Bloquear rastreadores de IA en WordPress (GPTBot, Claude)

¿Quieres impedir que ChatGPT, Gemini o Claude entrenen con tu contenido? Así funcionan los rastreadores de IA, qué puede robots.txt y cómo bloquearlos.

«¿Puedo impedir que ChatGPT entrene con mis artículos?» es una de las preguntas que más me hacen ahora, y merece una respuesta directa en lugar de un susto o un discurso de ventas. La versión honesta tiene dos mitades: sí, puedes decirles a los grandes rastreadores de IA que no entren—y no, un archivo de texto no puede detener físicamente a un bot que ha decidido mentir. Déjame mostrarte exactamente qué está bajo tu control, qué no, y cómo fijar tu política en WordPress en más o menos un minuto.

Lo esencial

  • Cinco nombres distintos permiten dirigirse a los grandes rastreadores de IA en robots.txt—GPTBot, Google-Extended, ClaudeBot, PerplexityBot, CCBot. Cuatro son user-agents (el nombre con el que un bot se presenta al pedir una página); Google-Extended es un token, como explica el punto siguiente. OpenAI, Google y Perplexity documentan reglas de robots.txt para sus bots; Anthropic y Common Crawl escriben explícitamente que las respetan. Una salvedad con Perplexity: Cloudflare informó de que la empresa seguía accediendo a sitios que habían bloqueado sus bots declarados, mediante rastreadores no declarados.
  • Google-Extended es un token de robots.txt aparte, no un rastreador aparte: bloquearlo impide que Google use tu contenido para entrenar o fundamentar a Gemini sin tocar tu posicionamiento normal en el buscador (los AI Overviews no figuran entre los productos que Google lista para ese token).
  • robots.txt es una petición, no un muro—Cloudflare constató que Bytespider era el rastreador de IA más activo y el que más veces se bloqueaba en su red, y observó bots que se hacían pasar por navegadores, así que es una señal para los bots honestos, no una barrera.
  • Blaminhor Essentials ofrece dos capas: bloqueo por robots.txt (impide la descarga o, con Google-Extended, el uso de la página por Gemini) y metaetiquetas noai / noimageai (piden a los motores no entrenar con lo que sí descargaron). Usa una o ambas.
  • Cada casilla tiene su espejo en WP-CLI (wp blaminhor seo set --ai-block-chatgpt=true), y todos los controles están desactivados por defecto—tú decides activarlos.

¿Qué son los rastreadores de IA y cuáles importan?

Los rastreadores de IA son bots automatizados que descargan páginas web para entrenar modelos de lenguaje o para responder preguntas en productos de IA—cada uno tiene un nombre propio que te permite autorizarlo o bloquearlo de forma selectiva: su user-agent o, en el caso de Google, un token de robots.txt. No son un enjambre anónimo; son un puñado de agentes con nombre, de empresas concretas, y conocer esos nombres es todo el juego.

Estos son los cinco que más importan en 2026, y a qué alimenta cada uno:

NombreEmpresaA qué alimenta¿Se respeta en robots.txt?
GPTBotOpenAIEl entrenamiento de modelos (la búsqueda de ChatGPT descarga las páginas con un bot distinto, OAI-SearchBot)Sí
Google-ExtendedGoogleEl entrenamiento y la fundamentación de Gemini (no la Búsqueda clásica)Sí
ClaudeBotAnthropicEl entrenamiento de los modelos Claude (las respuestas y la búsqueda de Claude descargan las páginas con Claude-User y Claude-SearchBot)Sí
PerplexityBotPerplexityLos resultados de búsqueda y las citas de Perplexity—no el entrenamiento de modelos, según PerplexityDocumentado, pero Cloudflare señaló rastreadores no declarados
CCBotCommon CrawlUn dataset abierto con el que entrenan muchas empresas de IASí

Ese último merece una pausa: CCBot pertenece a Common Crawl, una organización sin fines de lucro cuyo dataset público se usa para entrenar una enorme variedad de modelos. Bloquea CCBot y cortas una vía de entrenamiento indirecta que de otro modo jamás verías en tus registros.

Cada empresa documenta sus bots: OpenAI, Google, Anthropic, Perplexity y Common Crawl. Al leer esas páginas aparece una segunda familia, que las cinco casillas del módulo no cubren. OAI-SearchBot (la búsqueda de ChatGPT), Claude-SearchBot y Claude-User siguen robots.txt: para rechazarlos, copia lo que ya muestra tusitio.com/robots.txt (ahí están tus casillas marcadas, junto con una línea de sitemap si la hay) en un archivo robots.txt físico en la raíz de tu servidor y añade sus líneas a mano, ya que ese archivo sustituye al de WordPress. A partir de ahí, las cinco casillas de robots.txt del módulo ya no cambian nada, porque WordPress deja de generar un robots.txt al que el módulo pueda añadir líneas: lo que hay que editar es el propio archivo. ChatGPT-User y Perplexity-User descargan una página porque un usuario lo pidió: OpenAI escribe que las reglas de robots.txt pueden no aplicarse al primero, y Perplexity que el segundo por lo general las ignora. Con esos dos, todo se decide en el servidor o en el firewall, como indica el recuadro de más abajo.

