OpenAI, Google, Microsoft y Anthropic pactan vetos web al entrenar IA

OpenAI, Google, Microsoft y Anthropic han anunciado un acuerdo para respetar una señal común que permitirá a periódicos, medios digitales y propietarios de páginas web impedir que sus contenidos se utilicen para entrenar modelos de inteligencia artificial. La iniciativa pretende simplificar el control sobre la información que recopilan las grandes tecnológicas y responde a una reivindicación cada vez más extendida entre los editores: poder decidir qué ocurre con sus publicaciones una vez que los sistemas automatizados acceden a ellas.

El mecanismo utilizará el archivo robots.txt, presente en millones de sitios web, para comunicar una misma preferencia a diferentes empresas de inteligencia artificial. Sin embargo, el compromiso todavía no está plenamente operativo. Microsoft comenzará a aplicar las nuevas instrucciones el 1 de febrero de 2027, Google prevé incorporarlas durante ese año, OpenAI lo hará en los próximos meses y Anthropic asegura que ya ha iniciado su implementación.

El anuncio, realizado el 30 de octubre y que ha cobrado especial relevancia durante los primeros días de noviembre, llega en un momento de creciente enfrentamiento entre los propietarios de contenidos y las compañías de IA. Los medios de comunicación denuncian que sus artículos contribuyen a desarrollar productos comerciales sin que exista necesariamente una autorización o compensación económica. Las tecnológicas, por su parte, defienden la importancia del acceso a la información para impulsar sus sistemas.

El problema va bastante más allá de una discusión técnica. Durante años, el funcionamiento de internet se ha apoyado en un intercambio relativamente sencillo: los buscadores accedían a las páginas, las indexaban y podían devolverles visitantes. La inteligencia artificial generativa ha alterado esa relación. Ahora es posible utilizar información periodística para elaborar respuestas completas que el usuario consulta sin necesidad de visitar el medio original.

Y ahí está buena parte del conflicto. Quién controla la información, quién obtiene beneficios de su utilización y qué recibe quien la ha producido.

Una regla común para impedir que la IA entrene con contenidos ajenos

Hasta ahora, los responsables de una página web que querían restringir el uso de sus contenidos por parte de sistemas de inteligencia artificial debían gestionar diferentes instrucciones para los robots de cada compañía.

El nuevo acuerdo pretende reducir esa complejidad mediante una señal compartida de exclusión del entrenamiento de IA, reconocida por todas las empresas que decidan adoptarla.

La propuesta fue elaborada por Kevin Kelley, responsable técnico de estándares de Anthropic, y presentada el 30 de octubre ante el grupo de trabajo sobre preferencias de inteligencia artificial de la Internet Engineering Task Force (IETF), organización dedicada al desarrollo de estándares abiertos para internet.

Su funcionamiento aprovecha la estructura del archivo robots.txt, que los sitios web utilizan desde hace décadas para comunicar instrucciones a los programas automatizados.

La nueva señal se identifica mediante el código __usage_ai-training. Un propietario podría incluir en su archivo robots.txt las instrucciones User-agent: __usage_ai-training y Disallow: / para manifestar que no autoriza el uso del contenido de su sitio para entrenar modelos generativos.

También sería posible establecer excepciones y permisos específicos para determinadas secciones de la página.

La diferencia fundamental es que una sola configuración serviría para expresar la misma decisión a varias compañías, sin necesidad de mantener instrucciones independientes para cada proveedor.

Conviene precisar algo importante: esta señal no equivale a bloquear técnicamente el acceso de todos los robots. Expresa una preferencia sobre el uso de la información para entrenamiento, no una prohibición general de rastreo. Su eficacia depende de que las empresas la implementen y respeten.

Tampoco constituye, por sí sola, una garantía de que los contenidos ya utilizados para entrenar modelos sean eliminados de ellos.

El documento presentado ante la IETF sigue siendo un borrador técnico, no un estándar internacional definitivamente aprobado. Las compañías han anunciado que adoptarán la propuesta mientras continúa el proceso de normalización.

Microsoft fija febrero de 2027 y Google prepara sus cambios

Aunque las cuatro empresas respaldan el principio de una instrucción compartida, sus calendarios y condiciones de aplicación presentan diferencias.

