«Era público» no es una base jurídica: las nuevas reglas para rascar la web y entrenar IA

La mayoría de los modelos de IA generativa aprenden de textos, imágenes y audio recopilados de la web abierta: blogs, foros, sitios de noticias, perfiles de redes sociales y registros públicos. Gran parte de ese material trata de personas reales e identificables. Durante años, la suposición informal del sector fue sencilla: si es de acceso público, vale todo.

Los reguladores europeos han explicado ahora con detalle por qué esa suposición no se sostiene. En julio de 2026 el Comité Europeo de Protección de Datos (CEPD) publicó el proyecto de Directrices 03/2026 sobre el web scraping en el contexto de la IA generativa, y la consulta pública termina el 30 de octubre de 2026. El 8 de octubre de 2026 la autoridad británica de protección de datos (Information Commissioner's Office, ICO) publicó el informe final de dos años de supervisión de los mayores desarrolladores de modelos fundacionales. Juntos ofrecen la imagen más clara hasta ahora de cómo es un «scraping lícito» y de lo que se exigirá demostrar a las empresas.

Esto importa más allá de los laboratorios de IA. Si encargas un conjunto de datos, lo compras a un intermediario, ajustas un modelo con publicaciones públicas o creas una herramienta de captación que recoge perfiles, estas normas también te alcanzan.

Por qué el scraping está en el punto de mira

Tres novedades han llegado con pocas semanas de diferencia:

• El proyecto de directrices del CEPD. Se apoya en el Dictamen 28/2024 del Comité sobre modelos de IA y aplica el RGPD paso a paso al scraping para entrenar IA.
• El informe de la ICO. Diez desarrolladores (Amazon, Anthropic, Apple, Cohere, DeepSeek, Google, Meta, Microsoft, OpenAI y Stability AI) hicieron, o se comprometieron a hacer, cambios tras el escrutinio de la ICO, entre ellos información más clara y mejores vías para ejercer derechos.
• Transparencia con dientes en el Reglamento de IA. Los proveedores de modelos de IA de uso general deben publicar un resumen de sus contenidos de entrenamiento con una plantilla obligatoria de la Comisión. La Oficina de IA puede hacerlo cumplir desde el 2 de agosto de 2026, con multas de hasta el 3 % del volumen de negocio mundial o 15 millones de euros, lo que sea mayor.

Mientras tanto, las modificaciones del RGPD que propone la UE para la IA están atascadas en el Consejo (más abajo). Por ahora, lo que cuenta son las normas vigentes.

«Público» no significa «de uso libre»

El punto de partida del CEPD es tajante. El RGPD se aplica al web scraping siempre que haya datos personales, desde la extracción hasta la limpieza, la estructuración y el almacenamiento, ya identifiquen a alguien directa o indirectamente. Dos puntos más merecen recordarse:

• El consentimiento «muy probablemente no» es una base viable. Los scrapers no tienen relación con las personas afectadas y no pueden pedir razonablemente permiso a cada una de ellas.
• Publicar algo en línea no es consentir el scraping. El CEPD afirma expresamente que la ausencia de un archivo robots.txt en un sitio web «no equivale a consentimiento en el sentido del RGPD».

La ICO llega al mismo punto desde otro ángulo. En sus palabras, las afirmaciones vagas de que un modelo se entrenó con «información de acceso público» «difícilmente bastan» a efectos de transparencia.

Quién es responsable: el scraper, el desarrollador o ambos

Las cadenas de scraping suelen implicar a varias empresas, y el CEPD señala que los roles deben evaluarse caso por caso, según los hechos. Sus orientaciones generales:

• Tú encargas el scraping. Si un contratista crea un conjunto de datos para ti siguiendo tus instrucciones documentadas sobre fuentes y categorías de datos, puede ser encargado del tratamiento y tú, como desarrollador de IA, eres en general el responsable.
• Compras un conjunto de datos que otro ha rascado. El scraper y el desarrollador responden, en principio, de su propio tratamiento por separado. El scraper no responde de tu reutilización, y tú no puedes ampararte en el suyo.
• Lo planificáis juntos. Si dos organizaciones deciden conjuntamente construir un modelo y fijan juntas los criterios de recogida, probablemente son corresponsables, aunque una haga el scraping y la otra entrene.