¿Bloquearlos en robots.txt realmente los detiene?

Para los bots identificados y que juegan limpio—sí (con Google-Extended, lo que se detiene es el uso de tus páginas por Gemini, no las visitas de Googlebot); para un bot que ha decidido ignorar las reglas—no, y quien te diga lo contrario está exagerando. robots.txt es un protocolo de cortesía. Funciona porque las empresas serias eligen respetarlo y publican los nombres de sus user-agents (o de su token, en el caso de Google) para que puedas hacerlo valer. GPTBot, ClaudeBot, Google-Extended y CCBot están en ese bando; PerplexityBot está documentado de la misma manera, con la salvedad que señaló Cloudflare, justo debajo.

Pero el protocolo no tiene dientes. El análisis de Cloudflare de julio de 2024 señaló a Bytespider (ByteDance) como el rastreador de IA más activo y el que más veces se bloqueaba en la red de Cloudflare, observó operadores de bots que falsificaban el user-agent de un navegador para pasar por humanos, y recordó que un bloqueo en robots.txt solo funciona si el operador decide respetarlo (Cloudflare). En agosto de 2025, Cloudflare informó además de que, en sitios que habían bloqueado los bots declarados de Perplexity, la empresa seguía accediendo al contenido mediante rastreadores no declarados (Cloudflare). Así que el modelo mental honesto es un cartel de «prohibido el paso», no una puerta con candado. Frena en seco a la mayoría honesta y no hace nada contra un mal actor decidido—para esos, la defensa vive en el servidor o en el firewall, no en un archivo de texto.

¿Bloquear a Google no perjudicará mi posicionamiento?

No—y este es el malentendido que frena a la gente a la hora de actuar. Google hace un solo rastreo con dos controles separados. Googlebot rastrea tu sitio para la Búsqueda clásica. Google-Extended no es un segundo rastreador, sino un token de robots.txt, leído durante ese mismo rastreo, que gobierna únicamente si tu contenido puede usarse para entrenar los modelos Gemini o fundamentar sus respuestas. La documentación de Google indica que ese token «no afecta a la inclusión de un sitio en la Búsqueda de Google ni se usa como señal de posicionamiento» (traducción propia), y no lista los AI Overviews entre los productos a los que afecta.

Bloquear Google-Extended le dice a Google «no uses mi contenido para Gemini» mientras Googlebot sigue rastreando tu sitio y Google sigue posicionándolo exactamente igual que antes. No pierdes nada en los enlaces azules. Esa separación limpia es precisamente lo que convierte bloquear el entrenamiento de IA en una decisión de bajo riesgo para la mayoría de los dueños de sitios—no estás eligiendo entre Google y tu privacidad, estás rechazando un uso concreto.

¿Cómo se bloquean los rastreadores de IA en WordPress?

En WordPress marcas, de los cinco nombres, los que quieres fuera, y el módulo SEO/GEO añade las reglas correctas al robots.txt que genera WordPress. Con Blaminhor Essentials, el flujo es este:

  1. Abre la pestaña GEO/AEO del módulo SEO/GEO. Agrupa los controles de IA de todo el sitio en un solo lugar (la casilla noai por página está en el recuadro SEO del editor), junto a llms.txt (los datos estructurados tienen su propia pestaña Schema).
  2. En «Bloquear vía robots.txt», marca los nombres que quieres rechazar—GPTBot, Google-Extended, ClaudeBot, PerplexityBot, CCBot. Cada uno es una casilla independiente, así que puedes bloquear los bots de entrenamiento y permitir los que citan fuentes.
  3. Activa, si quieres, las metaetiquetas noai. Esto añade noai y noimageai a tus páginas, pidiendo a los motores no usar para entrenamiento el contenido que sí descargaron—una segunda capa detrás del bloqueo (Google, por ejemplo, sigue descargando tus páginas con Google-Extended marcado; solo se detiene el uso por Gemini).
  4. Guarda. El módulo añade un bloque claramente etiquetado al robots.txt que genera WordPress (User-agent: GPTBot / Disallow: /, uno por nombre elegido). Visita tusitio.com/robots.txt para verlo. Si hay un archivo robots.txt físico en la raíz de tu servidor, WordPress nunca genera el suyo y no se añade nada: copia las líneas en ese archivo.

La sección Rastreadores de IA del módulo SEO/GEO: una casilla por nombre para bloquear vía robots.txt, más el interruptor de la metaetiqueta noai. Una casilla por nombre. Bloquea los bots de entrenamiento, permite los motores que citan, o recházalos todos—tú decides, nombre por nombre.

¿Prefieres la línea de comandos? Cada casilla tiene su gemelo en WP-CLI, así que puedes fijar la política en toda una flota de sitios con un solo script:

wp blaminhor seo set --ai-block-chatgpt=true --ai-block-claude=true --ai-block-common-crawl=true

Se ejecuta la misma validación tanto si haces clic como si escribes—la CLI no es un ciudadano de segunda añadido a última hora.

