No confíes tu contenido a las empresas de IA: verifícalas

La relación entre el contenido y empresas de IA exige cada vez más vigilancia por parte de los editores. La industria ha dado motivos de sobra para desconfiar. Los más astutos convierten esa desconfianza en un sistema de vigilancia, no en un bloqueo total. Si hoy es un día cualquiera, puedes contar con una noticia que erosiona aún más la confianza del público en las grandes tecnológicas. Esta semana, Sony Music y Warner demandaron a Anthropic por derechos de autor. Acusan a la compañía de inteligencia artificial de piratear ilegalmente música y letras de sus catálogos para entrenar sus modelos de IA.

Con esta demanda, Anthropic se convierte oficialmente en objetivo de las tres principales editoriales musicales. Universal presentó una acción similar en enero. La tensión forma parte de una discusión mucho más amplia sobre la IA generativa y los derechos de autor. Para medios, artistas, escritores y creadores, la pregunta ya no es únicamente qué puede hacer la tecnología. También importa de dónde obtiene el material con el que aprende.

En lo que respecta a demandas por derechos de autor, las acusaciones son bastante jugosas. Describen a Anthropic pirateando catálogos musicales mediante torrents y copiando grandes cantidades de letras de sitios web de terceros. La demanda alega que el cofundador de Anthropic, Benjamin Mann, dirigió personalmente la descarga de torrents. También habría discutido el proceso abiertamente en canales de Slack. Anthropic respondió que tiene intención de defenderse en los tribunales.

Anthropic ya enfrenta una factura multimillonaria

La compañía, además, acordó pagar 1,500 millones de dólares para resolver una demanda colectiva relacionada con libros obtenidos sin autorización y utilizados para entrenar sus sistemas. El acuerdo de 1,500 millones de dólares convirtió el caso en una de las disputas de copyright más importantes de la era de la inteligencia artificial. Para cualquier ejecutivo de medios, creador de contenido o editor de noticias, la demanda es otra señal de alerta. No se puede confiar ciegamente en las empresas tecnológicas cuando se trata de contenido. Y esa conclusión es correcta.

Desde que Mira Murati, entonces directora de tecnología de OpenAI, fue cuestionada sobre los datos utilizados para entrenar Sora, la situación se volvió más evidente. Las empresas de IA suelen adoptar una interpretación amplia del “uso legítimo” cuando recopilan contenido para sus modelos. Sora, por cierto, fue descontinuado en sus experiencias web y de aplicación el 26 de abril de 2026. OpenAI anunció además que su API dejará de estar disponible el 24 de septiembre. OpenAI confirmó oficialmente la descontinuación de Sora.

Contenido y empresas de IA: la trampa del todo o nada

El problema con la frase “no confíes en ellos” es que suele fomentar una perspectiva binaria. La reacción más inmediata es proteger todo el corpus e impedir que los bots de IA accedan a cualquier carácter. Permitir el acceso a un bot, incluso a uno supuestamente “legítimo”, implica cierto nivel de confianza. Por ejemplo, el editor debe confiar en que la empresa respete sus propias reglas. Una de ellas puede ser que el contenido utilizado para búsquedas de IA no termine después dentro de los datos de entrenamiento. Así que parece haber solo dos opciones: permitir el acceso y tener esperanza, o bloquearlo todo para mantenerse a salvo.

Veo esto cada vez más en mi trabajo de consultoría. El instinto de proteger la propiedad intelectual hace que algunos editores sean reacios incluso a probar estrategias de optimización generativa de motores, o GEO. La perspectiva es comprensible, pero puede resultar contraproducente. Bloquear bots también significa sacrificar visibilidad en las respuestas de IA. Convertir esa visibilidad en buenos resultados comerciales está lejos de estar garantizado. Sin embargo, estas experiencias se están convirtiendo rápidamente en una nueva puerta de entrada al contenido.

La batalla ya no ocurre únicamente alrededor de los clics de Google. También importa qué fuentes aparecen, cuáles son citadas y cuáles ganan autoridad dentro de las respuestas de ChatGPT, Gemini, Claude o Perplexity. La relación entre contenido y empresas de IA necesita un enfoque diferente. La IA puede seguir siendo una vía para que las audiencias descubran el trabajo de los medios sin obligarlos a confiar ciegamente en las compañías tecnológicas.

No todos los bots hacen lo mismo

El bloqueo de bots suele centrarse en el Protocolo de Exclusión de Robots, también conocido como robots.txt. Este archivo establece reglas para indicar qué rastreadores pueden acceder a determinadas partes de un sitio web. El protocolo está formalizado en el RFC 9309 del IETF. Es importante recordar que estas reglas indican preferencias de rastreo. No sustituyen mecanismos reales de seguridad o autenticación. Para esta discusión basta con distinguir dos grandes grupos: bots de entrenamiento y bots de recuperación.

Los primeros recopilan información para construir o mejorar modelos. Los segundos buscan información específica para responder una consulta. Un bot de entrenamiento puede copiar datos y conservarlos. En cambio, uno de recuperación accede a información para atender una solicitud concreta. También existen los bots de búsqueda que impulsan el descubrimiento. Estos sí mantienen índices, como siempre lo ha hecho Google, pero se parecen más a un catálogo que a un modelo. Cada vez es más habitual que las editoriales bloqueen bots de entrenamiento cuando no existe algún acuerdo de licencia. A medida que las máquinas representan una parte mayor de la audiencia digital, el contenido adquiere otro valor. Ya no sirve únicamente para generar tráfico: también es una fuente de datos.