Microsoft empezará el 1 de febrero de 2027 a reconocer las nuevas preferencias sobre entrenamiento de inteligencia artificial conforme vuelva a rastrear las páginas. La compañía también incorporará controles independientes sobre el uso de contenidos para fundamentar respuestas generadas por sus herramientas, incluidos Bing y Copilot.

La empresa ha establecido, además, una transición para los sitios que utilizan las instrucciones NoArchive y NoCache. A partir del 1 de marzo de 2027 dejará de interpretarlas como preferencias relacionadas con el entrenamiento y la generación de respuestas de IA, por lo que los propietarios deberán adaptar sus configuraciones si desean mantener esas restricciones.

Google prevé incorporar el mecanismo a lo largo de 2027. Su planteamiento incluye una particularidad relevante: cuando un sitio rechace el entrenamiento mediante la señal común y no establezca una preferencia específica para Google-Extended, la compañía interpretará esa decisión como una prohibición de uso conforme a Google-Extended.

Este detalle importa porque Google-Extended también interviene en determinados usos de contenidos para las aplicaciones Gemini.

OpenAI, desarrolladora de ChatGPT, ha confirmado que respetará la señal común durante los próximos meses, aunque todavía no ha establecido una fecha exacta. Sus controles actuales para rastreadores seguirán funcionando.

Anthropic, responsable de Claude y promotora de la propuesta técnica, afirma que ya ha comenzado los trabajos de implementación.

El riesgo de perder visibilidad en las respuestas de IA

La nueva capacidad de decisión plantea un dilema para los editores: impedir determinados usos de sus publicaciones podría reducir su presencia en algunas herramientas de inteligencia artificial.

Google ha explicado que los sitios que permitan expresamente Google-Extended podrán optar a aparecer en respuestas fundamentadas con información web dentro de las aplicaciones Gemini, con la posibilidad de recibir visitas a través de ellas.

Microsoft distingue entre el entrenamiento de modelos y la utilización de información para construir respuestas. Sus nuevos controles permitirán gestionar ambos usos por separado sin modificar, por esa sola decisión, la posibilidad de aparecer en los resultados convencionales de Bing.

Bloquear el entrenamiento no tiene por qué significar desaparecer de los buscadores tradicionales, pero las consecuencias sobre la visibilidad en servicios de IA dependerán de la empresa y de las preferencias seleccionadas.

El asunto tiene una dimensión económica considerable. Para los medios digitales, aparecer en los buscadores puede traducirse en lectores, publicidad y suscripciones. Si las respuestas generadas por inteligencia artificial sustituyen parte de esas visitas, el equilibrio comercial cambia.

La paradoja resulta evidente: los editores necesitan proteger sus contenidos, pero también necesitan que los usuarios puedan encontrarlos.

La justicia europea entra en el conflicto entre medios e IA

El compromiso de las tecnológicas coincide con novedades judiciales que podrían influir en la utilización de contenidos periodísticos por los sistemas de inteligencia artificial.

El 3 de noviembre, el abogado general del Tribunal de Justicia de la Unión Europea (TJUE), Maciej Szpunar, presentó sus conclusiones en el asunto C-250/25, relativo a una controversia entre la empresa periodística húngara Like Company y Google.

Szpunar consideró que la recuperación y reutilización en tiempo real de artículos periodísticos por parte de un chatbot puede vulnerar, en determinadas circunstancias, los derechos de los editores.

El procedimiento examina, entre otras cuestiones, cómo debe aplicarse la legislación europea cuando un sistema como Gemini obtiene publicaciones de internet y utiliza su contenido para generar respuestas destinadas a los usuarios.

Existe una distinción jurídica fundamental entre utilizar textos para entrenar un modelo y recuperarlos posteriormente para elaborar respuestas.

En sus conclusiones, el abogado general propuso no admitir las cuestiones relativas al entrenamiento por su carácter hipotético en ese litigio, al no haberse acreditado que los artículos de la demandante se hubieran utilizado con ese fin. También examinó la excepción europea de minería de textos y datos, que puede permitir determinados usos de obras protegidas para entrenar sistemas.

Por ahora, las conclusiones del abogado general no constituyen una sentencia y no vinculan al Tribunal de Justicia.

Otro precedente procede de Italia. El 12 de mayo de 2026, el TJUE dictó una sentencia sobre el sistema italiano de remuneración equitativa por la utilización digital de publicaciones periodísticas, cuestionado por Meta.

