Web scraping e IA generativa: Directrices del CEPD

El Comité Europeo de Protección de Datos (CEPD) ha adoptado las Directrices 03/2026 sobre web scraping en el contexto de la IA generativa (“Directrices”), sometidas a consulta pública el 7 de julio de 2026. Con ellas, el regulador europeo ofrece un tratamiento monográfico de una práctica que, pese a haberse generalizado en la industria de la inteligencia artificial, se venía abordando hasta ahora de forma fragmentaria en pronunciamientos más amplios sobre protección de datos e IA, como la Opinión 28/2024 del CEPD sobre modelos de IA o las Directrices 1/2024 sobre interés legítimo. Las Directrices articulan de forma sistemática las obligaciones derivadas del Reglamento (UE) 2016/679 (RGPD) y, con ello, dibujan un mapa de cumplimiento que toda organización que desarrolle, entrene o afine modelos de IA debería integrar en sus procesos desde la fase más temprana de obtención de datos.

Qué es el web scraping y su implicación en relación con la protección de datos

El web scraping consiste en la extracción automatizada de información a partir de servicios web públicamente accesibles: registros oficiales, portales de datos abiertos, medios de comunicación, redes sociales, foros y blogs personales. Muchos de estos sitios contienen inevitablemente datos personales, directa o indirectamente identificativos. Su utilización masiva para construir los datasets de entrenamiento de modelos de IA generativa —tecnología diseñada para producir contenido nuevo a partir de patrones aprendidos— ha situado esta técnica en el centro de la agenda regulatoria europea.

El CEPD distingue entre el scraping dirigido, que opera conforme a criterios de recopilación definidos (por ejemplo, todas las URL de un dominio concreto o con contenido en un idioma determinado), y el scraping no dirigido o web crawling sin criterios restrictivos, en el que el software explora y sigue cada enlace descubierto de forma progresiva. Esta segunda modalidad puede terminar rastreando una porción muy extensa de internet, multiplicando exponencialmente el riesgo de recopilar categorías de datos que el responsable ni siquiera conoce con precisión.

Las Directrices descomponen el proceso en cuatro fases sucesivas: la definición de los criterios de recopilación, la extracción propiamente dicha, la limpieza o cleaning de los datos brutos y, finalmente, la estructuración y almacenamiento del dataset resultante. Esta secuencia no es meramente descriptiva: cada etapa genera obligaciones específicas de cumplimiento que el CEPD desarrolla a lo largo del documento.

Los roles en el tratamiento: una cuestión que exige análisis caso por caso

Uno de los primeros aspectos que abordan las Directrices es la calificación de las distintas organizaciones que intervienen en la cadena de valor. La respuesta no es automática: la condición de responsable, corresponsable o encargado del tratamiento debe determinarse atendiendo a las circunstancias fácticas de cada caso y al grado de influencia efectiva sobre los fines y los medios del tratamiento.

La organización que ejecuta materialmente el scraping no es necesariamente responsable del tratamiento. Si un desarrollador de IA encarga a un tercero la recopilación de datos según sus instrucciones documentadas —definiendo fuentes, categorías y criterios de composición del dataset—, el tercero actuará generalmente como encargado y el desarrollador retendrá la condición de responsable. Cuando, en cambio, un desarrollador adquiere un dataset ya recopilado por otra entidad, en principio cada uno responde de su propio tratamiento de forma separada. El CEPD no descarta, sin embargo, la corresponsabilidad: esta surgirá cuando ambas partes determinen conjuntamente los fines y los medios de la recopilación, como ilustra el ejemplo de dos organizaciones que deciden de forma conjunta desarrollar un modelo y distribuyen entre ellas las tareas de scraping y de entrenamiento.

Los principios del RGPD: cómo aterrizarlos en la práctica

Las Directrices recorren los principios del artículo 5 del RGPD aplicándolos específicamente al contexto del web scraping para IA. Lo relevante no es tanto la enumeración de los principios —sobradamente conocidos— como la forma en que el CEPD concreta su alcance operativo en un escenario de recopilación masiva.