Bloquear todo también tiene un costo

La recuperación es uno de los procesos mediante los cuales un artículo puede aparecer en los motores de respuestas de IA. Si tu artículo está bloqueado, el motor dispone de menos información para comprenderlo. En cambio, si un sitio de la competencia está disponible, aumenta la posibilidad de que termine ocupando ese espacio en la respuesta. Aquí es donde muchos editores cometen un error. Quieren competir dentro de la respuesta, pero no confían en que la empresa de IA utilice el artículo únicamente para una consulta.

Existe el temor de que la compañía conserve el contenido o lo utilice para entrenamiento. Otro riesgo es que permita a los usuarios acceder al texto completo, algo especialmente delicado cuando existe un muro de pago. Por eso algunos medios optan por bloquearlo todo. Parece más seguro que arriesgarse a perderlo todo.

Verificación > confianza

Existe un punto intermedio. Puedes permitir el acceso a bots de recupeEntre el contenido y empresas de IA existe un punto intermedio: permitir cierto acceso sin renunciar al control. ración sin confiar ciegamente en las promesas de las empresas de IA. El enfoque comienza bloqueando los bots de entrenamiento. Después, puedes permitir selectivamente los rastreadores de recuperación cuando la visibilidad dentro de la IA resulte importante.

A partir de ahí, necesitas tu propio sistema de verificación. Tu CDN , red de distribución de contenido, puede comprobar los bots e intentar confirmar que realmente pertenecen al proveedor que afirman representar.

También puede registrar sus visitas. Así puedes saber qué información solicitaron, cuándo llegaron y desde dónde lo hicieron. Servicios como Cloudflare ya utilizan firmas criptográficas, rangos de IP y otros mecanismos de autenticación para verificar bots. Sus políticas también contemplan que los bots verificados respeten robots.txt y otras instrucciones de rastreo. Ese registro puede convertirse posteriormente en evidencia si un proveedor realiza alguna acción indebida.

Pon a prueba a los rastreadores

También existen formas de vigilar si un proveedor podría estar entrenando con tu contenido. Una opción consiste en insertar frases de referencia en determinadas páginas. Después puedes comprobar si aparecen en el modelo mediante consultas programadas. Si esas frases aparecen, podría ser una señal de que el contenido terminó formando parte de los datos utilizados por el sistema. No conviene aplicar este tipo de experimentos a todo el sitio desde el inicio.

Cualquier prueba que exponga contenido a nuevos rastreadores debe realizarse primero en una pequeña parte del catálogo. Si aparece algún problema, puedes revertir las reglas de acceso. Al final, el resultado que realmente importa es sencillo: saber si tu visibilidad dentro de las respuestas de IA está mejorando. La necesidad de medir esa presencia será cada vez mayor. Por eso, medir la relación entre contenido y empresas de IA será cada vez más importante para medios y editores. La industria ya avanza hacia un escenario en el que los medios tendrán que entender tanto a las audiencias humanas como a las automatizadas. También deberán decidir qué contenido pueden consultar los agentes, bajo qué condiciones y con qué valor económico.

Contenido y empresas de IA: también hay incentivos para cumplir las reglas

La industria de los medios tiene razones para desconfiar. Sin embargo, las empresas de IA también tienen incentivos para que sus bots respeten ciertas reglas. OpenAI, Anthropic, Perplexity y otras compañías gastan grandes cantidades de dinero en acuerdos de licencia y disputas judiciales. Además, ya han aprendido cuánto puede costar que la adquisición de datos termine ante un tribunal. Si una empresa utilizara deliberadamente contenido recuperado para entrenar modelos, pese a haber prometido lo contrario, el problema cambiaría. Una disputa ambigua alrededor del “uso legítimo” podría convertirse en un caso mucho más claro de incumplimiento o tergiversación. No hace falta creer en la buena voluntad de estas compañías. Basta con entender que también tienen motivos económicos y legales para evitar ese tipo de exposición.

Un rastreo es, en realidad, una lectura superficial

Los bots de recuperación de IA no necesariamente leen todo tu contenido. Cuando un rastreador escanea una página web, busca la información necesaria para determinar de qué trata. Después decide si resulta relevante para una consulta. Por eso, aunque pongas una página completa a disposición del rastreador, este no siempre necesita procesar cada fragmento del texto.

Sin embargo, permitir acceso al contenido completo aumenta las posibilidades de que el contexto adicional resulte útil. Esto es especialmente importante en consultas profundas y orientadas a la investigación. Son precisamente las búsquedas en las que las personas tienen mayor probabilidad de comprobar las fuentes. Limitar demasiado lo que los rastreadores pueden ver también tiene consecuencias. Puedes terminar transfiriendo parte de tu autoridad a editores que sean más visibles. Y quizá no obtengas ningún beneficio real a cambio.

Nadie les pide a las editoriales que confíen en empresas acusadas de distribuir o descargar bibliotecas digitales mediante torrents. Pero la web nunca se ha basado únicamente en la confianza. También depende de registros, verificación y poder de negociación. “No confíes” y “déjate descubrir” no son conceptos opuestos. Si se gestiona correctamente, lo primero puede ser precisamente la clave para conseguir lo segundo.