Benchmark de datos web éticos y conformes

A medida que las empresas escalan sus operaciones de datos web, los ejecutivos de cumplimiento, datos y riesgos evalúan cada vez más los riesgos éticos, reputacionales y legales asociados.

Evaluamos comparativamente 5 servicios líderes de recopilación de datos web en 3 dimensiones y probamos cada servicio con más de 20 escenarios potencialmente poco éticos.

Nuestro trabajo le ayuda a evaluar la situación ética de sus prácticas de recopilación de datos y a comprender las posibles consecuencias de los enfoques poco éticos. También proporcionamos directrices para la recopilación ética de datos web y evaluamos los servicios de recopilación de datos web desde una perspectiva de ética y cumplimiento:

Evaluación de los servicios de recopilación de datos web

Evaluamos los servicios de recopilación de datos web líderes (también llamados proveedores de datos web o infraestructura de datos web) utilizando nuestra lista de verificación ética de datos web. Estas puntuaciones representan niveles de madurez, siendo 5 el nivel más alto:

* Estos son códigos para los nombres de los proveedores. Estos proveedores no quisieron ser mencionados en este informe y se enumeran al final de la lista hasta que resolvamos este problema.

** ✅ indica que la empresa decidió compartir sus certificados de seguro con AIMultiple. ❌ indica que la empresa decidió no compartir sus certificados de seguro con nosotros y, por lo tanto, no pudimos validar su cobertura de seguro. La cobertura de seguro es la categoría en la que dependimos de la participación de las empresas de servicios de datos web para evaluarlas.

Ordenado por la puntuación resumida.

Modelo de puntuación para datos web éticos

A continuación, explicamos cómo se derivan estas puntuaciones. También puede consultar la justificación para seleccionar estas dimensiones de puntuación.

En las 2 primeras categorías, identificamos 5 competencias y las empresas recibieron puntuaciones según el número de competencias que cumplieron. El nivel 5 representa la madurez más alta observada en el mercado, lo que refleja las mejores prácticas actuales, no la perfección.

Capacidades para el uso ético por parte de los clientes

• Procesos eficaces para el uso ético: evaluamos la capacidad de cada proveedor para prevenir el uso poco ético de sus servicios de proxy residencial mediante escenarios de prueba controlados. Si alguna de nuestras solicitudes es bloqueada por el proveedor, esto se considera conseguido.
• Procesos mejorados para el uso ético: similar a “procesos eficaces para el uso ético”. Sin embargo, esta capacidad indica que el proveedor de servicios bloqueó más de uno de nuestros intentos de usar sus servicios para casos de uso poco éticos.
• Procesos de mejores prácticas para el uso ético: similar a “procesos eficaces para el uso ético”. Sin embargo, esta capacidad indica que el proveedor de servicios bloqueó la mayoría de nuestros intentos de usar sus servicios para casos de uso poco éticos.
• Base de gestión de abusos: publicar una política de gestión de abusos y un método para denunciar abusos
• Gestión de abusos receptiva: medimos cómo respondieron las empresas a múltiples informes de abuso. Incluso si no había una línea directa para denunciar abusos, utilizamos los correos electrónicos indicados por la empresa para contactar con su equipo. Si no recibimos ninguna respuesta a nuestro informe en el plazo de una semana, se considera que la empresa no responde.

Capacidades para el suministro ético

El suministro ético implica adquirir direcciones IP de manera ética. Nuestro análisis de mercado identificó los siguientes niveles de transparencia en relación con el suministro ético de IP:

• Nivel 1: política de obtención de IP publicada.
• Nivel 2: divulgó al menos una fuente (por ejemplo, una aplicación móvil) de IP que suministra IP de manera ética. La fuente divulgada debe tener en total al menos 10k reseñas en plataformas de terceros, incluidas Google, Apple, tiendas de aplicaciones de Amazon y Trustpilot.
• Nivel 3: igual que el nivel 3, pero con 100k reseñas
• Nivel 4: igual que el nivel 3, pero con 1M reseñas
• Nivel 5: igual que el nivel 4, pero con 10M reseñas

Las reseñas son un indicador de la popularidad de las aplicaciones y una señal importante para esta evaluación. Los servicios de recopilación de datos web deben trabajar con aplicaciones populares para poder satisfacer las necesidades de IP de sus clientes.

Para la cualificación, las aplicaciones divulgadas deben seguir estas mejores prácticas. No lo comprobaremos en todas las aplicaciones divulgadas, sino en algunas seleccionadas aleatoriamente:

• Consentimiento informado:
  • Los usuarios deben optar por participar antes de compartir su conexión a internet. La pantalla de aceptación debe describir:
    • El proveedor
    • El servicio
    • Cómo se utilizará su IP
  • Los usuarios deben poder acceder a información detallada sobre
    • Cómo se utilizará su conexión a internet
    • Política de privacidad
• Valor: los usuarios deben recibir algún valor de la aplicación (por ejemplo, pago, capacidad para omitir anuncios u otra funcionalidad)
• Privacidad: recopilación de datos del usuario limitada y transparente.

