Tu web y el entrenamiento de IA: qué puedes decidir de verdad (y qué no)

Si tienes una web, un blog o la tienda de tu negocio, hay una pregunta que antes no existía y ahora toca responder: ¿quieres que lo que publicas sirva para entrenar modelos de inteligencia artificial? Durante años la respuesta era irrelevante porque no había forma clara de expresarla. Eso está empezando a cambiar, y conviene entender hasta dónde llega el cambio antes de dar nada por hecho.

Qué se ha movido

Google, Microsoft, OpenAI y Anthropic se han comprometido a respetar una misma señal en robots.txt para que una web pueda negarse a que su contenido se use para entrenar modelos generativos. Es un borrador presentado en el IETF, es decir, una propuesta técnica en discusión, no una ley ni un botón que ya funcione en todas partes.

¿Por qué ahora? Porque el conflicto se ha vuelto económico. El tráfico que antes llegaba desde los buscadores a las webs se está redistribuyendo: Reddit, por ejemplo, ha atribuido a los resúmenes y al modo conversacional de Google una caída notable de visitas. Cuando el contenido alimenta un sistema que responde sin enviar a nadie a la fuente, el trato implícito de las últimas dos décadas se rompe. La señal común es un intento de reconstruirlo con reglas explícitas.

Qué hace realmente robots.txt

Conviene quitarle misterio. robots.txt es un archivo de texto en la raíz de tu dominio donde dices a los programas que recorren la web qué pueden y qué no pueden recoger. No es un muro: es un cartel. Funciona porque quien lo lee decide obedecerlo.

De ahí se deducen tres cosas:

• Solo vincula a quien se compromete. Los rastreadores que no firman nada seguirán haciendo lo que quieran.
• No afecta a lo ya recogido. Lo que se descargó antes no se borra por poner un cartel hoy.
• No distingue bien los usos. Entrenar un modelo, mostrar un resumen con enlace o recuperar una página para responder a una consulta concreta son cosas distintas, y conviene mirar si la señal que usas separa esos casos o los mete en el mismo saco.

Cómo decidir en tu caso

No hay una respuesta buena para todos. Depende de para qué está tu web.

Si vives de las visitas (medios, blogs con publicidad, catálogos que convierten), el entrenamiento te resta y el enlace te suma. Tiene sentido bloquear el uso para entrenamiento y permitir, si puedes separarlo, la recuperación con cita.

Si tu web es un escaparate de servicios profesionales, puede interesarte justo lo contrario: que los sistemas conozcan tu existencia y te mencionen. Ahí bloquear todo es dispararte al pie.

Si publicas material sensible o de terceros —obra de clientes, fotografías con derechos, documentación interna mal expuesta—, el criterio no es comercial sino de responsabilidad: revisa primero qué hay accesible sin pedir permiso y, después, qué señales pones.

Tres pasos concretos

1. Inventaria lo público. Mucha gente descubre que tiene expuestas carpetas, borradores o archivos que nunca quiso indexar. Eso se arregla con configuración, no con cartelitos.
2. Escribe tus condiciones y tu robots.txt en el mismo sentido. Si tu aviso legal dice una cosa y el archivo técnico dice otra, no tienes una política: tienes un lío.
3. Revísalo cada cierto tiempo. Los nombres de los rastreadores cambian, aparecen nuevos y las señales estándar evolucionan. Una revisión semestral basta.

Lo que esto no resuelve

Una casilla no sustituye a un contrato. Si tu contenido tiene valor real para alguien, lo que te protege es un acuerdo, no una convención voluntaria. Y tampoco esperes que la señal frene el fondo del asunto: la presión por conseguir datos y capacidad de cómputo es enorme, como se ve en el volumen de inversión en infraestructura comprometido en el sector. Donde hay esa presión, las reglas blandas se tensan.

También conviene aplicarse el mismo criterio del otro lado. Las condiciones de uso de las herramientas que empleas cambian: hace poco se anunció que cierto producto de OpenAI usará las sesiones para entrenar aunque el usuario lo haya desactivado en algunos casos. La lección es la misma para tu web y para tus chats: lee lo que firmas y no des por eterna una configuración.

La idea principal

Que exista una forma estándar de decir «no» es un avance real, pero sigue siendo un cartel, no una cerradura. Decide primero qué quieres que pase con tu contenido, ajusta después la configuración y no confundas una señal voluntaria con una garantía.