Cómo impedir que la IA entrene con tu sitio web: el nuevo estándar de robots.txt que adoptan Google, OpenAI, Microsoft y Anthropic

Desde el 30 de octubre de 2026 existe una forma común de decirle a las empresas de inteligencia artificial que no usen el contenido de un sitio web para entrenar sus modelos. Es una línea nueva en el archivo robots.txt con el identificador __usage_ai-training. La propuso Kevin Kelley, de Anthropic, en un borrador presentado ante la IETF, y Google, OpenAI y Microsoft anunciaron ese mismo día que lo van a respetar.

Hasta ahora cada empresa tenía su propio control. OpenAI usa GPTBot, Google usa Google-Extended y Microsoft usaba las etiquetas NoArchive y NoCache. Una empresa que quería proteger su contenido tenía que conocer y mantener cada uno por separado. Con el estándar nuevo basta un solo bloque en el mismo archivo.

Para una pyme la pregunta práctica es otra: si bloquea el entrenamiento, ¿deja de aparecer en las respuestas de ChatGPT, Gemini o Copilot? La respuesta corta es que el entrenamiento y la visibilidad en buscadores de IA son cosas distintas, y conviene decidir cada una por aparte.

Qué es el estándar __usage_ai-training

Es una señal de preferencia que se escribe en robots.txt, el archivo de texto que todos los sitios tienen en su raíz para dar instrucciones a los rastreadores. El documento técnico se llama draft-kelley-aipref-training-preference-signal-00, tiene fecha del 30 de octubre de 2026 y vence el 3 de mayo de 2027. Es un borrador individual. La IETF, el organismo que publica los estándares técnicos de internet, todavía no lo ha aprobado.

El ejemplo del propio borrador bloquea el entrenamiento en todo el sitio y lo permite solo en la carpeta de prensa:

User-Agent: __usage_ai-training
Disallow: /
Allow: /press-kit/

Según el borrador, un Disallow expresa una preferencia en contra de usar esas páginas para entrenar IA y un Allow expresa una preferencia a favor. Si el archivo no incluye este bloque, el sitio no ha expresado ninguna preferencia. Un bloque User-Agent: * tampoco cuenta como respuesta, porque el borrador dice expresamente que el comodín no aplica a este identificador.

Qué empresas lo van a respetar y desde cuándo

Según la cobertura de The Next Web, los calendarios son estos:

Microsoft lo respetará desde el 1 de febrero de 2027. Reemplaza las etiquetas NoArchive y NoCache que usaba desde 2023.
Google lo soportará a comienzos de 2027, según su documentación para rastreadores. Si un sitio usa el bloque nuevo y no menciona Google-Extended, Google lo tratará como un bloqueo de Google-Extended.
OpenAI dice que lo implementará en los próximos meses. Mientras tanto GPTBot sigue funcionando igual.
Anthropic propuso el estándar y está construyendo el soporte. Kelley escribió que tomará algún tiempo.

Meta no se comprometió. Andy Stone, su jefe de comunicaciones, publicó en X que apoya una señal común, pero no dijo si Meta la va a respetar.

Lo que este estándar no hace

El borrador es explícito en tres límites que una empresa debe conocer antes de editar su robots.txt.

Primero, no es una orden de rastreo. Expresa cómo quiere el sitio que se use su contenido, pero no impide que un robot visite las páginas. Para bloquear el acceso hay que seguir usando los bloques de cada rastreador, como GPTBot.

Segundo, los acuerdos privados pesan más. Si un medio firmó una licencia con una empresa de IA, ese contrato prevalece sobre lo que diga robots.txt.

Tercero, no crea pagos. Microsoft aclaró que estas preferencias no establecen acuerdos de licencia ni de pago.

Bloquear el entrenamiento no es lo mismo que desaparecer de las respuestas de IA

Este punto define la estrategia de GEO, la optimización para que los motores generativos citen un sitio como fuente.