La ICO añade que los desarrolladores deben asegurarse de que todos los participantes de su cadena de datos de entrenamiento, incluidos los intermediarios de datos, cumplan sus obligaciones de transparencia.

Interés legítimo: la prueba de tres pasos aplicada al scraping

La ICO considera el interés legítimo (art. 6, apdo. 1, letra f, RGPD) realistamente la única base jurídica para entrenar IA generativa con datos personales extraídos por scraping. El CEPD dice que es la base en la que suelen apoyarse las empresas privadas y que las demás son por lo general menos probables. Ambos insisten en que debe ganarse mediante una prueba de tres pasos documentada.

1. Un interés real y concreto. Debe ser lícito, estar claramente formulado y ser real y actual. La ICO añade que intereses amplios como «desarrollar y mejorar nuestros productos y servicios», «entrenar nuestros modelos» o «beneficiar a la humanidad» probablemente no bastan sin concreción ni justificación.
2. Necesidad. Acotar los criterios de recogida, en lugar de «rascar una gran parte de internet», puede ser decisivo, dice el CEPD, y los datos seudonimizados o sintéticos pueden ser alternativas menos intrusivas. La ICO espera que los desarrolladores expliquen por qué otras fuentes, como conjuntos de datos con licencia, no son adecuadas.
3. Ponderación. El CEPD enumera riesgos como la pérdida de control, un «efecto disuasorio» sobre la libertad de expresión, la desanonimización de quienes publicaron de forma anónima y los deepfakes. Señala además que, con la tecnología actual, los datos personales «no pueden eliminarse fácilmente» de un modelo entrenado.

Las expectativas razonables pesan mucho, y el CEPD las vincula estrechamente con lo que señalan los sitios web. Quien publica en una plataforma abierta que permite el scraping y lo dice puede esperar razonablemente que los desarrolladores de IA recojan su contenido. Quien publica en una plataforma que bloquea a los scrapers con robots.txt y CAPTCHA, y dice que no permite entrenar IA con los datos de los usuarios, no puede.

El proyecto también muestra dónde está la línea. Una organización que recoge grabaciones de voz públicas para vender una herramienta de generación de voz, sin salvaguardas contra el uso malicioso, «no puede invocar» el interés legítimo. Un modelo de texto entrenado solo con contenido de libre acceso que las personas hicieron manifiestamente público, respetando las reservas de derechos de autor, con salvaguardas contra la memorización, solicitudes de derechos sencillas y una lista pública de fuentes, puede en general superar la prueba.

Transparencia cuando no puedes avisar a todos

El artículo 14 del RGPD exige informar a las personas cuyos datos se obtuvieron de forma indirecta. Cuando has rascado datos de millones de personas, las notificaciones individuales suelen ser imposibles. El artículo 14, apartado 5, letra b, permite una excepción por imposibilidad o esfuerzo desproporcionado, pero el CEPD dice que «no debe invocarse de forma rutinaria», y la ICO advierte contra usarla como exención «generalizada».

Si te acoges a la excepción, el CEPD indica que al menos debes hacer pública la información, por ejemplo en un aviso específico en tu sitio web. Debe abarcar las categorías de datos, los fines y la base jurídica, los derechos de las personas y una indicación precisa de las fuentes, incluidas las características del rastreador. Como buena práctica, enumera los dominios y URL rascados, en formato consultable, con el periodo de recogida.

La escala importa. El CEPD contrapone el scraping de 20 años de mensajes de un foro sin identificadores directos, donde la información individual sería desproporcionada, al ajuste fino con mensajes de un grupo cerrado de 5.000 personas identificables. En el segundo caso, cada persona debería ser informada individualmente.

