Preguntas frecuentes sobre el bloqueo del entrenamiento de IA.

Puedes reducir la exposición, pero no puedes garantizar un control total una vez que las fotos son públicas. Mantén privadas las fotos sensibles, revisa los ajustes de las plataformas, evita subir imágenes públicas en alta resolución y usa controles de rastreadores en tu propio sitio web.

Solo después de eliminar los datos que no necesitas para la tarea. Nombres, direcciones, números de teléfono, fechas de nacimiento, firmas, secretos del empleador y referencias suelen poder sustituirse por marcadores de posición.

Ten cuidado. Cartas médicas, pasaportes, documentos escolares, papeles legales, archivos bancarios y registros familiares pueden contener datos sensibles sobre otras personas. Usa ajustes de privacidad aprobados o no los subas.

Depende del producto, del tipo de cuenta y de los ajustes. Algunos proveedores ofrecen controles, planes para equipos o condiciones de API que tratan los datos de forma distinta. Comprueba los ajustes actuales antes de escribir información sensible.

No con un único interruptor técnico. robots.txt puede pedir que los rastreadores que lo respetan se mantengan alejados, pero es voluntario y no elimina las copias que ya existen en otros lugares.

robots.txt es una convención técnica, no un contrato por sí mismo. Puede respaldar tu postura de política, pero las cuestiones legales dependen de la jurisdicción, las condiciones, los derechos de autor, los contratos y su cumplimiento.

Bloquear agentes específicos de IA no debería tratarse igual que bloquear a Googlebot. Si bloqueas los rastreadores de búsqueda normales, la visibilidad en las búsquedas puede verse afectada. Revisa cada user-agent con cuidado.

Solo si entiendes la contrapartida. Los agentes activados por el usuario pueden recuperar páginas cuando una persona pide a una herramienta de IA que lea tu sitio. Bloquearlos puede reducir el descubrimiento asistido por IA.

Google describe Google-Extended como un control relacionado con algunos usos de IA generativa. Es diferente del rastreo habitual de la Búsqueda de Google, pero deberías verificar la documentación más reciente de Google.

Usa los controles de datos de la cuenta, controles de empresa o corporativos cuando sea necesario, ajustes de retención, censura de datos y reglas estrictas de subida. No dependas de las reglas de rastreadores del sitio web para las subidas privadas.

Normalmente eso debería regirse por una política de la empresa. Los documentos sensibles de clientes, de HR, legales, financieros, médicos o con secretos comerciales no deberían subirse sin autorización.

Las políticas difieren según el producto, el tipo de cuenta y los ajustes. Los productos de consumo, para equipos, corporativos y de API pueden tratar los datos de forma distinta. Comprueba siempre las condiciones actuales del proveedor.

Puedes reducir el riesgo con controles de rastreadores, galerías autenticadas, condiciones de licencia, marcas de agua, metadatos de procedencia y ajustes de plataforma, pero las imágenes públicas aún pueden ser copiadas por actores que no respetan las reglas.

No. Algunas herramientas pueden respetar ciertos metadatos, pero la compatibilidad no es universal. Considéralo una señal, no un escudo.

No siempre. Si los motores de respuestas de IA aportan tráfico, citas o descubrimiento de marca, un bloqueo total puede costar visibilidad. Decide según el tipo de página: privada, de pago, marketing público, documentación o noticias.

Empieza por lo que controlas: no subas archivos sensibles, mantén privados los álbumes privados, usa marcadores de posición en los prompts, revisa los ajustes de tus cuentas de IA y añade controles de rastreadores si tienes un sitio web.

Sí, las reglas del lado del servidor pueden ser más eficaces que robots.txt para controlar el tráfico. Aun así requieren mantenimiento, porque los user-agents y los rangos de IP cambian.

Sí. Los bloqueos de rastreadores solo actúan hacia el futuro y solo para los rastreadores que los respetan. No borran conjuntos de datos antiguos, réplicas, archivos, capturas de pantalla ni texto copiado.

No. Este sitio es una lista de comprobación educativa. Para contratos, disputas de derechos de autor, datos regulados o políticas de empleados, consulta a un abogado cualificado.

Suelen ser cosas distintas. Una exclusión generalmente pide a un proveedor que no use datos futuros para el entrenamiento, mientras que una eliminación le pide que retire datos que ya tiene. Una no implica automáticamente la otra, y cada una puede tener su propio proceso de solicitud, así que comprueba los controles del proveedor concreto.

