Las promesas de privacidad de OpenAI Dots afrontan su prueba más difícil hasta ahora
OpenAI lanzó Dots como agentes siempre activos pese a un conflicto central: las protecciones de privacidad de OpenAI Dots requieren que el producto comprenda una parte mayor de la vida de un usuario.
Un dot puede supervisar aplicaciones conectadas, mantener el contexto entre conversaciones y seguir trabajando después de que su propietario se marche. Esas capacidades hacen útil al agente. También le dan acceso a los mensajes, documentos, agendas, credenciales y relaciones que definen a su propietario.
OpenAI afirma que Dots puede mantener esa información dentro de entornos controlados y pausar acciones de riesgo. Meta hace afirmaciones similares sobre Muse, su agente personal competidor. El resultado no es simplemente una disputa sobre qué asistente completa más tareas.
Es una disputa sobre si cualquiera de las dos compañías puede lograr que un acceso amplio a datos parezca seguro.
El momento dificulta evaluar esa promesa. Los agentes personales están pasando de las ventanas de chat al correo electrónico, los navegadores, los espacios de trabajo y las plataformas de comunicación. Su valor crece con cada cuenta conectada, pero también lo hace el impacto de un error.
Por eso la privacidad se ha convertido en una función del producto, no en una nota legal al pie. OpenAI y Meta necesitan que los usuarios compartan suficiente contexto para que sus agentes funcionen. Ninguna de las dos empresas puede lograrlo a menos que los usuarios confíen en los sistemas antes de que se complete la evidencia independiente.
Lo que realmente promete la privacidad de OpenAI Dots
La privacidad de OpenAI Dots se basa en el aislamiento, permisos limitados, actividad visible y aprobación del usuario para acciones sensibles.
OpenAI presentó Dots en su evento DevDay el 29 de septiembre de 2026. La compañía los describe como agentes persistentes capaces de gestionar responsabilidades continuas en lugar de esperar instrucciones individuales.
Un dot trabaja desde un ordenador en la nube dedicado. Esto separa el entorno de trabajo del agente del dispositivo físico del usuario, salvo que el usuario conecte servicios adicionales.
Según el anuncio de Dots, los usuarios pueden comunicarse con estos agentes a través de ChatGPT en escritorio, web y móvil. La compatibilidad con Slack y Teams amplía el mismo contexto de trabajo a varios canales.
Esa continuidad es una parte importante del producto. Un usuario no debería tener que explicar el mismo proyecto cada vez que el agente se desplaza entre ChatGPT y una conversación laboral.
OpenAI denomina a la actividad en segundo plano del agente “investigación proactiva”. Durante ese proceso, un dot puede examinar información de aplicaciones conectadas mediante herramientas de solo lectura. Esas herramientas no pueden enviar mensajes, editar contenido ni controlar el navegador del usuario.
OpenAI también afirma que sus sistemas de supervisión pueden pausar o detener un dot cuando detectan un problema de seguridad. Las Reglas personalizadas permiten a los usuarios autorizar, bloquear o exigir aprobación para acciones concretas.
La distinción entre leer y actuar importa. Un agente que lee un calendario presenta una categoría de riesgo. Un agente que puede cancelar una cita, enviar un correo electrónico o comprar un billete presenta otra.
Las preguntas frecuentes sobre privacidad publicadas por OpenAI indican que las acciones altamente sensibles requieren la participación directa del usuario. Cambiar una contraseña o transferir dinero debería obligar al usuario a tomar el control.
Otras acciones pueden requerir aprobación antes de ejecutarse. Estas incluyen instalar software o eliminar información de forma permanente. OpenAI afirma que, en algunos casos, los usuarios pueden otorgar aprobación anticipada para acciones recurrentes y limitadas.
Estos controles establecen límites, pero no eliminan la exposición subyacente. Un agente de solo lectura aún puede descubrir hechos confidenciales, inferir relaciones o resumir información para el contexto equivocado.