Para las redes de proxy residencial, los compradores también deben verificar si el consentimiento es específico, informado, revocable y está separado de permisos de aplicaciones no relacionados. Deben preguntar si los usuarios pueden optar fácilmente por no participar, si el uso del ancho de banda está limitado, si se excluye a los menores y si el proveedor audita las aplicaciones o SDK que suministran IP residenciales.

Certificación externa

Evaluamos la certificación externa en función de si las empresas adquirieron estos certificados relevantes para la seguridad y el cumplimiento de nivel empresarial.

• Certificación PII: capacidad demostrada para gestionar PII mediante la obtención de ISO 27018
• Certificación de seguridad de datos: prácticas de seguridad de datos demostradas mediante la obtención de uno de estos certificados: SOC 2 o ISO/IEC 27001
• Fuente de IP en lista blanca: proveedores de certificación externa como McAfee certifican una de estas opciones:
  • Aplicaciones específicas de 3rd partes que suministran IP
  • SDK que recopila IP de aplicaciones de 3rd partes
• Prácticas éticas evaluadas: se puede completar un proyecto de aseguramiento ISAE 3000 para evaluar el cumplimiento interno y las prácticas éticas.

Seguro

Pedimos a los proveedores que nos proporcionaran estos documentos de seguro:

• Seguro de responsabilidad profesional certificado que cubre las responsabilidades de los proveedores en caso de problemas en el servicio
• Certificado de ciberseguro que cubre las responsabilidades de los proveedores en caso de problemas relacionados con la seguridad de la información.

Puntuación resumida

Esta puntuación es la suma de todas las puntuaciones dividida por 3. Las puntuaciones son:

• de 0 a 5 por las capacidades para el uso ético por parte de los clientes
• de 0 a 5 por las capacidades para el suministro ético
• de 0 a 3 por la certificación externa
• de 0 a 2 por los seguros

Servicios líderes de recopilación de datos web

AIMultiple seleccionó los 7 mayores servicios de recopilación de datos web en términos de empleados en LinkedIn. Elegimos esta métrica porque es pública y debería estar correlacionada con los ingresos y la preparación empresarial de la empresa. Métricas mejores como los ingresos o el número de empleados en nómina no están disponibles públicamente para estas empresas privadas.

Todas las empresas seleccionadas tenían más de 100 empleados conectados a sus páginas de perfil de LinkedIn en abril de 2025. Actualmente, 5 de las 7 seleccionadas se muestran en esta página y las 2 empresas restantes decidieron no ser incluidas en el informe.

Productos de recopilación de datos web analizados

Estas empresas ofrecen una variedad de productos que incluyen proxies, APIs de extracción de datos y datasets. Aunque todos los productos pueden examinarse desde una perspectiva ética, inicialmente nos centramos en el producto que proporciona el mayor nivel de flexibilidad e impulsa la mayoría de los demás productos: los proxies residenciales.

Los productos de recopilación de datos web pueden considerarse una jerarquía en la que los proxies forman la capa central sobre la que se construyen todos los demás servicios. Esto se debe a que los proxies permiten a las máquinas acceder a internet a través de diferentes destinos, lo que permite un conjunto diverso y amplio de conexiones a internet cruciales para la recopilación de datos. Por lo tanto, los proxies son el producto de recopilación de datos web más capaz; pueden usarse para llevar a cabo funciones que no serían posibles con datasets o APIs de extracción de datos.

Entre los proxies, los residenciales son el producto más difícil de identificar para los sitios web como proxy. Por ejemplo, otros proxies, como los de centro de datos, son fáciles de identificar por su ubicación. Por lo tanto, los proxies residenciales impulsan la mayoría de los demás productos de datos web, como las APIs de extracción de datos.

Verifique: ¿es su recopilación de datos web conforme y ética?

Es muy probable que su empresa utilice datos web. Sin embargo, el sector se enfrenta a una regulación limitada, por lo que es importante elegir un proveedor ético y conforme. Para lograrlo, preparamos un marco holístico que tiene en cuenta diferentes aspectos de la recopilación de datos web, incluidos el suministro ético, el uso ético y la certificación externa.

Los datos web son un activo operativo común

Como empresa, su negocio depende en parte de los datos web debido a sus numerosos casos de uso, como:

• Precios dinámicos para comercio minorista y electrónico
• Datos alternativos en tiempo real para fondos de inversión
• Proceso KYC en banca comercial
• Entrenamiento o ajuste fino de modelos de IA
• Inferencia de IA o RAG
• Investigación de mercado

Con la IA, los datos web ahora son más importantes

Aunque la recopilación de datos web es tan antigua como la web, su importancia aumentó drásticamente tras el auge de los modelos de IA generativa. Los creadores de estos modelos, como OpenAI y Anthropic, comenzaron sin alianzas de contenido significativas y utilizaron principalmente datos en línea para construir sus modelos iniciales, lo que ha dado lugar al auge de la industria de la IA de un billón de dólares.

Supervisión regulatoria limitada

Aunque la regulación de la IA está bajo spotlight, el sector de la recopilación de datos sigue estando mayormente sin regular en la mayoría de los países. Las actividades ilegales claras en línea están bien definidas. Sin embargo, existen requisitos regulatorios limitados para que los actores del sector prevengan de forma proactiva el uso indebido de sus servicios por parte de los usuarios.