Esto se solapa con el Reglamento de IA. La plantilla de la Comisión pide a los proveedores de modelos de IA de uso general que nombren sus rastreadores, indiquen el periodo de recogida y enumeren el 10 % superior de dominios rascados (para las pymes, el 5 % superior o 1.000 dominios, lo que sea menor). Un buen inventario de fuentes puede servir a ambas leyes.

Minimización y exactitud: decide antes de rastrear

La minimización de datos no prohíbe entrenar con grandes volúmenes, subraya el CEPD. Prohíbe recoger datos personales que no necesitas, y esa evaluación debe hacerse antes de empezar el scraping:

• Antes de la recogida: considerar datos sintéticos; definir criterios de recogida precisos; mapear e inventariar los datos; filtrar categorías innecesarias como transacciones bancarias o ubicación; excluir sitios que contienen estructuralmente datos sensibles o de menores; y excluir sitios que se oponen claramente al scraping mediante robots.txt, ai.txt, accesos con contraseña o CAPTCHA.
• Durante y después de la recogida: usar filtros por patrones (por ejemplo, expresiones regulares) para eliminar identificadores como números de la seguridad social o de teléfono; sustituir datos reales por sintéticos cuando sea posible; y anonimizar o seudonimizar. Nuestro artículo sobre las directrices del CEPD sobre anonimización explica lo alto que es ese listón.

En cuanto a la exactitud, el CEPD recomienda fuentes fiables como los registros oficiales, sellar con fecha lo que recoges y revisar muestras antes de entrenar.

Datos sensibles: la vía del «motor de búsqueda» y sus límites

Las categorías especiales de datos, como la salud, las opiniones políticas o la orientación sexual, necesitan una base jurídica del artículo 6 y una excepción del artículo 9, apartado 2. El scraping casi inevitablemente recoge algunas.

El proyecto del CEPD propone un camino estrecho para los datos recogidos de forma incidental y residual, pese a los esfuerzos por evitarlos. Se apoya en la sentencia del Tribunal de Justicia GC y otros (C-136/17, 24 de septiembre de 2019), que declaró que los gestores de motores de búsqueda están sujetos a las normas sobre datos sensibles «en el marco de sus responsabilidades, competencias y posibilidades». El CEPD dice que este razonamiento puede aplicarse al scraping para IA si puedes demostrar que:

• tu tratamiento guarda similitudes relevantes con el de un motor de búsqueda;
• los datos sensibles son solo incidentales y residuales, nunca recogidos intencionadamente;
• es difícil o imposible saber de antemano si recoges datos sensibles y en qué cantidad; y
• adoptas medidas para impedir su difusión.

Esas medidas son exigentes: filtros y exclusión de sitios antes de la recogida, supresión en cuanto se identifican datos sensibles (también ante una solicitud plausible), pruebas de extracción y filtros de salida durante el desarrollo, y seguimiento continuo de las salidas tras el lanzamiento. El Comité deja claro que no es una exención general del artículo 9.

La ICO es más escéptica. Considera poco probable que la excepción de datos «manifiestamente hechos públicos» cubra los datos sensibles recogidos por scraping, porque los desarrolladores no pueden verificar que la persona quisiera hacerlos públicos, y dice que la condición de investigación científica difícilmente cubre todo el desarrollo de modelos. La ICO reconoce abiertamente que esto «limita la capacidad de los desarrolladores para entrenar lícitamente sus modelos con categorías especiales de datos» y lo está hablando con el Gobierno británico.

El modelo también puede ser dato personal

Los riesgos del scraping no terminan al acabar el entrenamiento. La ICO reitera que los modelos pueden contener datos personales porque es posible extraer de ellos datos de entrenamiento, una visión compatible con el Dictamen 28/2024 del CEPD. Advierte de que los datos de entrenamiento obtenidos de la web pueden incluir firmas de correo, claves de API y contraseñas, y espera que los desarrolladores prueben los modelos frente a la «singularización» y la «vinculabilidad». También destaca una buena práctica en derechos: Apple, por ejemplo, permite a cualquiera señalar páginas web que no deben usarse para el entrenamiento e indica a los propietarios de sitios cómo bloquear su rastreador para entrenamiento sin impedir la indexación en buscadores.