El tribunal consideró compatible con el Derecho de la Unión Europea que los Estados miembros establezcan mecanismos para garantizar una compensación justa a los editores, siempre que se cumplan determinadas condiciones.

Entre ellas, que la remuneración responda a una autorización de uso, que los editores puedan negarse a concederla y que no se exija pagar a plataformas que no utilicen esas publicaciones.

La resolución también avaló, bajo las condiciones examinadas, obligaciones de negociación y transparencia destinadas a equilibrar las relaciones entre plataformas y editores.

Europa reconoce así un margen para proteger económicamente el trabajo periodístico, aunque eso no supone que cualquier utilización de información publicada genere automáticamente una obligación de pago.

Al otro lado del Atlántico, el conflicto tiene uno de sus principales antecedentes en la demanda presentada por The New York Times contra OpenAI y Microsoft en diciembre de 2023. El periódico acusó a ambas compañías de utilizar grandes cantidades de artículos protegidos por derechos de autor para desarrollar sistemas de inteligencia artificial sin la correspondiente autorización.

Las empresas han defendido sus actuaciones mediante argumentos jurídicos relacionados, entre otros, con la doctrina estadounidense del fair use, que permite determinados usos de obras protegidas sin autorización.

Cloudflare y los bloqueos técnicos: una protección diferente

Mientras avanza la propuesta de las grandes desarrolladoras de IA, algunas empresas de infraestructura de internet han optado por ofrecer mecanismos de control más directos.

Cloudflare anunció en julio de 2025 nuevas medidas para facilitar que los propietarios de páginas web pudieran decidir si permitían el acceso de rastreadores de inteligencia artificial.

Sus herramientas permiten establecer políticas específicas para distintas actividades automatizadas, como el rastreo destinado a buscadores, el funcionamiento de agentes y la recopilación de información para entrenar modelos.

La diferencia respecto al nuevo acuerdo es importante. Una instrucción en robots.txt comunica una preferencia que los rastreadores deben respetar voluntariamente; un bloqueo aplicado por la infraestructura puede impedir técnicamente determinadas solicitudes.

Ambos mecanismos pueden ser complementarios, pero no ofrecen exactamente la misma protección.

En cualquier caso, ningún sistema de exclusión voluntaria garantiza por sí solo que todos los operadores de internet respeten las condiciones establecidas por los propietarios de contenidos.

También queda abierta la cuestión de las empresas que no se adhieran al nuevo mecanismo compartido. El compromiso anunciado afecta a sus participantes, no a cualquier desarrollador de inteligencia artificial que opere en la red.

El derecho a decidir no resuelve quién debe pagar

El acuerdo entre OpenAI, Google, Microsoft y Anthropic supone un avance concreto para los propietarios de sitios web: podrán expresar de manera más sencilla su oposición al entrenamiento de inteligencia artificial con sus contenidos cuando las compañías completen la implementación.

Pero controlar el uso de una publicación y recibir una compensación económica por ella son cuestiones diferentes.

La nueva señal no establece tarifas, no crea licencias automáticas y tampoco obliga a las tecnológicas a negociar pagos con los editores. Su finalidad es facilitar que los propietarios comuniquen sus preferencias de utilización.

Los acuerdos comerciales seguirán dependiendo de negociaciones entre las partes y del marco jurídico aplicable. Los tribunales, entretanto, deberán continuar delimitando qué usos requieren autorización y cuáles pueden acogerse a las excepciones previstas en la legislación.

La iniciativa también refleja un cambio de posición en una industria que durante años se ha desarrollado mediante una recopilación masiva de información disponible en internet. Las principales compañías reconocen ahora la necesidad de facilitar mecanismos comunes para que los propietarios de contenidos expresen sus decisiones.

No es un detalle menor.

El verdadero examen llegará en 2027, cuando los compromisos anunciados empiecen a traducirse en controles efectivos y pueda comprobarse cómo afectan tanto al funcionamiento de la inteligencia artificial como a la visibilidad de los medios.

Porque permitir que una máquina lea una noticia, autorizar que aprenda de ella y aceptar que la reutilice comercialmente son tres decisiones distintas. La industria empieza a reconocer esa diferencia. Queda por determinar hasta dónde estará dispuesta a respetarla.