Corresponde a las propias plataformas establecer las mejores prácticas y los estándares de cumplimiento para garantizar la recopilación ética de datos y el uso de proxies. Por lo tanto, la elección del proveedor es más importante en la recopilación de datos que en sectores muy regulados como la banca, donde cada proveedor de servicios debe cumplir numerosas normativas.

La postura ética de sus proveedores forma parte de la reputación de su empresa

Independientemente de si recopila o consume los datos, usted es responsable de su proceso de adquisición.

Las responsabilidades de las empresas por actividades ilícitas en su cadena de suministro dependen de la jurisdicción. Por ejemplo, en Alemania, las empresas son responsables de llevar a cabo actividades KYS y de gestión de riesgos para identificar y prevenir los daños causados por su cadena de suministro. Incluso cuando las empresas no son responsables de los daños causados por su cadena de suministro, pueden sufrir riesgos reputacionales.

¿Cuál es el coste de la recopilación de datos poco ética y no conforme?

Riesgo reputacional

Si se hace público que una empresa utiliza un servicio de recopilación de datos web que incurre en comportamientos poco éticos o en acciones que ponen en peligro su seguridad de datos, esto puede provocar daños reputacionales significativos, como pérdida de negocio, fuga de clientes, fuga de talento y pérdida de confianza de los inversores.

Ejemplos reales de proveedores empresariales que provocan pérdidas reputacionales:

• Nike ha sufrido daños reputacionales en numerosas ocasiones debido a las prácticas laborales poco éticas de sus proveedores.¹
• Muchas empresas como EY perdieron la confianza de sus clientes cuando se vieron afectadas por la brecha de software de transferencia gestionada de archivos MOVEit. ²

Riesgo legal

La pérdida reputacional, especialmente la que genera indignación pública, suele ir seguida de demandas de los clientes de la empresa u otras partes interesadas que se han visto perjudicadas por las prácticas poco éticas.

Ejemplo de la vida real: Starbucks es una de las marcas recientes demandadas por abastecerse de empresas con prácticas poco éticas.³

Lista de verificación ética de datos web

Los datos web empresariales deben cumplir 3 requisitos para ser éticos:

Uso ético por parte de los clientes

Como parte de sus procesos Conozca a su Proveedor, las empresas evitan utilizar servicios que permitan actividades poco éticas. El uso de dichos servicios expone a las empresas a daños reputacionales.

Ejemplo del mundo real: En casos en los que se documentó que un proveedor permitía que su plataforma se utilizara en actividades poco éticas, numerosas empresas se distanciaron del proveedor hasta que mejoró sus prácticas.⁴

Cómo se relaciona esto con los datos web: Los datos web se recopilan a través de diferentes direcciones IP. Estas direcciones pueden utilizarse para participar en diferentes actividades ilícitas, como ataques DDOS para impedir la prestación de servicios digitales, la recopilación no autorizada de datos no públicos o el fraude publicitario. Los actores maliciosos necesitan IP para impulsar sus acciones y los proveedores de infraestructura de datos web/proxy son los mayores suministradores de IP a usuarios minoristas.

Suministro ético

Los servicios utilizados con fines éticos pueden provocar acciones poco éticas y dañinas durante su producción. Por ejemplo, marcas como Nike y Nestlé sufrieron daños reputacionales y se enfrentaron a demandas debido al uso de trabajo infantil por parte de sus contratistas.

Cómo se relaciona esto con los datos web:

Las empresas necesitan acceder a una gran cantidad y diversidad de fuentes de ancho de banda para una recopilación de datos global y rápida. Esto requiere el uso de proxies residenciales: si bien recopilar datos públicos es legal en muchas condiciones, ⁵ los sitios web también pueden optar por bloquear a algunos de sus visitantes. Por ejemplo, pueden bloquear los rastreadores de sus competidores. En tales casos, las empresas deben recurrir a un gran número de conexiones de usuarios minoristas u otras 3rd partes para recopilar datos web.

Los proveedores de proxy recopilan millones de conexiones a internet de diversas fuentes y las proporcionan a empresas que utilizan direcciones IP para acceder a estas conexiones. Algunas de estas IP proceden de los dispositivos de usuarios residenciales. La recopilación de estas conexiones puede ser legal o ilícita:

• Legal: las prácticas legalmente conformes implican obtener el consentimiento informado de los usuarios, proporcionar una compensación y ofrecer mecanismos de exclusión voluntaria de acuerdo con la normativa local. El proveedor de datos web debe
  • Informar a los usuarios sobre cómo se utilizará su ancho de banda
  • Obtener su consentimiento digitalmente
  • Compensarlos a cambio
  • Permitirles optar por no participar en cualquier momento
• Ilegal: los actores maliciosos pueden acceder a los dispositivos de los usuarios y usar su conexión a internet sin permiso ni compensación. Esto puede ocurrir a través de aplicaciones de malware, dispositivos comprometidos, instalaciones enmascaradas, inclusión automática y otros métodos que pueden poner en riesgo al propietario del dispositivo.