Entrenar un modelo significa usar el contenido para que aprenda en general. Las respuestas que ChatGPT, Gemini o Copilot dan con enlaces dependen de otra cosa: buscan en la web en el momento de la pregunta y citan lo que encuentran. Microsoft llama a esa segunda función grounding y agregó un control aparte, por página, con dos opciones: permitir sus propios productos, como Copilot, o bloquear los servicios de grounding que vende a otras empresas. Microsoft advirtió que bloquear el grounding reducirá de forma significativa la visibilidad del contenido en las experiencias generadas por IA, aunque no cambia la posición de la página en Bing.

En el caso de Google, John Mueller, de su equipo de Search, escribió que los sitios que permiten Google-Extended pueden aparecer en las respuestas de la aplicación Gemini y recibir clics. El borrador del estándar no habla de la indexación en Google Search.

En la práctica una empresa tiene tres caminos:

No hacer nada. El sitio no expresa ninguna preferencia y cada empresa de IA aplica sus propias reglas.
Bloquear el entrenamiento y dejar abierto el grounding. El contenido no alimenta los modelos, pero puede seguir apareciendo como fuente citada en respuestas de IA.
Bloquear las dos cosas. Es la opción más protectora y también la que más visibilidad cuesta en buscadores generativos.

Para la mayoría de pymes que viven de que las encuentren, como un consultorio, una tienda en línea o una agencia, la segunda opción suele ser el equilibrio más razonable. Un medio de comunicación o una empresa que vende contenido propio puede tener motivos para la tercera.

Qué hacer esta semana con el robots.txt de tu empresa

Abre tusitio.com/robots.txt en el navegador y revisa qué bloques tiene hoy.
Decide qué contenido quieres proteger. Puede ser todo el sitio o solo ciertas carpetas, como un blog de pago o una base de documentos.
Si decides bloquear el entrenamiento, agrega el bloque User-Agent: __usage_ai-training con las rutas correspondientes, y mantén los bloques de GPTBot y Google-Extended mientras las empresas implementan el estándar.
No bloquees los rastreadores de búsqueda tradicionales, como Googlebot o Bingbot, si quieres seguir apareciendo en Google y Bing.
Anota la fecha del 1 de febrero de 2027 para revisar los controles de grounding de Microsoft cuando entren en vigor.

Google dijo que la propuesta es coherente con el Código de Buenas Prácticas para IA de propósito general de la Unión Europea, que reconoce robots.txt como una vía principal para que los editores expresen sus preferencias. Si tu empresa tiene clientes o contenido en Europa, este estándar probablemente será la referencia.

Preguntas frecuentes

¿Qué es __usage_ai-training?

Es un identificador que se usa en robots.txt para expresar si un sitio permite o no que su contenido se use para entrenar modelos de inteligencia artificial. Lo propuso Anthropic ante la IETF el 30 de octubre de 2026.

¿Google, OpenAI y Microsoft ya lo respetan?

Todavía no. Microsoft empieza el 1 de febrero de 2027, Google a comienzos de 2027 y OpenAI en los próximos meses, sin fecha. Anthropic está construyendo el soporte.

¿Si bloqueo el entrenamiento desaparezco de ChatGPT o Gemini?

No necesariamente. El entrenamiento y las respuestas con fuentes citadas usan controles distintos. Microsoft separa el entrenamiento del grounding, y Google indica que los sitios que permiten Google-Extended pueden aparecer en Gemini.

¿Afecta mi posicionamiento en Google?

El borrador no habla de la indexación en Google Search, y Microsoft dice que sus nuevos controles no cambian la posición en Bing. Lo que sí afecta la indexación es bloquear Googlebot o Bingbot, que son otros rastreadores.

¿Es obligatorio para las empresas de IA?

No. Es una preferencia y no una orden de rastreo, la IETF aún no lo aprueba y los acuerdos privados pueden pasar por encima de lo que diga el archivo.

En Juam Monsalve Digital ayudamos a pymes a decidir qué contenido abrir y qué proteger frente a la inteligencia artificial sin perder visibilidad en Google ni en los buscadores generativos. Si quieres revisar el robots.txt y la estrategia de GEO de tu sitio, agenda una asesoría con nuestro equipo.

Fuentes: borrador draft-kelley-aipref-training-preference-signal-00 en la IETF y The Next Web.