El uso de datos también difiere según el tipo de cuenta. OpenAI afirma que no entrena sus modelos con datos de espacios de trabajo de ChatGPT Business, Enterprise o Edu de forma predeterminada.
En los planes personales, la configuración “Mejorar el modelo para todos” determina si las conversaciones y el trabajo elegibles de Dots pueden contribuir a mejorar el modelo. Ese trabajo puede incluir tareas delegadas, datos de aplicaciones conectadas y acciones realizadas por el agente.
OpenAI afirma que no entrena directamente con investigación proactiva ni con las notas de trabajo privadas de un dot. Sin embargo, la información de esa investigación puede entrar en una conversación elegible. Una vez allí, su tratamiento depende de la configuración del usuario.
Esta distinción será fácil de pasar por alto para muchos usuarios. Los datos pueden pasar de un proceso de fondo protegido a una conversación sin parecer sustancialmente distintos para la persona involucrada.
Por ello, la empresa ha presentado un modelo de privacidad por capas, no una garantía absoluta. Su credibilidad depende de si esas capas se comportan de forma coherente bajo presión en el mundo real.
Por qué los agentes personales necesitan más datos que los chatbots
Un agente siempre activo no puede ser más útil sin estar mejor informado sobre la persona a la que representa.
Un chatbot puede responder una pregunta aislada usando una sola instrucción. Un agente personal debe entender qué ocurrió antes, qué queda sin terminar y qué acción futura encaja con las intenciones del usuario.
Eso requiere memoria. También requiere acceso a sistemas en vivo donde las decisiones producen consecuencias.
Pensemos en un agente que gestiona un viaje de trabajo. Necesita el calendario del viajero, el destino, las preferencias de aerolíneas, la política de gastos, los requisitos de pasaporte y el historial de comunicaciones.
También puede necesitar acceso al correo electrónico, herramientas de pago, archivos corporativos y los horarios de otras personas. Una respuesta útil depende de combinar esas fuentes en lugar de leerlas por separado.
Esta es la misma razón por la que un segundo cerebro de IA personal se vuelve más valioso a medida que acumula contexto. El sistema puede recuperar conocimiento relevante porque ha conservado y organizado ese conocimiento.
Un agente autónomo lleva el mismo modelo un paso más allá. No solo recupera contexto. Utiliza ese contexto para actuar.
El problema de privacidad resultante tiene tres capas.
En primer lugar, el agente puede acceder a información que el usuario proporciona conscientemente. Esto incluye mensajes, archivos, preferencias y cuentas conectadas.
En segundo lugar, puede inferir información que el usuario nunca introdujo como un hecho formal. Los eventos repetidos en el calendario pueden revelar tratamiento médico. Los patrones de correo electrónico pueden exponer negociaciones comerciales o relaciones personales.
En tercer lugar, el agente encuentra datos sobre personas que nunca aceptaron sus condiciones. La bandeja de entrada de un usuario contiene correspondencia de colegas, clientes, familiares y amigos.
Un agente puede necesitar esa correspondencia para completar una tarea legítima. Es posible que los demás participantes no sepan que un sistema de IA está procesando sus palabras o construyendo un modelo operativo de su relación.
Esto hace que el consentimiento sea más complejo de lo que sugiere una pantalla estándar de permisos de una aplicación. Conceder acceso al correo electrónico no resuelve todas las preguntas sobre cómo debe interpretarse o conservarse la información dentro de esos mensajes.
Los agentes persistentes también cambian el significado del privilegio mínimo. El privilegio mínimo es el principio de seguridad según el cual un sistema debería recibir únicamente el acceso necesario para su tarea inmediata.
Un agente siempre activo rara vez tiene una sola tarea inmediata. Está diseñado para detectar oportunidades, preparar trabajo y llevar contexto a solicitudes futuras.
El acceso amplio favorece esa flexibilidad. El acceso limitado reduce el daño potencial, pero también limita lo que el agente puede lograr.