Las empresas que utilicen proxies obtenidos ilegalmente pueden pagar inadvertidamente a actores maliciosos por acceso no autorizado a dispositivos.

Ejemplos reales:

• Se ha documentado que los proveedores de proxy residencial que cotizan en bolsa comparten su infraestructura con SDK que utilizan conexiones de dispositivos sin el consentimiento del usuario.^{6 7}
• Los routers y dispositivos de IoT se han visto comprometidos para operaciones de botnets y se han vendido como proxies residenciales.^{8 9}
• Ciertos proveedores de proxy promocionan sus servicios en foros frecuentados por actores maliciosos. Es probable que estas IP se hayan obtenido ilegalmente.¹⁰
• Las aplicaciones VPN de la tienda Google Play también se han utilizado para adquirir IP residenciales sin el consentimiento del usuario.¹¹

Aunque estas operaciones se han cerrado, es probable que los actores maliciosos sigan accediendo a IP residenciales sin consentimiento a través de botnets y aplicaciones comprometidas o maliciosas.

Certificación externa

Los compradores empresariales necesitan soluciones seguras y preparadas para la empresa. Identificamos los ingredientes de una organización madura de datos web que pueden documentarse mediante certificación externa:

Seguridad de datos

La falta de seguridad de datos en los sistemas de un proveedor puede erosionar la ventaja competitiva de una empresa o provocar pérdida de datos y tiempo de inactividad del sistema. La pérdida de funcionalidad del sistema puede erosionar la confianza y llevar a la devaluación de una empresa.

Intrusión en el sistema

Los servicios de recopilación de datos no están tan profundamente integrados en los sistemas de una empresa como los servicios digitales centrales (por ejemplo, un sistema de registro como CRM). Por lo tanto, sus credenciales de seguridad no se revisan tan a fondo como las credenciales de un sistema central como un sistema de registro. Sin embargo, la seguridad de los datos es crítica para los clientes de servicios de recopilación de datos, ya que estos servicios:

• A veces se integran en sistemas más centrales, como motores de precios.
• Pueden infectar los sistemas empresariales incluso cuando no están integrados en dichos sistemas. Utilizar un servicio de recopilación de datos implica recibir datos de ese servicio. Incluso algunas de las formas más seguras de transferencia de datos conllevan riesgos.

La intrusión en el sistema también puede llevar a los atacantes a dirigirse a los dispositivos que suministran IP residenciales a un servicio de proxy. Esto puede provocar daños reputacionales a los clientes de dicho servicio de proxy.

Ejemplo real de vulnerabilidad en un proveedor de proxy residencial:

Los operadores de la botnet Kimwolf compraron servicios de proxy al proveedor de proxy residencial IPIDEA. Mediante comandos maliciosos, infectaron las redes internas de los dispositivos que suministraban IP a IPIDEA. Posteriormente, se escanearon estas redes y también se infectaron otros dispositivos vulnerables de estas redes locales.

Se estima que Kimwolf se propagó a más de 2 millones de dispositivos con este método. Los datos recopilados por los clientes de IPIDEA también fluyeron a través de estas redes infectadas.¹²

Pérdida de datos

Sin seguridad de datos, los actores maliciosos pueden acceder a los datos recopilados por las empresas para identificar sus actividades y estrategias, lo que provoca una pérdida de ventaja competitiva u oportunidades de negocio.

Ejemplo real:

Aunque los datos web son públicos, las empresas pueden utilizarlos de formas novedosas para obtener ventaja competitiva. Por ejemplo, los inversores gastan hasta 10 % de su presupuesto de datos de mercado en datos alternativos¹³ , pero rara vez revelan sus estrategias porque creen que pueden ayudarles a obtener una ventaja frente a sus competidores. Una fuga de datos puede exponer sus estrategias y, por tanto, ser replicadas por sus competidores.

Gestión de PII

Los datos web incluyen datos privados detrás de un inicio de sesión o PII que pueden divulgarse accidental o deliberadamente en sitios web públicos. Si los servicios de recopilación de datos web no gestionan correctamente la PII, los actores maliciosos pueden adquirir dichos datos. Esto puede provocar daños reputacionales para el servicio de recopilación de datos web y sus clientes.

Seguridad de las aplicaciones

Las aplicaciones o programas intermedios como los SDK que obtienen las IP de los servicios de recopilación de datos web pueden ser incluidos en listas blancas por proveedores de certificación externa como McAfee. Esto aumenta la confianza de la empresa en las prácticas de suministro ético del servicio de recopilación de datos web.

Cobertura de seguro

Las empresas normalmente exigen estos seguros a cualquier proveedor digital:

• Seguro de responsabilidad profesional
• Certificado de ciberseguro

Benchmark detallado: evaluación de los proveedores de infraestructura de datos web

Benchmark: uso ético por parte de los clientes

Aquí pretendemos responder a la pregunta: ¿Garantiza la empresa que el uso de su solución es ético y conforme con las leyes y normativas aplicables? Resumen de nuestros hallazgos:

* No aplicable: dado que Zyte y Apify compran proxies a sus proveedores y no los recopilan directamente de usuarios residenciales, los propietarios de sitios web no se pondrían en contacto con ellos por abusos y, por lo tanto, no necesitan crear un formulario de contacto para sitios web.

