Los sitios web ya no solo son leídos por motores de búsqueda y personas. Los rastreadores de IA — programas automatizados que recopilan contenidos para datos de entrenamiento o para las respuestas de asistentes de IA — acceden a las mismas páginas. Dos noticias recientes muestran que esto se ha convertido en una disputa técnica: por un lado, los operadores que se defienden contra la extracción de datos; por otro, un proveedor de IA que bloquea intentos de manipulación.
Shieldfont: discreta para las personas, inservible para las máquinas
Un dúo de diseñadores ha publicado una tipografía llamada Shieldfont que pretende perturbar la recopilación de datos por parte de los rastreadores de IA. El principio: para los visitantes no cambia nada en la representación, la página se ve como antes. Lo que el rastreador extrae del código fuente, en cambio, ya no produce un texto con sentido.
Técnicamente, un enfoque así se mueve en terreno conocido: una tipografía asigna códigos de caracteres a determinadas imágenes de letras. Si esta asignación se desvía del estándar, el resultado visible ya no coincide con lo que realmente figura como secuencia de caracteres en el documento. Exactamente ahí está la palanca — y exactamente ahí radica también el riesgo.
El precio: accesibilidad y encontrabilidad
Quien falsifica deliberadamente el texto legible por máquina no solo afecta a los rastreadores de IA. Afectados están todos los sistemas que dependen del mismo texto:
- Lectores de pantalla, que leen el contenido en voz alta, trabajan con el flujo de caracteres del documento, no con la imagen renderizada.
- Copiar y pegar: el texto copiado acaba en el portapapeles en la forma falsificada.
- Motores de búsqueda y búsqueda interna, que indexan contenidos y también leen el texto sin procesar.
- Funciones de traducción y lectura en voz alta en navegadores, así como modos de lectura.
Para las empresas que deben cumplir requisitos legales de accesibilidad digital, esto no es una nota al margen. Una medida que excluye a las máquinas también excluye en la práctica a las tecnologías de asistencia — y estas son, para una parte de los usuarios, la única posibilidad de acceso. Por tanto, tales técnicas solo sirven, como mucho, para ámbitos claramente delimitados en los que se renuncia deliberadamente tanto a la accesibilidad como a la visibilidad en los motores de búsqueda. Para contenidos que deben ser encontrados y leídos, no son una herramienta.
Perplexity: publicidad oculta en variantes Markdown
La segunda noticia invierte el panorama. Aquí no es el operador quien se protege, sino el proveedor de IA quien se defiende contra la manipulación. Según su propia versión, Perplexity actúa contra la publicidad que se oculta en versiones especiales Markdown de sitios web — es decir, en variantes de texto ligeras y legibles por máquina que los proveedores ofrecen cada vez más además de la página HTML normal. Markdown es un formato de texto simple con formato mínimo; tales variantes son más fáciles de procesar para los rastreadores que una página web completa con diseño, scripts y navegación.
Precisamente esta separación abre un hueco. Lo que figura en la variante Markdown no lo ve ningún visitante humano. Quien allí coloca mensajes publicitarios o recomendaciones se dirige exclusivamente al sistema de IA — con el objetivo de aparecer en sus respuestas. Perplexity lo evalúa como una táctica manipuladora y considera en peligro la confianza de los usuarios en los resultados de búsqueda, porque contenidos pagados podrían aparecer en una respuesta sin ser reconocibles como publicidad.
Dos caras del mismo problema
Ambos casos se basan en la misma causa: la versión de un sitio web que ven las personas y la versión que leen las máquinas ya no son necesariamente idénticas. Esta divergencia puede aprovecharse en ambas direcciones — de forma defensiva, para entregar contenidos falsos a los rastreadores, u ofensiva, para inyectarles contenidos adicionales.
Desde el punto de vista de los motores de búsqueda, esto es algo conocido. El cloaking, es decir, la entrega de contenidos diferentes a los rastreadores y a los usuarios, se considera desde hace años una infracción de las directrices de los proveedores de búsqueda. Que un proveedor de IA aplique ahora reglas comparables era previsible. Para los operadores esto significa: las técnicas que se basan en una divergencia entre el contenido visible y el legible por máquina no son una base estable. Se detectan y se sancionan en cuanto aparecen de forma generalizada.
Qué pueden hacer los operadores en su lugar
La pregunta legítima que subyace a Shieldfont sigue en pie: ¿cuánto contenido propio debe fluir hacia los sistemas de IA? Para ello hay vías que no dañan ni la accesibilidad ni la confianza:
- Control de acceso mediante robots.txt e identificadores de rastreadores: muchos rastreadores de IA se identifican y respetan las reglas de exclusión. No es una garantía, pero es la vía documentada y trazable.
- Control del lado del servidor: los límites de tasa y el análisis de los patrones de acceso en los registros muestran qué bots leen y en qué medida — la base para cualquier decisión posterior.
- Contenidos tras inicio de sesión: lo que realmente no debe salir no pertenece a la parte del sitio web accesible públicamente.
- Trato consciente de las variantes legibles por máquina: quien ofrece versiones Markdown o de API debería tratarlas editorialmente como la página principal. La igualdad de contenido es aquí una cuestión de cumplimiento normativo, no de gusto.
- Identificar la publicidad como publicidad — en cada variante de salida, también en la que solo leen las máquinas.
Para los proyectos web y de software esto significa sobre todo una cosa: la versión legible por máquina de un sitio web ya no es un subproducto, sino un formato de entrega propio con requisitos propios de calidad y gobernanza.
Quien proporcione variantes adicionales para sistemas de IA necesita para ello el mismo control editorial que para la página principal y debe poder garantizar técnicamente la igualdad de contenido. Y quien quiera limitar el acceso de los rastreadores de IA debería regularlo en la capa de acceso — no mediante trucos en el renderizado que al final perjudican a los propios usuarios y usuarias.