OpenAI intenta gestionar esta tensión separando la actividad proactiva de solo lectura de las acciones que modifican sistemas externos. Esa separación tiene sentido, pero leer por sí mismo puede generar consecuencias.
Un agente comprometido podría exponer resúmenes sensibles sin editar un documento de origen. También podría llevar material confidencial a un canal compartido o usarlo al redactar una respuesta no relacionada.
La inyección de instrucciones añade otra capa. Una inyección de instrucciones es una instrucción oculta dentro de contenido que intenta desviar a un sistema de IA de la meta real del usuario.
Un agente que navega por sitios web y procesa correo electrónico se encuentra constantemente con instrucciones no confiables. Debe distinguir el contenido legítimo del texto diseñado para manipular su comportamiento.
OpenAI afirma que Dots incluye controles de supervisión y permisos. Sin embargo, ningún diseño actual hace que la inyección de instrucciones desaparezca. La pregunta real es con qué frecuencia fallan las defensas y cuánto acceso sigue disponible cuando eso ocurre.
Eso convierte la privacidad en una prueba arquitectónica. El lenguaje de las políticas importa, pero los límites de aislamiento, la gestión de credenciales, los registros de auditoría y los procedimientos de recuperación importan más.
OpenAI Dots frente a Meta Muse es una disputa por la confianza
La disputa entre OpenAI Dots y Meta Muse se decidirá por límites verificables, no por cuál empresa utiliza un lenguaje de privacidad más contundente.
Meta presentó Muse semanas antes de que OpenAI revelara Dots. Ambos productos prometen asistencia continua, memoria persistente, ejecución basada en la nube y control del usuario sobre acciones sensibles.
Muse funciona dentro de una máquina virtual dedicada, o VM. Una VM es un ordenador de software aislado que contiene los archivos, herramientas, navegador y entorno operativo del agente.
Meta afirma que cada usuario recibe un entorno aislado. Las credenciales se alojan en un contenedor independiente, mientras que un agente Sentinel revisa la actividad saliente de Muse.
El lanzamiento de Muse de la compañía señala que el agente pide permiso antes de acciones como enviar correo electrónico o realizar compras. Los usuarios también pueden inspeccionar un registro de auditoría.
Estas funciones se parecen al enfoque de OpenAI. Ambas compañías aíslan la actividad de los agentes en la nube, ocultan las credenciales al modelo y colocan barreras de aprobación alrededor de acciones con consecuencias.
Las diferencias importantes aparecen en cómo cada empresa describe el acceso y las protecciones futuras.
Meta reconoce que su arquitectura actual no impide técnicamente que la empresa acceda a los datos de Muse. Sus políticas restringen el acceso de los empleados, pero Meta puede acceder a la información al operar, proteger o respaldar el servicio.
Meta afirma que planea introducir una VM confidencial más adelante en 2026. La compañía sostiene que esa versión impedirá criptográficamente que Meta y otros proveedores de servicios vean la información dentro del entorno.
Esa función más sólida aún estaba en pruebas y revisión externa cuando Meta la describió. Por lo tanto, debe tratarse como una protección planificada y no como una propiedad de todas las sesiones actuales de Muse.
Meta también afirma que las trayectorias de conversación de Muse pueden contribuir al entrenamiento. Una trayectoria incluye conversaciones, llamadas a herramientas y transferencias entre agentes.
La empresa afirma que elimina información clave de identificación personal antes de utilizar esas trayectorias. Los usuarios pueden desactivar el entrenamiento mediante una configuración.
OpenAI también ofrece a los usuarios de cuentas personales control sobre el entrenamiento. Ambos modelos asignan una responsabilidad significativa a configuraciones que los usuarios deben comprender y ajustar.
La explicación de seguridad publicada por Meta hace otra concesión importante. Indica que Muse no es inmune a los ataques y que la inyección de instrucciones sigue siendo un problema abierto para la industria.
