Gemini bloqueó miles de millones de anuncios maliciosos, pero el problema sigue ahí

Google publicó su informe anual Ads Safety Report 2025, en el que compartió cifras relacionadas con anuncios maliciosos y destacó el papel fundamental de las herramientas basadas en Gemini para identificar y bloquear estas amenazas. Y, viendo los números, es difícil no quedar impresionado — al menos a primera vista: se bloquearon o eliminaron más de 8.3 mil millones de anuncios maliciosos, se restringieron 4.8 mil millones de anuncios y casi 25 millones de cuentas de anunciantes fueron suspendidas. Google afirma que el 99% de todos los anuncios que violaban sus políticas fueron bloqueados incluso antes de mostrarse a los usuarios, atribuyendo nuevamente a Gemini un papel clave en este resultado.

No estamos aquí para quitar mérito a quien lo merece: combatir anuncios maliciosos es importante. Pero también es algo que se espera de Google como dueño de la plataforma. Los resultados son dignos de reconocimiento, aunque también muestran qué tan depredador y hostil puede ser el ecosistema de la publicidad en línea.

Cómo ayuda la IA de Google a detectar “anuncios maliciosos”

El principal argumento de Google a favor del uso de IA para evaluar la legitimidad de un anuncio es que el sistema no toma decisiones basadas únicamente en palabras clave, sino que también puede comprender y analizar señales más complejas, como la antigüedad de la cuenta, patrones de comportamiento y campañas sospechosas. Los actores maliciosos suelen crear anuncios fraudulentos que imitan anuncios legítimos y utilizan IA generativa para producir rápidamente innumerables variaciones, aumentando las probabilidades de engañar a los antiguos sistemas de detección basados en coincidencia de patrones.

Antes de la IA, estos sistemas antiguos funcionaban más como una checklist, verificando si el anuncio contenía determinadas palabras, símbolos, inconsistencias en la URL, trucos de formato o categorías de productos que activaban ciertas políticas. ¿El anuncio usa términos prohibidos? ¿La página de destino coincide con la URL mostrada? ¿Hay formatos sospechosos como F₹€€!? Estas verificaciones son útiles, pero frágiles — y relativamente fáciles de evadir mediante elecciones creativas de palabras y otros trucos inteligentes.

Por ejemplo, algo como “¡Pierde 10 kilos en una semana!” habría sido relativamente fácil de detectar y bloquear incluso para los sistemas antiguos. Pero imagina una página llena de promesas falsas, testimonios inventados y términos de suscripción ocultos: ahí las cosas se vuelven mucho más difíciles. Ningún elemento aislado indica claramente una estafa, por lo que el enfoque basado en checklist tiene muchas probabilidades de aprobar ese anuncio. En cambio, un sistema de IA capaz de entender el contexto tiene muchas más posibilidades de identificar ese anuncio como “malicioso” con un mayor grado de certeza.

Una buena analogía sería la seguridad de un aeropuerto considerando sospechosa a una persona no solo por los objetos ilegales encontrados en su equipaje (el sistema antiguo), sino también por comportamientos extraños, como usar distintos nombres, comprar solo boletos de ida o cambiar constantemente de ruta.

Gemini toma en cuenta todo este contexto para determinar la intención detrás del anuncio y es (al menos según Google) muy eficiente detectando estafas: en 2025 se eliminaron más de 600 millones de anuncios relacionados con fraudes y se suspendieron 4 millones de cuentas por actividades fraudulentas.

Otro punto positivo de Gemini es su capacidad para procesar automáticamente los reportes de los usuarios. Según Google, gracias a la integración de IA, los equipos pudieron actuar sobre cuatro veces más denuncias de usuarios que en 2024.

El cambio hacia la IA también está ocurriendo en el bloqueo de anuncios

El conflicto entre los enfoques antiguos y modernos para detectar anuncios maliciosos dentro del ecosistema publicitario de Google tiene muchas similitudes con la evolución del bloqueo de anuncios en general. Hace muchos años, bloquear un anuncio era tan simple como identificar el servidor utilizado para entregarlo dentro de una lista de dominios “maliciosos”. Todo lo que viniera de adserver.example.com se bloqueaba, así de sencillo. El filtrado DNS todavía funciona más o menos de esa manera: es menos flexible, pero extremadamente eficiente, ligero y funciona en todo el sistema.

Hoy, los bloqueadores de anuncios enfrentan desafíos completamente distintos — y mucho más difíciles. Los anuncios y otras solicitudes no deseadas suelen mezclarse con contenido legítimo. Las reglas modernas de filtrado ya no se parecen en nada a las reglas cortas y simples de los primeros días del bloqueo de anuncios. Ahora son extremadamente complejas, y la sintaxis de los filtros se parece más a un lenguaje de programación que a cualquier otra cosa.

La sintaxis utilizada en el bloqueo de anuncios ha evolucionado constantemente para adaptarse a desafíos cada vez más complejos — y, hasta ahora, con bastante éxito. Pero el hecho de que el enfoque tradicional basado en reglas de filtrado todavía no haya sido reemplazado por IA no significa que los desarrolladores de bloqueadores de anuncios hayan descartado esa idea. Al contrario: llevan años explorando el potencial de la IA en el contexto del bloqueo de anuncios, muchas veces de formas bastante inesperadas.

Los intentos de utilizar distintas formas de machine learning (ML) para bloquear anuncios existen al menos desde 2019, cuando Brave desarrolló AdGraph, una herramienta que bloqueaba anuncios y rastreadores en tiempo real. Demostró una precisión sorprendentemente alta, pero requería una integración profunda con el navegador y mantenimiento constante, lo que impidió su adopción masiva. También hubo otros experimentos y proyectos de investigación que intentaron aprovechar ML, aunque ninguno logró una adopción a gran escala.

En los últimos años, con el rápido avance de las tecnologías de IA, la idea de usar IA para el filtrado de anuncios ha aparecido cada vez con más frecuencia. De hecho, este fue uno de los principales temas discutidos en el Ad Filtering Dev Summit del año pasado. En el AFDS 2025, varios ponentes hablaron sobre el papel de la IA en el ecosistema del bloqueo de anuncios: Ritik Roongta, de NYU, explicó cómo la IA puede ayudar a evaluar el contenido de los anuncios, especialmente aquellos permitidos por listas de excepción que pueden parecer no intrusivos, pero aun así resultar dañinos; por su parte, Anton Lazarev, de Brave, explicó por qué los bloqueadores de anuncios seguirán siendo extremadamente relevantes incluso en la era de los agentes de IA y los navegadores agentic.

El experimento de AdGuard: ¿puede un LLM identificar un anuncio?

AdGuard también ha estado explorando esta dirección. Maxim Topciu, Team Lead de la división de extensiones web de AdGuard, realizó su propia investigación para responder la siguiente pregunta: ¿puede un bloqueador entender lo que aparece en una página y decidir por sí solo si debe ocultarlo?

Como ya mencionamos, las listas de filtros siguen siendo poderosas, pero tienen limitaciones: requieren mantenimiento manual, tienen dificultades para lidiar con publicidad nativa y además enfrentan restricciones adicionales, como las introducidas por Manifest V3. ¿No sería ideal que un bloqueador pudiera determinar por sí mismo qué es publicidad y qué no?

La idea en sí no era nueva — como demuestran los intentos previos de Brave y otros proyectos —, pero Maxim fue un poco más allá. Una de las ventajas de los LLM es que permiten convertir una idea en un prototipo funcional relativamente rápido. Así, Maxim creó no uno, sino tres prototipos diferentes, cada uno analizando y bloqueando anuncios de una forma distinta.

Maxim probó los prototipos en el feed de X. Uno de ellos desenfocaba todas las publicaciones, analizaba el contenido y luego revelaba únicamente las “buenas”. El segundo hacía algo parecido, pero analizando cada publicación como imagen en lugar de como bloque de código. El tercero permitía al usuario definir ciertos criterios, y el LLM verificaba si la publicación coincidía con ellos antes de decidir si debía ocultarse o no.

Los tres enfoques funcionaron, aunque cada uno tenía sus propias limitaciones — después de todo, solo eran prototipos y estaban muy lejos de convertirse en productos finales.

El experimento demostró que el bloqueo de anuncios basado en IA es técnicamente posible, pero también dejó claro que la IA todavía no está lista para reemplazar el enfoque tradicional basado en filtros.

El uso de Gemini por parte de Google para identificar “anuncios maliciosos” y el experimento de AdGuard, a pesar de sus diferencias y objetivos distintos, apuntan en la misma dirección: el filtrado de anuncios se está volviendo cada vez más semántico.

El experimento de AdGuard mostró que los LLM pueden clasificar contenido basándose en el significado, y no solo en selectores o URLs. Un enfoque basado en visión computacional puede analizar lo que los usuarios realmente ven, lo que resulta muy útil cuando hay poco texto o cuando el HTML está ofuscado.

El centro de decisión en el bloqueo de anuncios deja gradualmente de ser “¿este elemento coincide con una regla?” para convertirse en “¿qué intenta hacer esto? ¿Cuál era la intención detrás de ello?”.

Si fuera posible detectar de forma confiable todos los anuncios, publicaciones patrocinadas, rastreadores y estafas simplemente identificando sus intenciones, ya no serían necesarias las reglas de filtrado. Pero claramente aún no hemos llegado a ese punto. Los enfoques basados en LLM siguen estando limitados principalmente por el costo, la velocidad y la practicidad.

Todo indica que, aunque el papel de la IA en el bloqueo de anuncios seguirá creciendo, no reemplazará de forma realista a los bloqueadores tradicionales en un futuro cercano, sino que los complementará en aquellos casos donde las reglas de filtrado por sí solas ya no son suficientes.

La seguridad de la plataforma no es lo mismo que el control del usuario

Y es precisamente aquí donde termina la comparación entre Google y los bloqueadores de anuncios independientes.

La diferencia fundamental entre el uso de Gemini por parte de Google y el uso de IA por los bloqueadores de anuncios está en sus objetivos. Google utiliza IA para aplicar sus propias políticas publicitarias, mientras que los bloqueadores existen para aplicar las preferencias del usuario.

Actualmente, los usuarios definen esas preferencias eligiendo listas de filtros o agregando reglas personalizadas. Pero el experimento de AdGuard demostró que también es totalmente posible introducir criterios controlados por el usuario en futuros bloqueadores basados en IA.

Eso es muy diferente a los algoritmos de Google, que efectivamente bloquean o restringen anuncios maliciosos y peligrosos — algo digno de reconocimiento —, pero lo hacen de una manera que también favorece los intereses de la propia empresa.

Los usuarios no tienen voz sobre exactamente qué debe bloquearse y qué debe permitirse. Un anuncio no necesita violar las directrices de Google para resultar indeseado. Hay muchas razones por las que alguien podría no querer ver un anuncio: puede ser distractor, invasivo para la privacidad, pesado o simplemente irrelevante.

Ahí es donde nace el conflicto: para Google, la única preocupación es si el anuncio puede existir dentro de su ecosistema y cumplir sus reglas. Desde el punto de vista del usuario, la pregunta es mucho más amplia: ¿quiero este anuncio en mi dispositivo?

El trabajo antifraude que realiza Google es necesario, pero también esperado: es su responsabilidad directa. El Ads Safety Report no debería interpretarse como una respuesta definitiva al problema de los anuncios maliciosos. Bloquear miles de millones de anuncios es impresionante, pero todavía existen miles de millones más circulando.

Estas cifras ayudan a dimensionar cuánto material dañino o cuestionable fluye por el ecosistema de la publicidad online. Y precisamente ahí se encuentra la verdadera motivación detrás de los esfuerzos de Google.

El Google es, ante todo, una empresa de publicidad. Su modelo de negocio no gira alrededor de vender teléfonos Android ni nada parecido: está centrado en el ecosistema publicitario que la compañía ha construido, y prácticamente todos sus innumerables productos y servicios lo sostienen de alguna manera.

Google ya ha demostrado en repetidas ocasiones que proteger su negocio publicitario pesa mucho en las decisiones relacionadas con sus productos. Y el trabajo de seguridad no es una excepción: también es una concesión necesaria para mantener a los usuarios dentro del ecosistema publicitario de Google.

No estamos diciendo que los esfuerzos antifraude de Google sean inútiles — obviamente es mejor tener pocos o ningún anuncio fraudulento y peligroso en tu dispositivo. Pero es todavía mejor cuando tú, como usuario, tienes el control sobre lo que quieres o no quieres ver.

El Ads Safety Report de Google demostró cuán eficiente puede ser la IA identificando contenido no deseado. Ahora les toca a los bloqueadores de anuncios encontrar una manera todavía mejor de usar esta poderosa herramienta y ponerla al servicio de una buena causa.