Depende del producto y de cómo se defina ese modo. Algunas herramientas describen los chats temporales como excluidos del entrenamiento o del historial, pero los detalles difieren entre proveedores y pueden cambiar. Verifica la documentación oficial de la herramienta y el tipo de cuenta exactos antes de suponer que un chat temporal está excluido.

Bloquear un rastreador afecta al rastreo futuro que respeta las reglas, no a las copias que ya existen. Los datos recopilados antes pueden estar ya en conjuntos de datos, archivos, réplicas o copias de terceros. Las herramientas de exclusión y bloqueo generalmente no pueden llegar a esas copias existentes, por lo que reducen la exposición en lugar de eliminarla.

A veces existen vías de exclusión o de solicitud de eliminación para conjuntos de datos o proveedores concretos, pero la cobertura es desigual y voluntaria. Una solicitud a un conjunto de datos no afecta a copias no relacionadas. Comprueba si el conjunto de datos o el proveedor concreto ofrece un proceso de eliminación documentado y mantén expectativas realistas.

A menudo los valores predeterminados difieren según el nivel, pero no deberías darlo por hecho. Algunos niveles de consumo pueden usar las entradas para mejorar los modelos a menos que cambies un ajuste, mientras que algunos niveles de empresa, corporativos o de API anuncian valores predeterminados de no entrenamiento. La única fuente fiable son las condiciones actuales de ese producto y plan exactos.

Common Crawl es un rastreo de la web grande y de acceso público que muchos investigadores y proyectos han usado como fuente de datos. Estar en tal conjunto de datos no significa por sí mismo que un modelo concreto haya entrenado con tu página, pero las páginas públicas pueden acabar en conjuntos de datos amplios. Los controles de robots pueden influir en el rastreo futuro, pero no en las copias existentes.

No necesariamente. Los rastreadores de entrenamiento, los agentes de navegación en vivo y el conocimiento general son cosas distintas. Bloquear un rastreador de entrenamiento puede reducir el uso futuro para entrenamiento, pero una herramienta aún podría describir tu sitio a partir de datos anteriores, texto proporcionado por el usuario o un agente de navegación independiente. Verifica el papel de cada user-agent en la documentación del proveedor.

En realidad no. Los detectores de IA intentan adivinar si un texto fue generado por IA, lo cual es un tema separado de si tus datos se usan para el entrenamiento. Además, se sabe que los detectores no son fiables, así que trátalos con cautela y no los confundas con los controles de exclusión o de rastreadores.

Las leyes de protección de datos como el RGPD de la UE y la CCPA/CPRA de California pueden otorgar derechos sobre los datos personales, lo que puede ser relevante cuando se procesan datos personales para IA. Cómo se aplican al entrenamiento es complejo, depende de cada caso y aún está en desarrollo. Esta página es solo educativa; para cualquier asunto relevante, consulta a un profesional cualificado en protección de datos o legal.

Los datos sobre menores suelen tratarse como especialmente sensibles bajo muchas normas y políticas de plataforma. Ten mucho cuidado al subir registros escolares, fotos o documentos que identifiquen a menores, y preferiblemente no introduzcas esos datos en herramientas de IA de consumo en absoluto. Cuando puedan aplicarse obligaciones, busca asesoramiento cualificado.

Depende de las herramientas, los niveles y los datos implicados. Una política interna breve que nombre las herramientas aprobadas, defina los datos vetados y exija la censura de datos suele ayudar más que una prohibición total que la gente ignora en silencio. Los datos sensibles de clientes, de HR, legales o financieros deberían quedar fuera de las herramientas no aprobadas.

Las imágenes pueden recopilarse mediante el mismo rastreo web que el texto, de modo que los controles de rastreadores, las galerías autenticadas y las condiciones de licencia pueden reducir la exposición de las imágenes que alojas. Sin embargo, las imágenes copiadas y realojadas en otros lugares, o que ya están en conjuntos de datos, quedan fuera de esos controles. Las señales de metadatos como noai son voluntarias y su compatibilidad es desigual.

Los registros del servidor, la analítica y un panel de cortafuegos o CDN pueden mostrar qué user-agents solicitan tus páginas, incluidos los rastreadores de IA identificados. Como los user-agents y los rangos de IP cambian y pueden falsificarse, trata la monitorización como algo continuo en lugar de una configuración única, y verifica los nombres de rastreadores actuales en la documentación oficial.