Esa admisión es más útil que una afirmación incondicional de seguridad. Identifica el estándar real que los compradores deberían aplicar: no si un ataque es posible, sino cómo limita el sistema el daño.
La ventaja de OpenAI es su relación establecida de ChatGPT con consumidores y empresas. Dots puede heredar conexiones, controles de cuenta y distribución en el lugar de trabajo de esa plataforma.
La ventaja de Meta es su presencia en WhatsApp, Instagram, Facebook y dispositivos conectados. Esos servicios pueden proporcionar un amplio contexto relacional y conductual.
Las mismas ventajas generan presión. OpenAI debe demostrar que un punto no trasladará contexto sensible al espacio de trabajo equivocado. Meta debe convencer a los usuarios de que su negocio publicitario no compromete los límites de privacidad de Muse.
Meta afirma que las conversaciones de Muse y los datos de las VM no fluyen directamente hacia sus sistemas publicitarios. También señala que la actividad de navegación de un agente puede influir indirectamente en los anuncios.
Por ejemplo, un minorista visitado por Muse podría utilizar posteriormente esa visita para segmentar un anuncio en Instagram. Los datos del agente pueden permanecer fuera de los sistemas publicitarios de Meta, mientras que sus acciones siguen generando señales publicitarias.
Esa distinción es técnicamente relevante. Puede no parecer relevante para un usuario que ve un anuncio relacionado con una tarea delegada al agente.
OpenAI se enfrenta a un problema de comunicación paralelo. Los usuarios deben entender cuándo la investigación proactiva permanece fuera del entrenamiento y cuándo esa misma información pasa a ser elegible tras introducirse en una conversación.
En ambos casos, el modelo de privacidad contiene límites difíciles de resumir. Un único interruptor de privacidad no puede explicar cada transición entre memoria, inferencia, entrenamiento, navegación y acción.
Por tanto, las empresas venden confianza antes de que los usuarios puedan verificar de forma independiente el sistema completo. La que ofrezca registros más claros, configuraciones predeterminadas más sólidas e infraestructura auditable tendrá la afirmación más creíble.
Los controles de privacidad no son garantías de privacidad
Las solicitudes de permiso pueden reducir el daño accidental, pero no pueden demostrar que un agente comprendió el límite correcto.
Los sistemas de permisos tradicionales asumen que el acceso se asigna claramente a un recurso. Una aplicación puede recibir permiso para usar una cámara, leer contactos o ver una carpeta.
Los permisos de los agentes son más complejos porque el software interpreta información y elige acciones de forma dinámica. El mismo acceso al correo electrónico puede servir para un resumen inocuo o exponer una negociación confidencial.
Una pantalla de aprobación puede mostrar la acción inmediata sin revelar cada dato que la condicionó. Un usuario podría aprobar un correo electrónico sin darse cuenta de que el borrador se basó en material de otra cuenta.
La aprobación anticipada añade incertidumbre adicional. Puede ayudar a un agente a realizar trabajo recurrente predecible sin interrumpir al usuario cada vez.
Sin embargo, las condiciones cambian. Un permiso permanente para enviar actualizaciones semanales puede seguir activo después de que un proyecto se vuelva confidencial o de que sus destinatarios cambien de función.
Los registros son esenciales en esos casos. Los usuarios necesitan ver a qué accedió el agente, qué infirió, qué herramienta utilizó y por qué seleccionó una acción.
Un registro completo de eventos también ayuda a los investigadores a reconstruir fallos. Sin él, las empresas pueden saber que un agente actuó incorrectamente sin saber qué instrucción no confiable cambió su comportamiento.
La visibilidad después de un incidente no evita el incidente en sí. Algunas acciones pueden revertirse, pero la divulgación a menudo no.
Un agente podría recuperar un correo electrónico o restaurar un archivo editado. No puede conseguir de forma fiable que un destinatario olvide información confidencial.
La misma limitación se aplica a los datos personales almacenados en memoria. Eliminar un mensaje de origen no muestra necesariamente si el agente retuvo un hecho extraído en otro lugar.
