No está activo todavía. OpenAI dice que lo implementará "en los próximos meses" y Google habla de 2027. Pero conviene entenderlo ya, porque toca una decisión que cualquier empresa con web va a tener que tomar: si quiere que la IA aprenda de su contenido y si quiere que la IA la cite.

◢Qué han anunciado exactamente

La idea es sencilla. En lugar de nombrar a cada rastreador, la web usa un nombre especial en su robots.txt que significa "entrenamiento de IA", y los proveedores que participan lo leen como una preferencia sobre ese uso concreto. Según el borrador, entrenar es usar un contenido para modificar los parámetros de un modelo de IA generativa.

OpenAI aclara que esta señal no sustituye a los controles que ya tiene, que seguirán funcionando. Google explica que, si una web usa la señal común para negarse al entrenamiento y no dice nada específico de su control propio, Google-Extended, lo tratará como si lo hubiera bloqueado.

◢Cómo se escribe la regla

El ejemplo del propio borrador es este:

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

Eso dice "no uséis nada de mi web para entrenar IA, salvo la carpeta de prensa". Funciona con las mismas reglas de rutas que ya conoces de robots.txt. Un detalle que confunde: la regla general User-Agent: * no cuenta como esta señal. Si quieres expresar la preferencia, tienes que poner el nombre especial.

◢Lo que esta señal no hace

Aquí está la parte que más me importa, porque es fácil equivocarse.

No bloquea a nadie. robots.txt es una petición, no una puerta cerrada. Los proveedores que se comprometen a respetarlo lo harán, pero un rastreador que no participe puede ignorarlo.

Y ojo con esto último en el caso de Google: según su anuncio, las webs que permiten Google-Extended son las que pueden aparecer en las respuestas de Gemini con enlace a la fuente. Si lo bloqueas, puedes perder esa visibilidad.

◢¿Me conviene usarla?

Depende de qué vive tu negocio.

Si tu contenido es tu producto (un medio de suscripción, una base de datos, cursos, fotografía), tiene sentido que no quieras que se use para entrenar modelos sin acuerdo. Para ti, esta señal es una buena noticia porque te ahorra mantener una lista de rastreadores que no para de crecer.

Si tu web existe para que te encuentren (una empresa de servicios, una consultora, un despacho, una tienda), la decisión es otra. Lo que te interesa es que ChatGPT, Gemini, Claude o Perplexity te citen cuando alguien pregunta por lo que haces. Es lo que expliqué en qué es el GEO y cómo posicionar tu web en las respuestas de IA. En ese caso, lo importante es no bloquear por error los rastreadores de búsqueda y de las respuestas, que no son los mismos que los de entrenamiento.

En esta web, por ejemplo, permito a propósito los rastreadores de IA en el robots.txt: quiero que me lean y me citen.

◢Qué hacer ahora

No hace falta tocar nada hoy, porque la señal aún no funciona en ningún proveedor. Pero sí es buen momento para revisar tu robots.txt y saber qué dice. Muchas webs bloquearon en 2023 todo lo que sonaba a IA y hoy se están quedando fuera de las respuestas de ChatGPT sin saberlo.

Mira qué rastreadores tienes bloqueados, decide si tu prioridad es proteger el contenido o que te encuentren, y apunta esta señal para cuando OpenAI y Google la activen. Si la usas, combínala con reglas específicas para los rastreadores de búsqueda que sí quieras dejar pasar.

Iré actualizando esta noticia cuando haya fechas concretas o se sumen más proveedores.