¿Bloquearlos o invitarlos? ¿Cómo decidir?

Decide motor por motor, según prefieras proteger tu contenido o que la IA te cite. No hay una respuesta universalmente correcta, y rara vez es todo o nada.

Bloquéalos si lo que escribes es tu producto—una publicación de pago, investigación original, un portafolio que no quieres ver parafraseado en una respuesta sin ningún clic de vuelta. Permítelos si la visibilidad te importa más que la protección y cambiarías con gusto un rastreo por una cita en ChatGPT o Perplexity. Muchos sitios parten la diferencia: bloquean los bots de puro entrenamiento como CCBot y permiten los que envían tráfico de referencia.

En resumen

Tienes un control real y sencillo sobre la mayoría honesta de los rastreadores de IA, y bloquearlos no te cuesta nada en la búsqueda normal. Lo que no tienes es un muro mágico contra los bots que ignoran las reglas—con esos, la pelea se traslada a tu servidor. Fija tu política de robots.txt con intención, añade las etiquetas noai como red de seguridad si quieres, y revísala cuando aparezcan nuevos rastreadores.

Después hazla coherente con la otra mitad de la cuestión IA-SEO: si quieres que te citen, combina una política abierta con un buen mapa llms.txt de tu contenido. El control de rastreadores de IA forma parte del módulo SEO/GEO, uno de los 26 módulos de Blaminhor Essentials—gratuito y de código abierto en WordPress.org.

FAQ

¿Bloquear un rastreador en robots.txt realmente lo detiene?

Para los bots identificados y que juegan limpio—GPTBot, ClaudeBot, Google-Extended, CCBot—sí: OpenAI y Google documentan reglas de robots.txt para sus bots, y Anthropic y Common Crawl escriben explícitamente que las respetan (en el caso de Google-Extended, lo que se detiene es el uso de tus páginas por Gemini, no las visitas de Googlebot). Pero robots.txt es una petición, no un muro: el análisis de Cloudflare de 2024 señaló a Bytespider como el rastreador de IA más activo y el que más veces se bloqueaba en la red de Cloudflare, observó bots que se hacían pasar por navegadores y recordó que un bloqueo solo funciona si el operador lo respeta; en agosto de 2025 informó de que Perplexity, que documenta las mismas reglas para PerplexityBot, seguía accediendo al contenido de sitios que habían bloqueado sus bots declarados, mediante rastreadores no declarados. Tómalo como una señal clara para los bots honestos, no como una barrera contra los deshonestos.

¿Bloquear Google-Extended perjudica mi posicionamiento normal en Google?

No. Google-Extended controla únicamente si el contenido que Google rastrea puede usarse para entrenar los modelos Gemini o fundamentar sus respuestas. Es un token de robots.txt, no un rastreador aparte: Google lo lee durante su rastreo normal, y su documentación indica que no afecta a la inclusión ni al posicionamiento en el buscador (los AI Overviews no figuran entre los productos que lista para ese token). Bloquear Google-Extended te deja fuera del entrenamiento de Gemini sin tocar tu posicionamiento habitual.

¿Qué diferencia hay entre la metaetiqueta noai y el bloqueo por robots.txt?

Las metaetiquetas noai y noimageai piden a los motores de IA no usar para entrenamiento el contenido que ya descargaron—una petición educada aplicada página a página. El bloqueo por robots.txt impide que el rastreador descargue la página siquiera (con Google-Extended, Google sigue descargándola y solo se detiene el uso por Gemini). Actúan en etapas distintas, así que puedes usar ambas: bloquea el bot y etiqueta las páginas como red de seguridad.

¿Debería bloquear los rastreadores de IA o no?

Depende de tu objetivo. Bloquéalos si tu contenido es tu producto y no quieres que entrene modelos ni que se responda con él sin un clic. Permítelos si quieres que la IA te cite y crecer por esa vía. Rara vez es todo o nada—muchos sitios bloquean bots de entrenamiento como CCBot y permiten los que citan fuentes.

¿Puedo bloquear los bots de IA desde la línea de comandos?

Sí. En Blaminhor Essentials cada casilla tiene su espejo en WP-CLI—por ejemplo `wp blaminhor seo set --ai-block-chatgpt=true`—para que puedas aplicar la política en muchos sitios mediante scripts o integrarla en un despliegue. Se ejecuta la misma validación tanto si marcas la casilla como si lanzas el comando.

¿Bloquear los rastreadores de IA ralentiza o rompe mi sitio?

No. El bloqueo son solo unas líneas añadidas al robots.txt que genera WordPress; no añade ningún coste en tiempo de ejecución y no toca nada que vea un visitante humano. Solo cambia lo que se les dice a los bots automatizados de IA cuando consultan tu robots.txt antes de rastrear. Una salvedad: si hay un archivo robots.txt físico en la raíz de tu servidor, WordPress nunca genera el suyo y el módulo no añade nada—copia las líneas en ese archivo.

blaminhor Construyo lo que falta.

Comentarios