Los usuarios también necesitan claridad sobre las copias de seguridad. Un sistema puede eliminar datos activos mientras conserva copias recuperables por motivos de seguridad u operativos.
Los derechos de eliminación de datos pueden abordar parte de esta complejidad. OpenAI afirma que los usuarios pueden solicitar acceso, corrección, eliminación o copias de información personal cuando corresponda.
Sin embargo, un agente puede procesar información sobre personas que no son usuarias. Esas personas quizá no sepan qué agente de qué cliente recopiló la información ni dónde dirigir una solicitud.
Los primeros informes sobre Muse ilustran la preocupación. Según se informó, un investigador de seguridad independiente extrajo instrucciones internas que describían páginas sobre personas presentes en la vida de un usuario.
Los hallazgos sobre la memoria de Muse resultantes sugirieron que esas páginas podrían incluir familiares, colegas, amigos y otros contactos. El hallazgo no demuestra que todos los usuarios de Muse tengan perfiles detallados de cada contacto.
Sí muestra cómo la memoria de un agente puede extenderse más allá del titular de la cuenta. Una persona puede no utilizar nunca el producto y, aun así, aparecer en el contexto relacional de otro usuario.
OpenAI no ha presentado públicamente a Dots como un sistema que use la misma estructura de memoria. El ejemplo de Muse no debe tratarse como prueba de un comportamiento idéntico.
Sigue siendo una advertencia relevante. Los agentes personales necesitan conocimiento de las relaciones, y ese conocimiento rara vez pertenece a una sola persona.
La respuesta preferida por la industria es el control del usuario. Ese principio sigue siendo necesario, pero es incompleto cuando un usuario controla datos que involucran a muchos otros.
Por lo tanto, una privacidad más sólida requiere más que configuraciones. Requiere límites sobre la recopilación, retención, inferencia, reutilización entre contextos, acceso de empleados y entrenamiento secundario.
Las empresas también deben hacer que esos límites sean comprobables. Los auditores independientes necesitan acceso a diseños de sistemas, modelos de amenazas y pruebas reproducibles.
Los programas de recompensas por errores pueden ayudar a los investigadores a informar vulnerabilidades de forma segura. No sustituyen una evaluación formal, especialmente cuando un fallo implica un comportamiento normal del producto y no una explotación de software.
La evidencia decisiva vendrá de los incidentes y las respuestas. La promesa de privacidad de una empresa se vuelve creíble cuando divulga los fallos, contiene los daños, corrige la causa y actualiza a los usuarios con claridad.
Lo que revelan los primeros fallos sobre la privacidad de los agentes
La privacidad de los agentes puede fallar incluso cuando el modelo subyacente nunca ve una contraseña y el usuario aprobó cada conexión.
El aislamiento de credenciales aborda una amenaza grave. Si un modelo no puede leer una contraseña almacenada, una instrucción maliciosa tiene menos oportunidades de robarla directamente.
Esa protección no impide que un agente haga un uso indebido de una sesión autenticada. El agente puede acceder a un servicio mediante un token válido y realizar una acción que el usuario no pretendía.
Por ello, un límite de seguridad debe regir tanto los secretos como las capacidades. Ocultar una credencial es insuficiente si el agente puede utilizar libremente el acceso que proporciona esa credencial.
OpenAI afirma que Dots separa las contraseñas guardadas del modelo. Meta hace una afirmación similar para Muse. Ambos enfoques reducen la exposición, pero dejan las decisiones de autorización dentro del sistema de agentes más amplio.
La primera oleada de pruebas públicas se centrará en fallos evidentes. Los investigadores intentarán hacer que los agentes revelen prompts de sistema, ignoren las reglas de permisos o sigan instrucciones incrustadas en páginas web.
Los fallos más difíciles serán contextuales. Un agente podría revelar la información correcta a la persona equivocada, programar una acción en el momento incorrecto o combinar datos de distintos proyectos.
