¿Puede una IA entrenarse con el contenido de mi web?

Si tienes una web con contenido propio, es probable que el rastreador de alguna empresa de inteligencia artificial ya la haya visitado y que tus textos o fotografías alimenten el entrenamiento de sus modelos. La pregunta que se hace casi todo titular es si puede negarse y si negarse sirve de algo. El 30 de octubre de 2026 la cuestión ganó actualidad, porque Google, Microsoft, OpenAI y Anthropic anunciaron que respetarán una misma indicación en el robots.txt para rechazar el entrenamiento de una sola vez.

La respuesta corta tiene dos planos. Técnicamente, el robots.txt no bloquea nada, porque depende de que el rastreador quiera leerlo y obedecerlo. Jurídicamente, en la Unión Europea es la forma típica de reservarse los derechos frente a la minería de textos y datos. Si haces esa reserva por medios de lectura mecánica, deja de aplicarse la excepción legal que permitiría usar tu contenido sin autorización, y los proveedores de modelos de IA de uso general están obligados a identificarla y respetarla.

La respuesta rápida

• Sí pueden usar tu contenido, salvo que te reserves los derechos.
• La reserva se hace por medios de lectura mecánica, y el robots.txt es el principal.
• La señal común de octubre de 2026 permite negarse ante varias empresas con una sola línea.
• Qué escribir hoy en tu robots.txt mientras esa señal se implanta.
• Qué no consigue el robots.txt, ni técnica ni jurídicamente.
• Qué hacer si alguien ignora tu reserva.

¿Pueden usar el contenido de mi web para entrenar una IA?

Sí, mientras no te hayas reservado los derechos. Entrenar un modelo exige copiar obras a gran escala, y la reproducción de una obra protegida, en principio, sólo puede autorizarla su titular. La excepción relevante es la de minería de textos y datos, que el Real Decreto-ley 24/2021 define en su artículo 66.1 como toda técnica analítica automatizada destinada a analizar textos y datos en formato digital para generar información como pautas, tendencias o correlaciones.

Fuera de la investigación científica, que tiene un régimen propio, la excepción está en el artículo 4 de la Directiva (UE) 2019/790 y en el artículo 67 del Real Decreto-ley 24/2021. Su apartado 1 permite reproducir sin autorización obras y otras prestaciones accesibles de forma legítima con fines de minería de textos y datos. El apartado 3 introduce el contrapeso, porque la excepción no se aplica cuando los titulares de derechos han reservado expresamente ese uso por medios de lectura mecánica u otros medios adecuados.

La consecuencia práctica es binaria. Sin reserva, quien entrena con tu contenido público puede ampararse en el límite legal; con una reserva válida, necesita tu autorización. El 3 de noviembre de 2026, en el asunto C-250/25, Like Company, el abogado general Szpunar propuso al Tribunal de Justicia que considerara el entrenamiento de un modelo de lenguaje amparado, por regla general, por esta excepción, según el comunicado del propio Tribunal. Si la sentencia sigue ese criterio, la reserva será la herramienta decisiva de quien publica contenido en abierto.

¿Qué obliga a las empresas de IA a respetar mi «no»?

El Reglamento de IA. Su artículo 53.1.c) exige a los proveedores de modelos de IA de uso general establecer una política para cumplir el Derecho de la Unión en materia de derechos de autor y, en particular, identificar y respetar las reservas de derechos expresadas conforme al artículo 4.3 de la Directiva 2019/790. La obligación se aplica desde el 2 de agosto de 2025, los modelos que ya estaban en el mercado antes de esa fecha tienen hasta el 2 de agosto de 2027, y la Comisión puede multar a estos proveedores desde el 2 de agosto de 2026.

Proveedor es quien desarrolla el modelo, o lo encarga, y lo comercializa con su nombre o marca; si dudas de dónde encaja tu empresa, lo explicamos al analizar cuándo una empresa es proveedora de un modelo. El considerando 106 añade que la obligación alcanza a todo proveedor que comercialice un modelo en la Unión, con independencia de dónde haya entrenado.

El Código de buenas prácticas para modelos de IA de uso general, de 10 de julio de 2025, concreta cómo se cumple. En su capítulo de derechos de autor, los firmantes se comprometen a usar rastreadores que sigan las instrucciones del Robots Exclusion Protocol, según la RFC 9309 del Internet Engineering Task Force y sus versiones posteriores técnicamente viables, además de otros protocolos de lectura mecánica ampliamente adoptados. Por eso el robots.txt ocupa el centro del sistema.

¿Qué cambia con la señal común de octubre de 2026?