Primero, revisamos las políticas:

Revisión de la política de uso aceptable

Todos los proveedores prohíben actividades ilegales y proporcionan ejemplos como ataques DoS, mensajes masivos no solicitados, suplantación de identidad o suplantación de direcciones.

Además, algunos proveedores también destacan que prohíben actividades que probablemente sean ilegales. A continuación, enumeramos las actividades prohibidas según las políticas de uso aceptable y sus anexos (por ejemplo, el anexo de procesamiento de datos) de cada proveedor.

Buscamos términos que prohibieran actividades que probablemente sean ilegales y que puedan identificarse según la actividad del usuario. Por ejemplo, una parte significativa de los usuarios que utilizan proxies para realizar encuestas remuneradas podría estar utilizándolos para engañar a los proveedores de encuestas sobre su ubicación real. Por lo tanto, es probable que esta actividad sea ilegal y puede identificarse según la actividad del usuario (es decir, cuando un usuario inicia sesión en un sitio web de encuestas remuneradas).

Aunque identificar claramente las actividades prohibidas es beneficioso, no es un requisito y no afecta a nuestras puntuaciones. Las empresas pueden optar por mencionar que no permiten actividades ilegales en lugar de mencionar todos los posibles casos de actividades ilegales.

Mencionar una actividad como prohibida no significa que dichas actividades se vayan a revisar o bloquear. Nuestras puntuaciones se basan en cómo se implementan estas políticas, tal como se describe a continuación:

Procesos para el uso ético

Aunque algunas categorías descritas en las políticas de uso aceptable son bastante amplias (por ejemplo, extracción de datos o acceso no autorizados), otras son lo suficientemente específicas como para convertirse en acciones preventivas (por ejemplo, bloqueo de acceso) que los servicios de recopilación de datos pueden implementar para los usuarios que no han completado su proceso KYC.

Sobre la base de estos usos prohibidos específicos, preparamos una lista extensa de usos que probablemente sean usos ilegales de proxies. Para cada caso de uso, identificamos escenarios que incluyen dominios web y acciones relevantes. Por ejemplo, en el escenario de interacción artificial en redes sociales, intentamos iniciar sesión en una red social mediante un proxy para dar me gusta a una publicación existente.

A continuación, para comprobar si las empresas permiten un uso poco ético por parte de los clientes, creamos una cuenta en el servicio de cada proveedor con una dirección de correo electrónico ajena a AIMultiple. No completamos un proceso KYC con esta cuenta y procedimos a utilizar los servicios para entender qué pueden conseguir los usuarios anónimos con cada servicio. El KYC es un paso crucial durante el cual el usuario envía datos para validar la entidad jurídica que representa. Esto vincula la actividad del usuario a una entidad jurídica:

• Que puede ser considerada responsable.
• Cuya justificación para las acciones en línea (por ejemplo, usar proxies para iniciar sesión en sitios web gubernamentales) puede examinarse. Por ejemplo, tras comprender su caso de uso, se puede permitir a un investigador o a una agencia gubernamental iniciar sesión en un sitio web gubernamental mediante un proxy.

Esperábamos que estos casos de uso activaran un proceso KYC, pero en la mayoría de los proveedores no ocurrió. Una marca de verificación indica que la solicitud fue bloqueada para los usuarios que aún no habían completado el proceso KYC:

Para mayor claridad, las empresas de servicios de recopilación de datos no tienen obligación legal de bloquear estos sitios web y algunos de estos escenarios pueden formar parte de un uso legal. Por ejemplo, un investigador puede querer aprovechar proxies para realizar un experimento controlado en redes sociales. Sin embargo, dado el potencial de abuso de estos escenarios, esperábamos que los servicios de recopilación de datos los bloquearan para los usuarios que no han completado el proceso KYC.

Cómo comunican las marcas los dominios que bloquean

• Bright Data enumera categorías de dominios restringidos en su política de uso aceptable.

Respeto de las preferencias de los sitios web en cuanto a la recopilación automatizada de datos

¿Qué es robots.txt?

robots.txt es un nombre de archivo para implementar el Protocolo de Exclusión de Robots. Los sitios web utilizan este protocolo para indicar las partes del sitio que el propietario prefiere que no visiten los bots. El cumplimiento de robots.txt es voluntario.

Ventajas e inconvenientes de cumplir con robots.txt

• Respeta las preferencias del sitio web.
• Puede no estar actualizado recientemente y, por lo tanto, estar obsoleto.
• Suele incluir términos que indican que el propietario del sitio web prefiere que los bots no accedan a determinadas secciones públicas del sitio.

Robots.txt también puede proporcionar un acceso desigual a los bots. Por ejemplo, los propietarios de sitios web pueden indicar que no prefieren que los bots de los motores de respuestas visiten determinadas URL que sí visitan los bots de los motores de búsqueda.