Hacia dónde puede ir el Derecho

El Ómnibus Digital de la Comisión, presentado en noviembre de 2025, propone modificaciones del RGPD relevantes para el entrenamiento de IA. Según un texto de compromiso del Consejo del 3 de septiembre de 2026 (documento 12535/26), filtrado y recogido por GDPR Local y la organización de privacidad noyb, un considerando diría que el tratamiento de datos personales para desarrollar y desplegar IA «puede considerarse» interés legítimo, salvo que prevalezcan los derechos de la persona. Otro considerando permitiría, en circunstancias limitadas, los datos sensibles que acaben en los conjuntos de entrenamiento «de forma incidental y residual». noyb se opone con firmeza a la propuesta, y su presidente, Max Schrems, la calificó de «expropiación digital de los europeos». Analizamos el texto del Consejo en nuestro artículo sobre el Ómnibus Digital y el interés legítimo para la IA.

El expediente está lejos de cerrarse. Los embajadores de la UE no lograron acordar una posición negociadora del Consejo el 7 de octubre de 2026, sobre todo por los secretos comerciales en la parte de la Ley de Datos del paquete. Según MLex, el punto se retiró después del orden del día de su reunión del 11 de octubre, sin nueva fecha. El Parlamento Europeo había presentado en agosto unas 1.840 enmiendas. A 12 de octubre de 2026, nada de esto es ley y el RGPD se aplica íntegramente.

Más allá de la UE: Japón y Brasil

Japón. Japón ha modificado su ley de privacidad (APPI) para permitir el uso de datos sin consentimiento, incluidos datos sensibles de acceso público, con fines estadísticos, lo que puede abarcar el desarrollo de IA organizado como elaboración de estadísticas. Un documento borrador de la secretaría del regulador, publicado el 1 de octubre de 2026, sugiere que las empresas que recurran a esta vía publiquen los datos exigidos en una única página web legible por rastreadores. Es un borrador, no normas definitivas.

Brasil. La LGPD (Ley 13.709/2018) incluye el interés legítimo entre sus bases jurídicas, pero no en la lista del artículo 11 para datos sensibles. En una intervención en la FGV Direito Rio el 29 de abril de 2026, Iagê Miola, miembro de la junta de la ANPD, dijo que la autoridad aún no tiene una posición definitiva sobre el interés legítimo para entrenar IA. Señaló que los participantes en la consulta no lo veían como inválido, que las opiniones sobre el scraping estaban divididas y que la ausencia de una base de interés legítimo para datos sensibles era la principal preocupación. Si se usa, exigiría ponderaciones sólidas y transparencia real. Las empresas brasileñas que ofrecen bienes o servicios a personas en la UE ya están cubiertas por el RGPD a través de su artículo 3, apartado 2, así que las orientaciones del CEPD les son directamente aplicables.

Para las empresas globales, el «scraping lícito» significará cosas distintas en cada mercado. Construir según el estándar más estricto, el de la UE y el Reino Unido, es la opción más segura.