Una sola indicación sirve para negarse al entrenamiento ante varias empresas, sin cerrarles el rastreo. El 30 de octubre de 2026, Kevin Kelley, de Anthropic, publicó el borrador Machine-Readable Training Preference Signal, que se debate en el grupo de trabajo AI Preferences (AIPREF) del IETF. Define un token de política, __usage_ai-training, que se escribe en la línea User-Agent del robots.txt como si fuera un rastreador, aunque designa una finalidad. Con Disallow expresa una preferencia contra el entrenamiento y con Allow, a favor. Es un borrador individual, sin respaldo formal del IETF, que caduca el 3 de mayo de 2027 si no se revisa. Ese mismo día, las cuatro empresas anunciaron que lo respetarán, cada una con su calendario:

• Anthropic afirma que ya ha empezado a implantarlo.
• OpenAI lo aplicará en los próximos meses, sin fecha concreta, y mantiene sus controles actuales, como GPTBot.
• Microsoft lo respetará desde el 1 de febrero de 2027 a medida que rastree, y añade una preferencia distinta, por página, para el uso del contenido en sus respuestas con IA.
• Google prevé hacerlo en 2027. Si una web se niega con la señal común y no menciona Google-Extended, Google lo tratará como un bloqueo de Google-Extended.

Meta calificó la iniciativa de paso importante, pero no ha dicho si la respetará.

El alcance de la señal es estrecho. Se refiere al uso del contenido para modificar los parámetros de un modelo generativo, así que no impide que tu web aparezca en buscadores ni que un asistente la consulte para responder. En Google hay un matiz, porque Google-Extended también decide si tu contenido fundamenta respuestas en la aplicación Gemini, aunque no afecta a Google Search.

¿Qué escribo hoy en mi robots.txt?

La señal común y, a su lado, los controles de cada empresa. Hoy sólo Anthropic dice aplicar la señal, así que retirar los bloqueos por rastreador dejaría la reserva sin efecto práctico frente a los demás. Esta configuración rechaza el entrenamiento sin tocar la búsqueda:

# Preferencia común contra el entrenamiento de IA (borrador del IETF)
User-Agent: __usage_ai-training
Disallow: /

# Controles de cada empresa, mientras la señal común se implanta
User-agent: GPTBot
Disallow: /

User-agent: Google-Extended
Disallow: /

User-agent: ClaudeBot
Disallow: /

Dos detalles evitan errores frecuentes. Un grupo «User-agent: *» con Disallow no expresa ninguna preferencia sobre entrenamiento, porque el borrador prohíbe que el comodín se interprete como el token, así que hay que nombrarlo. Además, conviene separar entrenamiento y búsqueda. GPTBot, Google-Extended y ClaudeBot se asocian al entrenamiento, mientras que Googlebot, OAI-SearchBot o Claude-SearchBot sirven para que aparezcas en buscadores y asistentes, y bloquearlos te resta visibilidad.

La reserva gana solidez si también figura en las condiciones de uso de la web. El considerando 18 de la Directiva admite como medios adecuados para contenidos en línea los de lectura mecánica, incluidos los metadatos y las condiciones del sitio web. Una cláusula de reserva expresa al amparo del artículo 67.3 del Real Decreto-ley 24/2021, que remita al robots.txt como su versión legible por máquina, cubre los dos frentes.

Comprueba después el archivo que sirve tu web en tudominio.com/robots.txt y en cada subdominio, porque algunos gestores de contenidos lo reescriben sin avisar. Guarda una copia fechada de cada versión: si algún día reclamas, tendrás que probar que la reserva existía cuando se descargó tu contenido.

¿Qué no consigue el robots.txt?

Funciona sólo con quien decide leerlo. Un rastreador que lo ignora descarga tus páginas igual, y para impedir el acceso hacen falta medidas técnicas, como bloqueos en el servidor o contenido tras registro.

Tampoco está claro qué ocurre con lo ya descargado. El borrador del IETF vincula la preferencia al robots.txt vigente cuando se obtuvo el contenido, y Anthropic indica que bloquear ClaudeBot excluye los materiales futuros. El artículo 67.2 del Real Decreto-ley 24/2021 permite conservar las reproducciones el tiempo necesario para la minería y no dice qué pasa si la reserva llega después, así que su efecto sobre copias ya hechas es una cuestión abierta.

Y la reserva sólo despliega su eficacia práctica frente a quien está obligado o comprometido a leerla. Los proveedores de modelos de uso general en la UE están sujetos al artículo 53.1.c) hayan firmado o no el Código, mientras que la señal común es un compromiso voluntario de cuatro empresas. Frente a un rastreador anónimo sólo queda la acción civil.

