubre la flota se detuvo. Un tercero dejó una nota en su buzón de resultados sugiriendo que rotara su infraestructura. A las 12:00 UTC se reanudó, con nuevas direcciones de webhook y nuevos canales de informe. Alguien —o algo— estaba leyendo.
