robots.txt entrenamiento IA: OpenAI, Google, Microsoft y Anthropic aceptan por fin una sola regla para decir que no

El robots.txt entrenamiento IA ya tiene una regla común: OpenAI, Google, Microsoft y Anthropic anunciaron el 30 de octubre de 2026 que respetarán una sola señal para que cualquier sitio prohíba que su contenido se use para entrenar modelos de inteligencia artificial.

Hasta ahora, cada empresa exigía su propia regla y su propio nombre de rastreador, y los editores debían mantener una lista larga que crecía con cada robot nuevo. La novedad promete acabar con ese rompecabezas con dos líneas de texto.

robots.txt entrenamiento IA: cómo funciona la nueva señal

Hasta ahora, decirle que no a la IA era un trabajo de hormiga: cada empresa tenía su propio rastreador (GPTBot, Google-Extended, ClaudeBot) y el editor debía mantener una regla distinta para cada una.

La señal común cambia esa lógica: el sitio ya no nombra a cada rastreador, sino el uso que quiere prohibir, y basta añadir dos líneas al archivo robots.txt: User-Agent: __usage_ai-training y Disallow: /. Con eso comunica una preferencia clara: no usar su contenido para entrenar modelos de inteligencia artificial.

El matiz técnico importa: no es un bloqueo de visitas. El borrador aclara que la señal no ordena el rastreo; los robots pueden seguir entrando y leyendo la página para otros fines. Lo prohibido es un uso concreto: emplear ese contenido para ajustar un modelo generativo.

También hay margen para matizar. Un sitio puede prohibir el entrenamiento en general y abrir una excepción con una línea Allow, por ejemplo para su carpeta de prensa. Y hay una trampa que conviene conocer: la regla genérica User-Agent: *, la que cierra la puerta a todos los robots, no expresa ninguna preferencia sobre entrenamiento. Quien quiera quedar fuera debe añadir el grupo nuevo por su nombre exacto.

Qué cambia para cada empresa y cuándo entra en vigor

El calendario no es el mismo para todos, y ese es el primer matiz que hay que explicar sin adornos. Anthropic ya empezó a implementar la señal, según recogió The Verge (el borrador lo redactó Kevin Kelley, de Anthropic). OpenAI, por su parte, aseguró que la aplicará en los próximos meses, sin dar una fecha concreta, y aclaró que sus controles actuales seguirán funcionando junto a la nueva señal.

Microsoft puso la fecha más precisa: empezará a respetar estas preferencias el 1 de febrero de 2027, a medida que vuelva a rastrear cada página. Google solo se comprometió a hacerlo durante 2027, sin más detalle por ahora. En la práctica, añadir la señal hoy no protege de inmediato frente a las cuatro compañías a la vez: es una apuesta a medio plazo, no un interruptor instantáneo.

Google añadió una regla práctica: si un sitio usa la señal común y no menciona por separado a Google-Extended, Google lo interpretará como si hubiera bloqueado ese rastreador. En cambio, los sitios que permiten expresamente Google-Extended podrán aparecer en las respuestas de la aplicación Gemini y recibir clics desde allí.

Microsoft fue más lejos: junto al entrenamiento, añadirá un control separado a nivel de página para el anclaje, el proceso que conecta una respuesta de IA con una fuente verificada. Una tercera opción, DisallowExtended, permitirá que el contenido alimente los productos propios de Microsoft, pero no los servicios de anclaje que vende a terceros.

Lo que esta señal NO protege (y conviene no confundir)

Negarse al entrenamiento no saca a un sitio de los buscadores: los sitios seguirán apareciendo en los resultados de Bing sin importar su elección, y Google mantiene la misma lógica para su buscador.

Tampoco impide que una página aparezca citada en una respuesta generada por IA, otro uso distinto del entrenamiento y el que más preocupa a muchos editores porque les resta visitas. La señal nueva solo cubre el entrenamiento de modelos.

Hay un tercer límite, quizá el más incómodo: la señal mira hacia adelante, no hacia atrás. No borra el contenido ya recogido ni deshace entrenamientos pasados; solo cierra la puerta a futuras sesiones. Y queda el límite jurídico: es una adhesión voluntaria a un borrador que aún discute el grupo de trabajo sobre preferencias de IA del IETF, sin aval formal de ese organismo.

Qué hacer ahora si tienes un sitio web

La recomendación sensata es no tirar por la borda lo que ya funciona: los controles individuales, como Google-Extended, siguen siendo lo que protege hoy, así que conviene mantenerlos mientras la señal común se despliega. Añadir el nuevo bloque de robots.txt entrenamiento IA no cuesta nada y deja el sitio preparado, pero no sustituye todavía a las reglas actuales. Y si tu sitio depende de las etiquetas NoArchive o NoCache de Bing, recuerda que dejarán de leerse como señales de entrenamiento o anclaje el 1 de marzo de 2027.

Queda una ausencia notable. Meta calificó la señal común como un paso importante y aseguró que quiere trabajar con otras compañías en su implementación, pero no aclaró si la respetará. Al mismo tiempo, aplazó del 30 de octubre al 20 de noviembre de 2026 unos términos que le permitirían tomar contenido de sitios asociados a cuentas empresariales de Facebook e Instagram, un cambio que editores y reguladores europeos pidieron suspender.

En balance, la noticia es buena pero incompleta: cuatro gigantes aceptan por fin el mismo idioma para decir que no al entrenamiento de IA, pero la protección llega escalonada, es voluntaria, no toca las respuestas de IA ni el pasado, y deja fuera, por ahora, a Meta.

Fuentes

Infobae: los sitios web podrán prohibir en un solo paso que OpenAI, Google y Anthropic entrenen IA con su contenido · Skimwire: una regla robots.txt para no participar en el entrenamiento de IA