Si tu web contiene datos personales, como fotografías o testimonios de clientes, el análisis no termina en los derechos de autor, porque el RGPD exige una base jurídica propia para tratarlos. Lo vemos al explicar qué ocurre cuando lo que entrena la IA son tus datos personales.

¿Qué puedo hacer si alguien ignora mi reserva?

Reclamar como ante cualquier infracción de propiedad intelectual. Si había una reserva válida y un tercero reprodujo tu contenido para entrenar sin autorización, no puede ampararse en el límite del artículo 67. La Ley de Propiedad Intelectual permite pedir el cese de la actividad infractora (artículo 139) y la indemnización de los daños y perjuicios (artículo 140), y la demanda corresponde a los Juzgados de lo Mercantil, competentes en materia de propiedad intelectual según el artículo 86 bis.1 de la Ley Orgánica del Poder Judicial. El derecho está claro, pero ejercerlo tiene tres dificultades reales:

• La prueba. Hay que acreditar que tu contenido se usó para entrenar. Ayudan los registros del servidor con las visitas del rastreador, las copias fechadas del robots.txt y el resumen del contenido de entrenamiento que el artículo 53.1.d) del Reglamento de IA obliga a publicar.
• El responsable. Quien rastrea, quien compila el conjunto de datos y quien entrena pueden ser empresas distintas. Antes de demandar puede hacer falta pedir diligencias preliminares, que la Ley de Enjuiciamiento Civil prevé para las infracciones de propiedad intelectual.
• La jurisdicción. Un proveedor de fuera de la UE debe designar un representante autorizado en la Unión (artículo 54 del Reglamento de IA), y la Oficina de IA lo supervisa. La acción civil, en cambio, sigue el principio de territorialidad y se complica si toda la reproducción ocurre fuera.

El Tribunal de Justicia tiene pendiente su sentencia en el asunto C-250/25, la primera cuestión prejudicial sobre IA generativa y la Directiva 2019/790, y su criterio orientará a los tribunales de toda la Unión. Si tu contenido se ha usado pese a la reserva, lo primero es asegurar la prueba y, con ella, valorar si conviene reclamar por la infracción de tus derechos.

Si tu empresa entrena modelos o los adapta con contenido descargado de la web, el planteamiento se invierte. Respetar estas reservas forma parte de la política de derechos de autor que el Reglamento de IA exige a los proveedores, y la señal común se suma a los protocolos que tus rastreadores deben leer. Documentar qué fuentes usaste y qué reservas comprobaste es la mejor defensa ante una reclamación y una pieza del cumplimiento del Reglamento de IA que conviene tener resuelta antes de entrenar.

Lo esencial

En la UE, tu contenido público puede usarse para entrenar modelos de IA mientras no te reserves los derechos, y el robots.txt es el medio que el sistema reconoce para hacerlo. Los grandes proveedores están obligados a respetar esa reserva, y la señal común de octubre de 2026 simplificará expresarla, aunque hoy conviene mantener también los bloqueos por rastreador. El archivo no detiene a quien lo ignora ni resuelve lo ya descargado, pero convierte el uso posterior en una infracción que puedes reclamar.

Preguntas frecuentes

¿Bloquear el entrenamiento de IA afecta a mi posicionamiento en Google?

No, si bloqueas lo correcto. Google-Extended, al que Google equiparará la señal común, no afecta a la inclusión ni al posicionamiento en Google Search. Lo que te sacaría del buscador es bloquear Googlebot.

¿Basta con poner en el aviso legal que prohíbo el uso para IA?

Por sí solo, difícilmente. La Directiva admite las condiciones del sitio web como medio de reserva, pero para contenidos en línea exige medios de lectura mecánica, y un rastreador no interpreta una cláusula escrita en lenguaje natural. Úsala como refuerzo del robots.txt, con remisión expresa a él.

¿Puedo impedir que ChatGPT cite o resuma mi web en sus respuestas?

En parte. Esa función depende de rastreadores distintos del de entrenamiento, como OAI-SearchBot, y bloquearlos te saca de esas respuestas. La señal común no cubre este uso.

¿Qué pasa con el contenido que ya han usado para entrenar?

Es la cuestión más abierta, porque la ley no aclara si una reserva posterior afecta a las copias conservadas. Lo que se rastree a partir de ahora sí queda protegido, así que conviene no demorarla.

¿Sirve de algo si la empresa de IA está en Estados Unidos?

Sí, si comercializa su modelo en la Unión. El Reglamento de IA le obliga a respetar la reserva con independencia de dónde entrene y a designar un representante en la UE. La reclamación civil es más compleja cuando todo ocurre fuera.