Estos fallos son difíciles de prevenir porque cada paso individual puede parecer razonable. El daño surge de la secuencia.
Supongamos que un punto prepara una propuesta para un cliente utilizando correo electrónico conectado y archivos internos. Identifica correctamente al cliente, los requisitos del producto y las negociaciones anteriores.
Un documento compartido contiene una nota antigua sobre el descuento de otro cliente. El agente trata la nota como una regla general de precios y la incorpora a la nueva propuesta.
Ningún atacante necesitó robar una contraseña. Ningún malware necesitó salir del ordenador en la nube. El agente simplemente cruzó un límite contextual.
La revisión humana puede detectar algunos errores. Sin embargo, la promesa de un agente siempre activo depende de reducir la cantidad de revisión necesaria.
Si los usuarios deben inspeccionar cada fuente e inferencia, gran parte de la eficiencia desaparece. Si aprueban acciones rápidamente, la aprobación se vuelve ceremonial.
Eso crea una disyuntiva de diseño de producto. Las advertencias frecuentes animan a los usuarios a ignorarlas, mientras que menos advertencias dejan al agente con mayor discreción.
Las empresas necesitan sistemas de aprobación basados en riesgos que distingan el trabajo rutinario y reversible de las acciones inusuales o irreversibles. Esos sistemas también deben explicar por qué una acción parece arriesgada.
El entorno de seguridad más amplio eleva lo que está en juego. La cobertura de DevDay señaló que OpenAI presentó Dots poco después de pausar el lanzamiento de otro modelo por preocupaciones de seguridad.
Esa secuencia no demuestra que Dots sea inseguro. Sí muestra por qué las garantías de OpenAI recibirán un escrutinio cercano.
OpenAI pide a los usuarios que acepten un sistema que permanece activo, observa información conectada y completa tareas en servicios externos. La carga de la evidencia debería corresponder a ese nivel de autoridad.
Meta afronta la misma carga. Muse puede navegar, rellenar formularios, enviar comunicaciones, realizar compras y mantener contexto a largo plazo.
Las salvaguardas públicas de las empresas establecen puntos de partida razonables. No establecen tasas de fallo en el mundo real.
Las pruebas independientes deben examinar con qué frecuencia los agentes solicitan acceso innecesario, clasifican erróneamente acciones sensibles y exponen información entre cuentas.
Los clientes empresariales también querrán pruebas sobre los controles de administrador. Una aprobación personal puede no satisfacer las normas organizativas sobre retención, suspensiones legales o información regulada.
Los consumidores se enfrentan a preguntas diferentes. Necesitan explicaciones de privacidad que no requieran conocimientos especializados sobre máquinas virtuales, entrenamiento de modelos o computación confidencial.
Un sistema puede ser técnicamente sofisticado y aun así fallar si su configuración crea una falsa sensación de confianza. La interfaz de usuario forma parte del modelo de seguridad.
El diseño ganador hará que el comportamiento seguro sea más fácil que el inseguro. También asumirá que los usuarios pasan por alto advertencias, conceden acceso excesivo y malinterpretan los flujos de datos.
Ese estándar es exigente porque los agentes prometen eliminar fricción. Las protecciones de privacidad suelen añadir fricción precisamente donde la automatización intenta eliminarla.
Tres pruebas decidirán si las promesas se cumplen
La próxima etapa de la privacidad de OpenAI Dots se juzgará mediante pruebas independientes, una gestión transparente de incidentes y adopción sin permisos excesivos.
La primera señal es la verificación técnica.
OpenAI debería proporcionar suficientes detalles para que investigadores externos examinen el aislamiento, la aplicación de permisos, la gestión de credenciales y las defensas contra la inyección de prompts. Las afirmaciones de seguridad se fortalecen cuando investigadores cualificados pueden reproducir la evidencia subyacente.
La Confidential VM planificada por Meta plantea una prueba similar. Meta afirma que auditores externos inspeccionarán el diseño y que la información de auditoría continua será visible públicamente.
