OpenAI научилась понимать слово «нет». Теперь сайты смогут отказывать нейросетям в обучении

OpenAI ha respaldado un nuevo mecanismo que permitirá a los propietarios de sitios web prohibir el uso de sus publicaciones para el entrenamiento de inteligencia artificial generativa de varias empresas a la vez. Gracias a una regla en el archivo robots.txt (un archivo que indica a los robots qué partes de un sitio pueden visitar), los editores podrán proteger su contenido sin desaparecer de los resultados de búsqueda.

La iniciativa se basa en la especificación 'Machine-Readable Training Preference Signal', presentada por un ingeniero de Anthropic. El sistema utiliza un identificador especial llamado __usage_ai-training. Por ejemplo, al configurar este comando, un dueño de sitio puede prohibir que se use todo su contenido para entrenar modelos, pero permitirlo para secciones específicas como un catálogo de prensa.

La gran diferencia es que este método separa el acceso para búsqueda del acceso para entrenamiento. Esto significa que un sitio puede permitir que Google o Bing lo muestren en sus resultados de búsqueda, pero prohibir que usen esos mismos textos para mejorar sus modelos de IA. Actualmente, empresas como OpenAI requieren configuraciones individuales para cada uno de sus robots (como GPTBot), pero este nuevo estándar unificaría la orden para todos los proveedores.

Google planea implementar esto en 2027, mientras que Microsoft busca permitir que los editores decidan por separado si permiten el entrenamiento y si permiten que la IA consulte sus páginas para generar respuestas en Copilot o Bing. Microsoft aplicará estas reglas a partir del 1 de febrero de 2027. Anthropic ya ha comenzado con la implementación, y OpenAI espera hacerlo en los próximos meses.

Es importante notar que esta especificación aún es un proyecto publicado el 30 de octubre de 2026 y no un estándar definitivo de internet. Además, el archivo robots.txt no impide que alguien copie el contenido de forma técnica o deshonesta; es una señal de preferencia que depende de que las empresas decidan respetarla. Tampoco resuelve el uso de datos ya recolectados en el pasado ni establece pagos por el contenido.

Qué significa para una pyme colombiana y cucuteña: Si usted administra el sitio web de su empresa o tiene un blog de contenidos, no necesita hacer nada por ahora. El sistema se implementará gradualmente entre finales de 2026 y 2027. Si su objetivo es que su contenido no sea usado para entrenar modelos de IA, mantenga sus configuraciones actuales de robots.txt (como las de GPTBot), ya que las nuevas reglas no reemplazarán a las anteriores de inmediato.