Robots.txt no es un documento legal y puede solicitar el bloqueo del acceso de bots a páginas que son legalmente:

• susceptibles de ser objeto de scraping (p. ej., datos públicos) o
• no susceptibles de ser objeto de scraping (p. ej., datos detrás de un inicio de sesión en los que los términos y condiciones del propietario del sitio prohiben el scraping de dichos datos).

Los proveedores de servicios de recopilación de datos web pueden pedir a los usuarios de proxy residencial que completen un proceso KYC y demuestren que tienen un caso de uso legal y ético antes de que puedan ignorar robots.txt.

Para las pruebas, enviamos solicitudes a páginas de subcarpetas que robots.txt solicita bloquear. Los dominios que utilizamos fueron aimultiple.com y 5 dominios web entre los 100 dominios web más visitados. Bright Data bloqueó estas solicitudes:

Ejemplo de CNN

El archivo robots.txt de CNN bloquea la carpeta /terms¹⁴ . Para las pruebas, navegamos a esa carpeta con proxies residenciales y recibimos 200 mensajes con los datos de la página de todos los proveedores excepto Bright Data. La respuesta de Bright Data es: “Residential Failed (bad_endpoint): el sitio solicitado no está disponible para el modo de acceso residencial inmediato (sin KYC) de acuerdo con robots.txt. Para obtener acceso residencial completo a este sitio, rellene el formulario KYC: https://brightdata.com/cp/kyc”.

Gestión de abusos

Describimos una metodología para evaluar las prácticas de gestión de abusos de los proveedores y recopilamos datos para cumplir nuestros criterios de evaluación:

* No aplicable: Zyte compra proxies a otros proveedores de proxy y, por lo tanto, cuando el servicio de Zyte se utiliza para abusos, los propietarios de sitios web se pondrían en contacto con sus proveedores de proxy en lugar de con Zyte.

Aunque todos los proveedores ofrecen medios para que las 3rd partes o sus clientes se pongan en contacto con ellos, contar con estos medios es importante para la resolución de problemas:

• Política pública de abusos
• Una dirección de correo electrónico dedicada para denunciar abusos
• Un método de contacto alternativo (por ejemplo, formulario web o interfaz de mensajería) que permita a los denunciantes contactar con la empresa. Esto es útil porque los correos electrónicos pueden filtrarse y no llegar a la bandeja de entrada.
• Capacidad de respuesta a los mensajes

Tres proveedores del benchmark (Bright Data) proporcionaron un correo electrónico para denunciar abusos. Todos estos proveedores también describieron sus políticas en este ámbito.

Esperamos que todos los demás proveedores hagan lo mismo y que esta práctica se generalice en el sector a corto plazo.

Por último, evaluamos la capacidad de respuesta en la gestión de abusos enviando informes de abuso desde dominios de terceros (es decir, ajenos a AIMultiple) y midiendo los tiempos de respuesta. Si no encontrábamos una dirección de correo electrónico de abusos, la enviábamos al formulario de contacto general. Lo probamos mediante 3 lotes de correos electrónicos enviados el:

• Viernes 2 de mayo de 2025 desde:
  • Un servicio de venta de entradas con ~30k de tráfico mensual
  • Un bufete de abogados con ~1k de tráfico mensual
• El 17 de mayo de 2025 desde el servicio de venta de entradas.
• El 24 de mayo de 2025 desde una agencia de redes sociales con tráfico en línea limitado.

Los primeros correos electrónicos enviados el 2 de mayo de 2025 se enviaron a empresas que proporcionaban correos electrónicos dedicados. Más tarde, ampliamos nuestra lista e incluimos direcciones de correo electrónico más generales indicadas en las secciones de contacto de todos los servicios de recopilación de datos web evaluados. Si una empresa respondía a nuestros correos, dejábamos de enviarle más correos.

En nuestros correos, mencionamos que nuestros sitios web recibieron tráfico de bots sospechoso a través de proxies y pedimos su ayuda para identificar el origen de los proxies. Conseguimos que todos los equipos de cumplimiento, excepto uno, nos respondieran. Casi todas las respuestas se recibieron el mismo día.

Transparencia de uso

Los propietarios de sitios web que proporcionan datos web y servicios de recopilación web históricamente no han tenido intercambio de datos sobre las actividades de recopilación de datos. Para limitar las actividades de rastreo, los propietarios de sitios web podían:

• Ponerse en contacto con los servicios de recopilación de datos web para denunciar abusos
• Trabajar con proveedores de gestión de bots como Cloudflare para dificultar el rastreo.

Ahora existen iniciativas para un intercambio de datos más estructurado entre estas partes. Bright Data lanzó la consola para webmasters Bright Data para que los webmasters supervisen las actividades de rastreo en sus sitios web. Una mayor transparencia probablemente mejore las prácticas de recopilación de datos web.

Nuestra experiencia con la consola para webmasters

Nos registramos verificando la propiedad de nuestro dominio y añadiendo un archivo collectors.txt en el dominio.

Ahora tenemos acceso a la actividad de bots de Bright Data en nuestro sitio web:

Benchmark: suministro ético

* Se incluyeron reseñas en estas plataformas de 3rd partes: Amazon Appstore, App Store, Google Play Store, Trustpilot. Para mayor comodidad, este valor se calculó para 5 aplicaciones principales de Bright Data, no para todas las 120 aplicaciones que aparecen en su sitio web.