Si ese sistema se lanza con evidencia accesible, elevará las expectativas para todos los proveedores de agentes personales. Si sigue siendo limitado o se retrasa, la promesa de privacidad más sólida de Meta continuará sin demostrarse.
La verificación técnica también debería cubrir los límites entre servicios. Dots puede mantener contexto entre ChatGPT, Slack, Teams y aplicaciones conectadas.
Los investigadores deben comprobar si la información sigue los límites previstos de usuario y espacio de trabajo. Un ordenador en la nube seguro ofrece poca protección si el contexto llega a un canal no autorizado.
La segunda señal es la divulgación de incidentes.
Los agentes cometerán errores. Tanto OpenAI como Meta reconocen esta realidad, ya sea directamente o a través de las salvaguardas que describen.
Las preguntas importantes son con qué rapidez detecta cada empresa los fallos y cuánto comunica a los usuarios afectados. Las divulgaciones útiles deberían identificar la información involucrada, el control que falló y la acción correctiva.
Observe si las empresas publican explicaciones limitadas o cambios medibles. Una garantía vaga de que la seguridad mejoró no muestra qué límite falló.
Los usuarios también deberían examinar si los agentes proporcionan historiales completos de actividad. Un registro de auditoría necesita suficiente detalle para distinguir un error del modelo de un fallo de permisos o una instrucción maliciosa.
La tercera señal es el comportamiento de los usuarios.
Una arquitectura de privacidad puede parecer convincente mientras los usuarios mantienen desconectadas sus cuentas sensibles. Las demostraciones de bajo riesgo no prueban que las personas confíen en agentes para gestionar finanzas, documentos de trabajo, información de salud o comunicaciones privadas.
La adopción entre clientes empresariales ofrecerá una medida útil. Los equipos de seguridad suelen exigir controles más claros, compromisos contractuales y visibilidad administrativa.
El comportamiento de los consumidores también importa. Los usuarios podrían adoptar ampliamente los agentes, pero limitarlos a compras, investigación de viajes e información pública.
Ese patrón mostraría interés por la automatización sin una confianza plena. Conexiones más profundas con el correo electrónico, los calendarios y los archivos personales indicarían una mayor confianza, aunque las empresas deben comunicar estas métricas con cuidado.
Los patrones de permisos son más relevantes que el total bruto de cuentas. Un agente con millones de usuarios puede seguir teniendo acceso limitado a sistemas con consecuencias importantes.
Los lectores también deberían observar si los valores predeterminados de privacidad se vuelven más estrictos. Tanto OpenAI como Meta permiten a los usuarios particulares controlar si determinadas interacciones contribuyen al entrenamiento de modelos.
Un valor predeterminado que minimice el uso secundario reduciría la carga para los usuarios que nunca cambian la configuración. Uno que habilite un uso más amplio da mayor peso a la divulgación y al consentimiento informado.
La cuestión fundamental no es si OpenAI o Meta pueden redactar una declaración de privacidad persuasiva. Ambas empresas pueden describir controles por capas e intenciones responsables.
La pregunta es si esos controles resisten a los usuarios comunes, el contenido hostil, las instrucciones ambiguas y la presión para hacer que los agentes sean más autónomos.
Los agentes personales necesitan un contexto íntimo para aportar el valor que prometen. No se trata de un riesgo de privacidad accidental. Es el requisito operativo central del producto.
La privacidad de OpenAI Dots solo se ganará la confianza de los usuarios cuando estos puedan verificar qué sabía el agente, por qué actuó y adónde fue su información. Meta Muse se enfrenta al mismo estándar.
Antes de conectar un agente siempre activo al centro de tu vida digital, revisa su configuración de entrenamiento, restringe los permisos e inspecciona su historial de actividad. Después, plantea una pregunta más difícil: si el agente hace mañana una inferencia equivocada, ¿puedes verla, detenerla y reparar el daño?