Lista práctica para empresas que rascan o compran datos rascados

• ☐ Mapea tu cadena de suministro: quién rascó qué, siguiendo qué instrucciones y en qué rol (responsable, corresponsable o encargado).
• ☐ Redacta una evaluación concreta del interés legítimo para cada tipo de dato y cada fase del desarrollo. «Entrenar nuestros modelos» no es lo bastante concreto.
• ☐ Documenta la necesidad: explica por qué no bastan una recogida más acotada, datos con licencia, seudonimizados o sintéticos.
• ☐ Respeta las señales de exclusión: excluye los sitios que bloquean el scraping mediante robots.txt, ai.txt, accesos o CAPTCHA, y los que rechazan el entrenamiento de IA.
• ☐ Excluye por defecto las fuentes de alto riesgo, como sitios usados sobre todo por menores y sitios que contienen estructuralmente datos sensibles.
• ☐ Filtra antes y después de la recogida: eliminación de identificadores por patrones, deduplicación, seudonimización y supresión de lo que no necesitas.
• ☐ Planifica los datos sensibles: filtros, supresión inmediata al detectarlos, pruebas de extracción, filtros de salida y seguimiento continuo.
• ☐ Publica un aviso real sobre los datos de entrenamiento: fuentes, detalles del rastreador, periodos de recogida, categorías de datos y una forma sencilla de oponerse.
• ☐ Ofrece vías de ejercicio de derechos a quienes no son usuarios y explica con honestidad los límites técnicos.
• ☐ Prueba tus modelos frente a memorización, singularización y vinculabilidad, y guarda los resultados.
• ☐ Evalúa a los proveedores de conjuntos de datos: pregunta cómo se recogieron los datos y cómo cumplieron sus propias obligaciones de transparencia.
• ☐ Alinéate con el Reglamento de IA: si proporcionas un modelo de uso general, asegúrate de que tu resumen público de contenidos de entrenamiento coincida con tu aviso de privacidad.
• ☐ Haz oír tu voz: la consulta del CEPD termina el 30 de octubre de 2026; la convocatoria de aportaciones de la ICO sobre agentes de IA termina el 20 de noviembre de 2026.

Conclusión

El mensaje de Bruselas y Londres es coherente: la web abierta no es un vale todo, pero tampoco está vedada. Rascar datos personales para entrenar IA puede ser lícito cuando es dirigido, minimizado, transparente y está respaldado por salvaguardas cuya eficacia puedas demostrar. Las empresas que lo pasarán mal son las que no pueden decir de dónde salieron sus datos, por qué los necesitaban ni qué hicieron para proteger a las personas que aparecen en ellos. Las directrices del CEPD siguen siendo un borrador y el Ómnibus Digital aún puede cambiar el debate, pero mapear fuentes, filtrar datos, publicar avisos y probar modelos compensará con cualquier versión de las normas.

Reserva una consulta gratuita con GDPRGard → y te ayudaremos a revisar tus fuentes de datos y tus avisos de entrenamiento.

Fuentes

• CEPD: Directrices 03/2026 sobre el web scraping en el contexto de la IA generativa, consulta pública (8 jul. a 30 oct. 2026)
• CEPD: El CEPD aclara la anonimización y el web scraping para la IA generativa (8 jul. 2026)
• ICO: La ICO logra cambios en los principales desarrolladores de IA mientras el escrutinio se extiende a los agentes de IA (8 oct. 2026)
• ICO: Construir confianza y transparencia en el desarrollo de IA generativa (8 oct. 2026)
• ICO: La base jurídica del web scraping para entrenar modelos de IA generativa
• Computer Weekly: Los desarrolladores de modelos de IA no tienen «justificación» para incumplir la ley de privacidad (9 oct. 2026)
• Comisión Europea: Plantilla para que los proveedores de modelos de IA de uso general resuman sus contenidos de entrenamiento
• TJUE: Asunto C-136/17, GC y otros (24 sep. 2019)
• GDPR Local: Ómnibus Digital, qué dicen los documentos filtrados del Consejo sobre la IA y los datos personales
• Agence Europe: Votación sobre el Ómnibus Digital aplazada al 11 de octubre (7 oct. 2026)
• MLex: Aplazadas las conversaciones sobre el paquete de simplificación digital de la UE por una disputa sobre secretos comerciales (11 oct. 2026)
• PPC Land: Los desarrolladores de IA en Japón deberán publicar información web para entrenar sin consentimiento (2 oct. 2026)
• Mobile Time: ANPD sugere que legítimo interesse poderá ser usado em treinamento de modelos de IA (29 abr. 2026)

Lee también:

• Se acabó la excusa de «era público»: el RGPD ya cubre formalmente los datos de entrenamiento de IA
• ¿Son realmente anónimos tus datos «anónimos»? El nuevo proyecto del CEPD cambia la prueba
• El RGPD se reescribe para la IA: qué significa el Ómnibus Digital para tu empresa