Transparencia de socios

El ancho de banda que necesitan las empresas de infraestructura de datos web puede suministrarse de forma ética ofreciendo beneficios (por ejemplo, pagos o funciones como la posibilidad de omitir anuncios) a cambio del consentimiento para compartir la conexión a internet. Sin embargo, también es posible obtener acceso no autorizado a los sistemas de los usuarios minoristas y vender sus conexiones.

Los proveedores de infraestructura de datos web pueden formular políticas y procesos, realizar auditorías externas y publicar su enfoque y las conclusiones de las auditorías para crear transparencia sobre cómo adquieren sus conexiones a internet. Esto puede fomentar la confianza en el suministro ético de su servicio.

Creamos un marco para la transparencia del lado de la oferta en datos web y calificamos a los proveedores utilizando este marco. Aplicamos este marco independientemente de si un servicio de recopilación de datos web adquiría IP residenciales por sí mismo o a través de otros proxies. Nuestro objetivo es aportar transparencia a toda la cadena de suministro de IP, ya que las prácticas poco éticas pueden originarse en cualquier punto de la cadena de suministro.

Aquí puede consultar nuestros resultados detallados:

Bright Data

Bright Data está clasificado en el nivel 5, ya que publican

• Su enfoque de obtención y cómo los desarrolladores de aplicaciones pueden trabajar con ellos a través de su SDK^{15 16}
• Se compartieron públicamente detalles sobre 120 proveedores. Pudimos comprobar las reseñas de estos proveedores en plataformas de 3rd partes para estimar su popularidad. ¹⁷

Revisión de aplicaciones seleccionadas

Bright Data comparte 120 aplicaciones en su sitio web. Aplicaciones como Bright VPN están certificadas por 3rd partes en cuanto a su divulgación y experiencia de usuario.¹⁸ También descargamos estas aplicaciones para verlas con más detalle:

• Bright VPN
• EarnApp
• Sling Kong

Formulario de aceptación con la obligación de no recopilar datos de identificación personal: Formulario de consentimiento con una explicación clara de

Bright VPN:

Earn App:

Sling Kong:

• Al usuario se le presenta la oferta durante el juego:

• Aceptación:

• Información adicional durante la aceptación:

• Exclusión voluntaria:

Valor proporcionado por las aplicaciones:

• Bright VPN: servicio VPN gratuito
• EarnApp: pagos
• Sling Kong: moneda virtual del juego

Otros

Aunque la mayoría de los proveedores son conscientes de la ética en el web scraping y han publicado sobre el tema (por ejemplo, ¹⁹ , no hemos identificado sus compromisos específicos en este frente, excepto en el caso de Zyte.²⁰

Esperamos que esto cambie y que la mayoría de los proveedores avancen al menos al nivel 1 a corto plazo.

Certificación externa

* Indica que la empresa logró todas las certificaciones externas de esta categoría

Es crucial que los proveedores cuenten con los sistemas, el personal y los procesos adecuados para proteger los datos de los clientes y asegurar las aplicaciones que suministran sus IP. Consulte nuestra metodología de medición de la certificación externa para conocer la lógica de nuestra puntuación.

Cumplimiento de GDPR y CCPA

Todos los proveedores afirman públicamente cumplir ambas normativas de privacidad de datos. Por lo tanto, esto no se incluyó en la puntuación.

Cómo medimos la madurez organizativa

Sobre la base de las capacidades que identificamos en este ámbito, comprobamos la existencia de estos certificados en cada proveedor utilizando sus declaraciones públicas:

• Certificación de seguridad de datos y certificación PII: ^{21 22 23 24}
• Fuente de IP en lista blanca: ²⁵
• Prácticas éticas evaluadas: ²⁶

Algunos proveedores que no poseen certificados ISO 27018 afirmaron que se les debería considerar certificados porque utilizan proveedores de servicios en la nube que sí poseen certificados ISO 27018. La opinión de nuestro asesor de ciberseguridad fue que, si bien esto facilitaría la obtención del certificado, aun así tendrían que certificar sus políticas y controles para obtenerlo.

Cobertura de seguro

Tres empresas de recopilación de datos web compartieron sus certificados de seguro. No publicamos los certificados, pero revisamos los documentos para asegurarnos de que

• cubrieran estas 2 categorías de seguro
• El límite del seguro en cada categoría sea al menos de varios millones de dólares estadounidenses.

Alianzas del sector y datos web éticos

Existen 2 alianzas sectoriales principales:

• Alianza para la Recopilación Responsable de Datos, que incluye a Bright Data, Common Crawl y otros
• Iniciativa Ética de Recopilación de Datos Web (EWDCI), que incluye a Oxylabs, ProxyEmpire, Zyte, entre otros. Solía incluir a NetNut hasta que NetNut fue cerrado por el FBI, por lo que la participación en una alianza sectorial no ha impedido que las empresas incumplan la ley.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Avisos legales y recomendaciones para los siguientes pasos

Todos los proveedores de este benchmark excepto Nimble son clientes de AIMultiple. Como siempre, seguimos nuestros compromisos éticos durante esta investigación.

