A medida que el cambio climático avanza rápidamente, la biodiversidad disminuye y los ecosistemas cambian, se vuelve cada vez más difícil documentar poblaciones dinámicas, rastrear fluctuaciones y predecir respuestas al cambio climático. Al mismo tiempo, las bases de datos y herramientas disponibles públicamente están mejorando la accesibilidad científica, aumentando la colaboración y generando más datos que nunca. Uno de los proyectos más exitosos es iNaturalist, una red social impulsada por inteligencia artificial que también funciona como una base de datos pública diseñada para permitir que los científicos ciudadanos informen sobre la biodiversidad personal con precisión. iNaturalist es especialmente útil para la investigación de organismos raros, peligrosos y carismáticos, pero requiere una mejor integración en el sistema marino. A pesar de su abundancia y relevancia ecológica, hay pocos conjuntos de datos a largo plazo y de alta muestra para las medusas, lo que dificulta su gestión. Para proporcionar algunos conjuntos de datos de alta muestra y demostrar la utilidad de los datos recopilados públicamente, sintetizamos dos conjuntos de datos globales para diez géneros de medusas en el orden Rhizostomeae que contienen 8412 puntos de datos curados de iNaturalist (7807) y de la literatura publicada (605). Luego utilizamos estos informes junto con datos ambientales disponibles públicamente para predecir la partición y distribución de nichos globales. Los modelos de nicho iniciales inferían que solo dos de los diez géneros tienen espacios de nicho distintos; sin embargo, la aplicación de modelos de bosque aleatorio basados en aprendizaje automático sugiere una variación específica del género en la relevancia de las variables ambientales abióticas utilizadas para predecir la ocurrencia de medusas. Nuestro enfoque para incorporar informes de la literatura con datos de iNaturalist ayudó a evaluar la calidad de los modelos y, más importante aún, la calidad de los datos subyacentes. Encontramos que los datos en línea gratuitos y accesibles son valiosos, pero están sujetos a sesgos debido a la limitada resolución taxonómica, geográfica y ambiental. Para mejorar la resolución de los datos, y a su vez su poder informativo, recomendamos aumentar la participación global a través de la colaboración con expertos, figuras públicas y aficionados en regiones subrepresentadas capaces de implementar proyectos coordinados a nivel regional.