Google propone una regla para que los sitios web decidan si sus contenidos entrenan inteligencias artificiales

Internet se llenó de robots que leen páginas para distintos fines. Pero los dueños de esos sitios siguen teniendo una pregunta incómoda: ¿cómo decir quién puede utilizar sus textos para entrenar inteligencia artificial?

Google anunció el 30 de octubre que planea apoyar un control compartido dentro del archivo robots.txt para expresar preferencias sobre entrenamiento de IA. La propuesta se basa en el trabajo del grupo AIPREF de la IETF, una organización que desarrolla estándares para internet. La idea es evitar que un editor deba escribir instrucciones diferentes para cada empresa que desarrolla modelos.

La propuesta permite que un sitio publique un token de política común. Si el editor opta por excluirse del entrenamiento y no define de manera explícita Google-Extended, Google planea interpretarlo como si se hubiera deshabilitado su propio control Google-Extended. Es un anuncio de compatibilidad futura y cooperación técnica, no una ley ni una barrera infalible.

robots.txt es un archivo de texto ubicado normalmente en la raíz de un dominio. Desde hace décadas se utiliza para comunicar a los rastreadores qué áreas deberían visitar. Motores de búsqueda, herramientas de archivo y otros sistemas pueden revisar esas instrucciones, pero su cumplimiento depende de que cada programa respete el estándar.

Una instrucción compartida, en lugar de veinte reglas

Hasta ahora, los editores han enfrentado nombres diferentes de robots, reglas por proveedor y condiciones que cambian con rapidez. Esa complejidad puede resultar manejable para un gran departamento técnico, pero es un problema para medios pequeños, investigadores o administradores de sitios que solo quieren publicar contenido útil.

El control común pretende simplificar esa comunicación. En vez de memorizar quién usa qué identificador, un administrador podría expresar una preferencia general sobre entrenamiento de IA. Sin embargo, publicar una preferencia no equivale a demostrar que todos los actores del mercado la cumplirán. Es importante distinguir una convención técnica de una obligación universal.

Google-Extended, introducido en 2023, permite a sitios comunicar restricciones respecto de ciertos usos de su contenido en productos de IA de Google. La compañía explica ahora que la nueva señal común podría tener un efecto similar cuando se aplique de acuerdo con las reglas anunciadas.

Tampoco se debe confundir entrenamiento con aparecer en un buscador. Un sitio puede querer que sus noticias sean encontradas en Google y, al mismo tiempo, tener preferencias sobre su incorporación a conjuntos de datos de modelos. Indexación, rastreo y entrenamiento son procesos relacionados, pero no idénticos.

Esa diferencia es crucial para sitios informativos. Una mala configuración puede afectar el acceso de buscadores legítimos, la vista previa de contenidos o herramientas que el editor sí desea permitir. Por eso no conviene copiar reglas desde una red social sin entender exactamente qué controla cada instrucción.

Por qué esta discusión importa para medios chilenos

Para medios como OHZOM, las fotografías, entrevistas y artículos son el resultado de horas de trabajo. Cuando otros sistemas utilizan esos materiales, surgen preguntas sobre atribución, tráfico y sostenibilidad del periodismo digital. Una señal común puede ayudar a expresar preferencias, pero no resuelve por sí sola debates sobre licencias, pagos o propiedad intelectual.

Antes de modificar robots.txt, es recomendable analizar las necesidades del sitio, consultar la documentación oficial y realizar pruebas. Los cambios pueden tener efectos inesperados y deberían evaluarse en conjunto con SEO y administración de WordPress. No existe una regla única perfecta para todos los editores.

Google aún no estableció en ese anuncio una fecha universal de adopción por todos los proveedores de IA. Tampoco garantiza que empresas que no participen en el mecanismo respeten las preferencias publicadas. El valor real se medirá por cuántos actores lo implementen y por la claridad de los controles.

En OHZOM revisamos el debate sobre Meta y los contenidos periodísticos y las reglas públicas de otro desarrollador de IA. Son piezas de una discusión que seguirá creciendo.

La noticia no es que Google haya resuelto el problema del uso de contenidos, sino que está apoyando una forma de expresar decisiones de manera más simple. Queda por ver quiénes escucharán esa señal y qué consecuencias tendrá para una web que sigue dependiendo de visitas humanas.

Fuente principal: Google Search Central, 30 de octubre.