Hemos completado una revisión exhaustiva de la recopilación ética de datos web y, aunque estamos satisfechos con el alcance de este benchmark, nos encantaría aumentar su participación. Agradecemos a estas empresas que compartieran su cobertura de seguro: Apify, Bright Data, Zyte.

Estamos a la espera de respuestas de Nimble. Actualizaremos el informe en cuanto tengamos más novedades de su parte. Dos proveedores decidieron no participar en esta iteración del benchmark. Siempre actualizamos este informe si alguna de estas 7 empresas sugiere cambios basados en hechos, justos para todos los proveedores y que ayuden a las empresas a tomar mejores decisiones.

NetNut figuraba entre las empresas que evaluamos cuando publicamos este informe por primera vez en 2025. Tenían la puntuación más baja posible (nivel 0) en nuestro análisis en profundidad del suministro ético, donde examinamos las fuentes de IP de estos proveedores. NetNut fue cerrado en 2026 después de que el FBI identificara sus vínculos con botnets.²⁷ Esperamos que esto sirva de incentivo para que todos los proveedores sean transparentes sobre su obtención.

Según nuestra investigación, este es el primer informe que se centra en los datos web éticos. Esperamos que esta transparencia ayude al sector de los datos web a encontrar soluciones creativas a sus retos. Estas soluciones deberán equilibrar los intereses de los recopiladores de datos web, los usuarios de automatización web, los propietarios de sitios web y los usuarios residenciales que suministran sus IP al sector.

Limitaciones de la metodología

Este benchmark mide indicadores de madurez observables, incluidos los controles de uso por parte del cliente, la transparencia del suministro de IP, las certificaciones externas y el uso compartido de seguros. Sin embargo, la puntuación no determina plenamente si un proveedor cumple legalmente en todos los casos de uso de los clientes.

Por lo tanto, una puntuación alta en el benchmark debe considerarse un dato para la diligencia debida en las compras, no una garantía de legalidad o uso ético.

Referencias

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Benchmark de datos web éticos y conformes}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/web-scraping-ethics}},
  note   = {AIMultiple. Recuperado el 4 de Agosto de 2026}
}

Enlaces de referencia

1.

Workers Fainted at Nike Clothing Factory Despite a Vow to Reform — ProPublica

ProPublica

2.

2023 MOVEit data breach - Wikipedia

Contributors to Wikimedia projects

3.

https://www.courthousenews.com/wp-content/uploads/2024/01/starbucks-labor-rights-violations-suit.pdf

4.

Verifying Device

5.

Court Rules in Favor of Bright Data in Meta v. Bright Data Case - Bright Data

Bright Data

6.

Popa: From Sourcing to Distribution | Synthient

Synthient

7.

‘Popa’ Botnet Linked to Publicly-Traded Israeli Firm – Krebs on Security

8.

https://media.defense.gov/2024/Sep/18/2003547016/-1/-1/0/CSA-PRC-LINKED-ACTORS-BOTNET.PDF

9.

Internet Crime Complaint Center (IC3) | Home Internet Connected Devices Facilitate Criminal Activity

10.

A Look at the Residential Proxy Market | Intel 471

Website

11.

Satori Threat Intelligence Alert: PROXYLIB and LumiApps Transform Mobile Devices into Proxy Nodes - HUMAN Security

HUMAN Security

12.

Kimwolf Botnet Lurking in Corporate, Govt. Networks – Krebs on Security

13.

Subscribe to read

Financial Times

14.

https://edition.cnn.com/robots.txt

15.

Ethically Sourcing Residential Proxies | Bright Data

Bright Data

16.

homepage - Bright SDK

Bright SDK

17.

How Bright Data Obtains Its Residential IPs - Bright Data

Bright Data

18.

Bright VPN Compliance with guidelines - Google Sheets

19.

What is ethical scraping and how do you do it?

Apify Blog

20.

Web Scraping Data Compliance | Zyte

21.

Page not found - Bright Data

Bright Data

22.

Security | Platform | Apify Documentation

23.

Nimble Trust Center | Security, Compliance & Reliability

24.

Trust Center | Zyte

25.

Bright SDK Compliance with Guidelines - Google Sheets

26.

pwc-report - Bright Data

Bright Data

27.

FBI Seizes NetNut Proxy Platform, Popa Botnet – Krebs on Security

Cem Dilmegani

Analista Principal

Síguenos

Cem ha sido el analista principal en AIMultiple desde 2017. AIMultiple informa a cientos de miles de empresas (según similarWeb), incluido el 60% de Fortune 500 cada mes.

El trabajo de Cem ha sido citado por publicaciones globales líderes como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea.

A lo largo de su carrera, Cem se ha desempeñado como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.

Lideró la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando directamente al CEO. También lideró el crecimiento comercial de la empresa de tecnología profunda Hypatos, que alcanzó ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.

Cem habla regularmente en conferencias internacionales de tecnología. Se graduó de la Universidad de Bogazici como ingeniero informático y tiene un MBA de Columbia Business School.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario