¿Siguen importando las palabras spam? Lo que puntúan los filtros

Casi nunca. Las "palabras gatillo" sueltas como free o guarantee tienen poco peso en el filtrado moderno. Los filtros basados en reglas como SpamAssassin puntúan frases completas con unos pocos puntos cada una, y los grandes proveedores como Gmail se apoyan en el aprendizaje automático, la reputación del remitente y las quejas de los destinatarios. Tus enlaces, la reputación de tu dominio y cómo reaccionan los destinatarios importan mucho más que el vocabulario.

Esa es la respuesta corta. Lo útil es ver los números reales, porque un filtro de código abierto los publica.

De dónde viene la idea de las palabras gatillo

La idea viene de los filtros basados en reglas, que de verdad sumaban puntos por frases específicas, y todavía pueden hacerlo. Apache SpamAssassin es el ejemplo más conocido y, algo poco común, publica sus reglas y sus puntuaciones por defecto. Cada regla que coincide suma su puntuación; si el total llega al umbral, el mensaje se marca como spam.

El umbral es required_score, que los documentos de configuración de SpamAssassin 4.0 fijan en 5 por defecto, y agregan que "5.0 es el valor por defecto, y es bastante agresivo" y que un ISP "probablemente debería fijar un valor por defecto más conservador, como 8.0 o 10.0".

Así que la pregunta no es "¿esta palabra está prohibida?", sino "¿cuántos puntos suma y qué tan cerca estoy de 5?".

Lo que puntúan de verdad las reglas de frases

Las reglas de frases suelen sumar entre unos 0.5 y 3 puntos, y su peso baja cuando el filtro ha aprendido de correo real. Estas vienen de la lista de reglas publicada para la serie 3.3 de SpamAssassin. Cada regla tiene cuatro puntuaciones por defecto, para cuatro configuraciones: solo reglas, con pruebas de red, con aprendizaje Bayes y con ambas.

Regla	Qué detecta	Solo reglas	+ Red	+ Bayes	+ Bayes y red
MONEY_BACK	"Money back guarantee"	2.910	2.486	0.601	1.232
GUARANTEED_100_PERCENT	"One hundred percent guaranteed"	2.699	2.699	2.480	2.699
FREE_QUOTE_INSTANT	"Free express or no-obligation quote"	2.700	2.699	2.699	1.297
DEAR_FRIEND	"Dear Friend? That's not very dear!"	2.683	2.604	1.801	2.577
SUBJ_ALL_CAPS	Asunto todo en mayúsculas	0.518	1.625	1.197	1.506

Dos cosas saltan a la vista.

Primero, las reglas detectan frases y patrones, no palabras sueltas. Aquí no hay ninguna regla que se active solo con la palabra "free". Las famosas listas de cientos de palabras prohibidas en su mayoría no reflejan cómo funciona este filtro.

Segundo, mira MONEY_BACK: 2.910 puntos solo con reglas, 0.601 cuando se activa el aprendizaje Bayes. Cuando el filtro tiene un modelo aprendido de cómo se ven el spam y el correo legítimo en ese sitio, la regla de frase escrita a mano importa menos. El proyecto también advierte que "estas son las puntuaciones de la versión estable actual de SpamAssassin; pueden ser distintas de las que tú estás usando", y los documentos de configuración explican que cualquier administrador puede cambiar la puntuación de una regla o ponerla en 0 para desactivarla. No existe una penalización fija y universal por palabra.

Lo que puntúan las reglas de reputación y de enlaces

Las reglas que buscan tu IP de envío o tus URLs en listas negras puntúan igual o más alto que las reglas de frases, y tratan de quién eres, no de lo que escribiste. De la misma lista:

Regla	Qué detecta	+ Bayes y red
RCVD_IN_PBL	Recibido a través de un relay en la Spamhaus PBL	3.335
URIBL_BLACK	Contiene una URL incluida en la lista negra URIBL	1.725
BAYES_99	Probabilidad de spam según Bayes de 99 a 100%	3.5
BAYES_00	Probabilidad de spam según Bayes de 0 a 1%	-1.9
SPOOF_COM2OTH	La URI contiene ".com" en el medio	2.723
MIME_HTML_ONLY	El mensaje solo tiene partes MIME text/html	0.723

Una comparación práctica

Usando las puntuaciones de "Bayes y red" y el umbral por defecto de 5:

• El mensaje A está limpio en infraestructura, pero usa dos frases clásicas, "money back guarantee" y "Dear Friend": 1.232 + 2.577 = 3.809. Por debajo de 5, entregado.
• El mensaje B tiene una redacción neutra, pero se envía a través de una IP incluida en la Spamhaus PBL y enlaza a un dominio de la lista negra URIBL: 3.335 + 1.725 = 5.06. Por encima de 5, spam.

El mensaje con las palabras "de spam" pasa. El mensaje educado desde una fuente mala con un enlace en lista negra falla. Es una suma simplificada (los mensajes reales activan muchas reglas, algunas negativas), pero muestra dónde está el peso.

Cómo filtran hoy Gmail y Microsoft

Los grandes proveedores usan modelos aprendidos y la reacción de los destinatarios, y no publican ninguna lista de palabras. Google explicó en 2019 cómo agregó modelos de TensorFlow al filtrado de Gmail y que "ahora bloquea alrededor de 100 millones de mensajes de spam adicionales cada día". Los ejemplos que dio no eran palabras: "mensajes basados en imágenes, correos con contenido incrustado oculto y mensajes de dominios recién creados". También señaló que "lo que una persona considera spam, otra puede considerarlo un mensaje importante", y por eso importa la reacción de cada usuario.

Las pautas para remitentes de Google se centran en el comportamiento y la honestidad, no en el vocabulario:

• "No uses HTML y CSS para ocultar contenido en tus mensajes."
• Los enlaces "deben ser visibles y fáciles de entender. Los destinatarios deben saber qué esperar cuando hacen clic en un enlace."
• El asunto, los encabezados y los nombres visibles "no deben ser engañosos", lo que incluye no empezar los asuntos con "Re:" o "Fwd:" a menos que el mensaje sea de verdad una respuesta o un reenvío.
• Mantén la tasa de spam reportado por usuarios por debajo del 0.3%, e idealmente por debajo del 0.1%.

Microsoft es parecido. Su nivel de quejas de correo masivo (BCL) califica el correo masivo según cuántas quejas genera un remitente, desde "pocas quejas" (1 a 3) hasta "un número alto de quejas" (8 y 9). La documentación del SCL de Microsoft dice ahora que la antigua puntuación de confianza de spam "ya no tiene el mismo significado en las organizaciones en la nube", y que "el filtrado de spam toma esas decisiones usando categorización y otras señales".

Microsoft sí ofrece una opción basada en palabras, y es reveladora. Su configuración de Advanced Spam Filter (ASF) incluye Sensitive words (palabras sensibles), descrita como una lista mantenida por Microsoft "asociada con mensajes potencialmente ofensivos", no con lenguaje de ventas. Todas las opciones de ASF están desactivadas por defecto, y Microsoft dice que activarlas es "un enfoque agresivo del filtrado de spam".

Señales de contenido que sí siguen importando

La redacción es una señal débil; los enlaces, la estructura y el engaño son señales fuertes. Estas son las propiedades de contenido que aparecen en las reglas de los filtros y en los documentos de los proveedores:

Señal	Dónde está documentada	Qué hacer
Dominio enlazado en una lista negra	Reglas URIBL_* de SpamAssassin; la DBL de Spamhaus revisa "dominios que aparecen en los encabezados y el cuerpo del correo, p. ej., URLs"	Enlaza solo a dominios que controles o en los que confíes; revisa el tuyo con el verificador de listas negras
Acortadores de enlaces públicos	La DBL de Spamhaus tiene un código de respuesta propio para un "dominio redirector abusado en spam"	Usa enlaces completos en tu propio dominio
Texto de enlace que no coincide con el destino	Google: los destinatarios "deben saber qué esperar cuando hacen clic"	Haz que la URL visible y la real coincidan
URLs con IP numérica, puertos raros, enlaces de imágenes a sitios remotos	Opciones de ASF de Microsoft (desactivadas por defecto, pero algunos administradores las activan)	Evita las tres
Casi todo imagen, poco texto	HTML_IMAGE_RATIO_* de SpamAssassin; Google menciona los "mensajes basados en imágenes"	Envía sobre todo texto
HTML sin parte de texto plano	MIME_HTML_ONLY de SpamAssassin	Incluye una alternativa text/plain
Texto oculto	Pauta de Google; HTML_FONT_LOW_CONTRAST de SpamAssassin	Nunca ocultes contenido
"Re:" o "Fwd:" falsos	Pautas para remitentes de Google	Úsalos solo en respuestas reales

Para el correo en frío en particular, la versión más simple es: texto plano o HTML muy ligero, un enlace como máximo, nada de plantillas cargadas de rastreo y un asunto que describa el correo.

Lo que de verdad decide entre bandeja de entrada y spam

Tu reputación, construida con la autenticación, la calidad de la lista y las reacciones de los destinatarios, hace la mayor parte del trabajo. En orden aproximado de qué arreglar primero:

1. Autenticación. SPF, DKIM y DMARC aprobados y alineados. Revísalo con la auditoría de entregabilidad.
2. Rebotes. Enviar a direcciones muertas les dice a los proveedores que no conoces a tus destinatarios. Verifica la lista primero; por qué rebotan los correos en frío explica las causas.
3. Quejas. Cada "Report spam" (denunciar spam) cuenta en tu contra. La relevancia y una baja fácil las reducen.
4. Enlaces y dominios. Mantén tus dominios de envío y los dominios enlazados fuera de las listas negras.
5. Volumen e historial. Los dominios nuevos que envían grandes volúmenes parecen cuentas comprometidas. Mira cuántos correos en frío por bandeja al día.
6. Redacción. Al final, y sobre todo para no sonar engañoso.

Si el correo ya está cayendo en spam, los encabezados te dicen por qué mucho mejor que una lista de palabras. Por qué tus correos van a spam en Gmail explica cómo leerlos.

La conclusión

Deja de reescribir "free" como "fr33". Hace que el mensaje se lea como evasivo para la persona a la que le escribes, y la palabra nunca fue el problema. Dedica el tiempo a lo que los filtros pesan de forma demostrable: una reputación de envío limpia, correo autenticado, una lista verificada, pocos enlaces honestos y mensajes que tus destinatarios no denuncien. Pasa tu dominio por la revisión de listas negras gratuita antes de preocuparte por tu vocabulario.