Noticias de tecnología: cómo impedir que los bots de IA recopilen datos de un sitio web | Noticias de tecnología perec.ru

Cómo bloquear los bots de IA en tu sitio web sin ahuyentar a las personas

3/11/2026, 12:54:00 Tecnología
✮✮✮✮✮
Crónica:
Cómo bloquear los bots de IA en tu sitio web sin ahuyentar a las personas

Cómo limitar la recopilación de datos de un sitio web por parte de los bots de IA

OpenAI, Google, Microsoft y Anthropic han respaldado una señal común para rechazar el uso del contenido de los sitios web en el entrenamiento de modelos de IA. Se propone incluirla en el archivo robots.txt, un archivo de texto situado en la carpeta raíz del sitio donde el propietario indica cómo deben tratar sus páginas los programas automatizados. El archivo puede orientar a los robots de búsqueda y ayudar a reducir la carga del servidor.

Internet alberga una enorme cantidad de conocimientos creados y recopilados por las personas. Las empresas de IA rastrean regularmente sitios web para recopilar material con el que entrenar sus modelos. Esto suscita preocupación: el contenido puede utilizarse sin el consentimiento de sus propietarios, y los propios servicios de IA pueden convertirse para los usuarios en la principal forma de obtener información.

Prohibirlo en robots.txt es una de las maneras de limitar la recopilación de datos. El propietario puede añadir reglas que indiquen qué bots tienen prohibido acceder a las páginas o utilizarlas. Sin embargo, esta señal solo funciona con los robots que respetan las instrucciones: los scrapers sin escrúpulos pueden ignorarla. OpenAI ha instado a otras empresas de IA a respaldar este enfoque.

Puede que una sola medida de protección no sea suficiente. Es mejor combinar distintas medidas, como capas de seguridad: todas tienen puntos débiles y algunos bots aún pueden sortearlas.

Otra opción es exigir a los visitantes que se registren, como planea hacer Reddit para limitar el acceso de los bots de IA. Las cuentas suelen verificarse por correo electrónico o número de teléfono, lo que dificulta el acceso automatizado. Pero esta solución tiene un coste: a los usuarios les resulta más fácil cerrar la página que crear una cuenta, y el registro obliga a facilitar datos personales. El acceso abierto, en cambio, ayuda a la gente a encontrar la información que necesita sin obstáculos innecesarios. Si el tráfico es importante para el propietario, conviene implantar el inicio de sesión obligatorio con cautela.

También se puede limitar el número de solicitudes desde una misma dirección IP, la dirección de red única desde la que un dispositivo accede al sitio. Los servicios de terceros permiten establecer límites; por ejemplo, no más de cinco solicitudes en diez segundos desde una misma dirección. Esto ayuda a proteger el servidor de una avalancha de peticiones y puede ser un servicio de pago. Pero los scrapers pueden cambiar de dirección IP y esquivar los límites establecidos para cada dirección individual.

Otra herramienta es CAPTCHA, una prueba en la que se pide al visitante que identifique imágenes o complete una pieza de un puzle. Puede detener a algunos scrapers y a bots de IA menos sofisticados, pero los modelos actuales ya están aprendiendo a resolver estas pruebas. Además, una verificación complicada irrita a las personas y puede hacer que se marchen. Algunos usuarios temen los ataques ClickFix, en los que se engaña a la gente para que realice acciones que pueden poner en peligro su dispositivo; una CAPTCHA sospechosa puede intensificar esos temores.

Todas las medidas mencionadas son un compromiso. Pueden dificultar que los bots recopilen materiales, pero al mismo tiempo empeorar el acceso al sitio para los visitantes de verdad. Por eso conviene configurar la protección de modo que bloquee el tráfico automatizado sin convertir la navegación normal en una carrera de obstáculos.


PEREC.RU

Durante mucho tiempo se presentó Internet como una biblioteca común: el conocimiento está en las estanterías, cualquiera puede encontrar la página que necesita y el dueño del sitio se limita a mantener el orden. Después llegaron empresas que necesitaban casi todos los libros a la vez para entrenar sus modelos. Y entonces se descubrió que la metáfora de la biblioteca tenía un pequeño inconveniente: alguien digitaliza su contenido y pregunta a los autores y propietarios de las páginas a posteriori, si es que llega a preguntarles.

Ahora la industria propone poner una señal de «no coger» en robots.txt. Es un paso razonable, pero más o menos tan fiable como pedirle a un invitado no deseado que no abra la nevera. Los robots bienintencionados leerán las instrucciones; los demás pueden decidir que las reglas son para otros. A las empresas les viene bien respaldar una señal común: demuestra su disposición a autorregularse y apenas molesta a quienes no piensan obedecer.

A partir de ahí empieza el habitual tira y afloja entre el propietario del sitio y su público. Se puede exigir el registro, pero entonces se propone al lector intercambiar su atención por una dirección de correo electrónico o un número de teléfono. La plataforma consigue una barrera adicional y datos de las cuentas; el visitante, otro formulario que no había pedido. Si se marcha, no necesariamente habrá ganado la protección del contenido: a veces quien pierde es el propio sitio.

Los límites de solicitudes suenan técnicamente neutrales hasta que se descubre que unas reglas escrupulosas para una sola IP no sirven de nada contra bots que cambian de dirección. CAPTCHA añade otro ritual: una persona tiene que demostrarle a una máquina que es humana, mientras esta aprende a superar la misma prueba. Y si la verificación parece sospechosa, el visitante puede tomarla por una trampa, sobre todo con las estafas ClickFix de fondo.

Detrás de todas estas soluciones no hay tanto una cuestión técnica como una pregunta sobre quién controla el acceso. Las empresas de IA quieren grandes conjuntos de datos, los sitios web quieren controlar su contenido y los lectores quieren obtener una respuesta sin registro, interrogatorio ni pruebas para identificar bicicletas. Cada parte tiene una explicación convincente de por qué su comodidad debería ir primero.

Al final, la protección se vende como un conjunto de capas, aunque cada una funciona también como una barrera para las personas. Una política demasiado permisiva facilita la recopilación de materiales; una demasiado estricta convierte un sitio abierto en un club cerrado. Y en algún punto entre esos extremos, el propietario tiene que decidir qué valora más: el control del contenido o un público que aún no se ha cansado de otro formulario de inicio de sesión.

Compartir

Artículos relacionados