Dos líneas para pedir que la IA no te entrene

Dos líneas en el robots.txt de tu web

La propuesta no inventa nada para el fichero: usa un grupo normal de robots.txt, pero en la línea User-Agent no pone el nombre de un robot, sino una etiqueta común para todas las empresas, «__usage_ai-training». Para decir que ningún contenido de la web debe entrenar modelos de IA generativa basta con escribir «User-Agent: __usage_ai-training» y, en la línea siguiente, «Disallow: /».

Las excepciones por rutas funcionan con la lógica de siempre. El ejemplo del borrador veta el entrenamiento en toda la web salvo en la carpeta de prensa, con tres líneas: «User-Agent: __usage_ai-training», «Disallow: /» y «Allow: /press-kit/». Según el texto, eso «expresa una preferencia en contra del entrenamiento de IA para todas las rutas salvo las que están bajo /press-kit/».

Como no añade directivas ni gramática nuevas, los programas que ya leen robots.txt y no conocen la señal la ignoran igual que ignoran a cualquier robot desconocido. Y si el fichero no contiene ningún grupo «__usage_ai-training», el borrador lo deja claro: no se ha expresado ninguna preferencia.

El asterisco no cuenta como un no

La primera trampa está en el comodín. Muchas webs tienen un grupo «User-Agent: *», que vale para cualquier robot, y el borrador prohíbe expresamente interpretarlo como si nombrara el token: un «User-Agent: *» con «Disallow: /» no equivale a «no me entrenes». Para que la preferencia exista, el grupo «__usage_ai-training» tiene que estar escrito con su nombre.

La segunda: la señal no bloquea a nadie. «Este token de política no es una directiva sobre el comportamiento de rastreo», dice el texto, así que los robots pueden seguir visitando la web; quien quiera limitar el rastreo tiene que seguir usando los grupos de cada robot, como hasta ahora. Además, el borrador admite que un acuerdo privado entre una web y una empresa pase por encima de lo que diga el fichero.

Tampoco cubre cualquier uso. El borrador adopta una definición concreta: entrenar es «usar un recurso para modificar los parámetros aprendidos de un modelo de IA generativa». Entrenar modelos que solo clasifican, ordenan o puntúan contenido no entra.

Una propuesta de Anthropic en el IETF

El borrador, titulado «Machine-Readable Training Preference Signal», lo firma Kevin Kelley, de Anthropic, y lleva fecha del 30 de octubre de 2026. Se discute en la lista de correo del grupo AIPREF, pero no es un documento adoptado por el grupo: en el registro del IETF figura como propuesta individual.

La ficha del propio IETF no deja lugar a dudas: el documento «no está respaldado por el IETF y no tiene ninguna posición formal en el proceso de estándares». Su autor aspira a llevarlo por la vía de los estándares, según indica el propio borrador, pero ese camino está por recorrer.

Un borrador con fecha de caducidad

Este caduca el 3 de mayo de 2027 si no se renueva. Hasta entonces, lo que da peso a la señal no es una norma, porque no la hay, sino el compromiso de las empresas que dicen que la van a respetar.

Y ese compromiso es voluntario: ninguna está obligada a cumplirlo, y el texto que lo sostiene todavía puede cambiar.

Cuatro empresas, calendarios distintos

OpenAI lo ha anunciado en su blog: respetará «una señal común» en robots.txt para que los responsables de las webs comuniquen sus preferencias sobre el entrenamiento de IA a los proveedores que participen. En el anuncio, que reproduce Thurrott.com, la web estadounidense de tecnología del periodista Paul Thurrott, especializado en Microsoft, la empresa lo describe como «un esfuerzo voluntario» que permite «comunicar la misma preferencia a varios proveedores participantes a la vez».

Según Thurrott.com, Anthropic ya aplica la señal, y Google, Microsoft y OpenAI lo harán en 2027. Microsoft pone la fecha en su propio anuncio, el 1 de febrero; para Google y OpenAI, el plazo es ese año, según la misma fuente.

Lo de Google y lo de Anthropic solo lo respalda esa fuente. A 31 de octubre, ni Search Central, el blog de Google para quienes gestionan webs, ni la página de los rastreadores de Google mencionan la señal, y la página del rastreador de Anthropic tampoco la describe.

Microsoft separa entrenar de responder

Microsoft adopta la señal común para el entrenamiento en robots.txt, la extiende a cada página y añade una preferencia propia de anclaje, que solo se fija página a página. Las dos son independientes, y las dos están permitidas por defecto cuando la web no publica ninguna preferencia.

La empresa respetará las preferencias nuevas a medida que rastree, desde el 1 de febrero de 2027. Según Microsoft, fue la primera empresa en ofrecer este control, en 2023, con las etiquetas NoArchive y NoCache; quien las use tiene hasta el 1 de marzo de 2027 para pasarse a las nuevas, porque después «dejarán de leerse como una preferencia sobre entrenamiento o anclaje». La preferencia temporal de anclaje que se puede registrar en Bing Webmaster Tools, el panel de Microsoft para los dueños de webs, vale hasta que se vuelva a rastrear la página o, como tarde, hasta el 30 de septiembre de 2027.

Microsoft no promete nada a cambio. «Ninguna de las dos opciones garantiza la inclusión, el tráfico ni un pago», escribe, y las preferencias no establecen licencias ni acuerdos de pago. Tampoco cambian la posibilidad de aparecer en los resultados normales de Bing, aunque la empresa avisa de que quien vete el anclaje verá «menos visibilidad de su marca en las experiencias de IA».

Krishna Madhavan, director principal de producto (Principal Product Manager) de Microsoft Bing y autor del anuncio, lo resume así: «Los editores no deberían tener que elegir entre que Bing los encuentre y decidir cómo usan su trabajo los modelos generativos».