En materia de transparencia, el CEPD reconoce una dificultad estructural: cuando se rastrean grandes volúmenes de datos procedentes de fuentes heterogéneas, resulta a menudo imposible o desproporcionadamente costoso identificar e informar individualmente a cada interesado. El artículo 14.5.b) del RGPD contempla esta situación y permite prescindir de la información individual cuando su provisión resulte imposible o exija un esfuerzo desproporcionado, siempre que el responsable realice un ejercicio de ponderación que tenga en cuenta el número de interesados afectados, la antigüedad de los datos y las salvaguardas adoptadas.

En cualquier caso, el responsable debe como mínimo hacer pública la información en su sitio web —mediante una política de privacidad o aviso específico— indicando las categorías de datos, la base jurídica, los fines del tratamiento, las fuentes utilizadas y, en la medida de lo posible, los dominios y URL de las páginas rastreadas, preferiblemente en formato consultable y con indicación de las fechas de recopilación. No se trata de una mera formalidad: el CEPD subraya que esta transparencia activa contribuye también a generar confianza con los interesados cuyos datos han sido recopilados.

Respecto a la minimización de datos, las Directrices desmontan un argumento que se ha utilizado con frecuencia en la industria: el principio de minimización no prohíbe entrenar un modelo con grandes volúmenes de datos, pero sí exige que no se traten datos personales que no sean necesarios, adecuados y pertinentes para la finalidad perseguida. La clave reside en la planificación previa. Antes de iniciar la recopilación, el responsable debería evaluar si puede recurrir a datos sintéticos en lugar de a datos personales reales, definir criterios de recopilación precisos, realizar un inventario de los datos previsibles, aplicar filtros para excluir categorías innecesarias —datos bancarios, de geolocalización o similares— y excluir sitios que contengan estructuralmente datos especialmente sensibles, así como redes sociales utilizadas mayoritariamente por menores. A lo anterior se suma la obligación de respetar las medidas técnicas de oposición al scraping: ficheros robots.txt, archivos ai.txt y mecanismos CAPTCHA, que el CEPD interpreta como indicadores claros de la voluntad del sitio de impedir el rastreo automatizado. Durante y después de la recopilación, las Directrices recomiendan aplicar mecanismos de filtrado basados en expresiones regulares para detectar formatos identificativos (números de la seguridad social, teléfonos), sustituir datos reales por sintéticos cuando sea factible y, en última instancia, anonimizar o seudonimizar el dataset.

En cuanto a la exactitud, el CEPD advierte que el principio no se agota en la fase de recopilación, sino que se proyecta sobre el resultado final del entrenamiento: si el modelo, una vez en el mercado, genera datos personales inexactos en sus salidas, el responsable podría estar infringiendo este principio. Entre las recomendaciones prácticas se apunta recopilar preferentemente de fuentes oficiales y verificadas, registrar marcas temporales (timestamps) de cada extracción y validar los datos antes de incorporarlos al proceso de entrenamiento.

La base legal: el interés legítimo como eje, pero no como carta blanca

El CEPD confirma lo que la práctica ya anticipaba: el interés legítimo del artículo 6.1.f) del RGPD es la base jurídica más frecuentemente invocada por entidades privadas para el scraping destinado al entrenamiento de IA generativa. El consentimiento resulta inviable en la inmensa mayoría de los casos, dado que la recopilación es indirecta, masiva y se realiza sin relación previa con los interesados. Las Directrices recuerdan, de hecho, que la publicación de datos en una página web abierta o la ausencia de un fichero robots.txt no equivalen en ningún caso al consentimiento en el sentido del RGPD.

La aplicación del interés legítimo exige superar tres condiciones acumulativas que el CEPD desarrolla con detalle.

La primera condición —la existencia de un interés legítimo— requiere que el interés sea lícito, claramente articulado y real, no especulativo. El CEPD cita como ejemplos potencialmente legítimos el desarrollo de agentes conversacionales, sistemas de detección de fraude o herramientas de detección de amenazas, y añade que, incluso cuando el uso preciso del modelo no se haya decidido aún, conviene indicar si el desarrollo tiene finalidad comercial, pública o de investigación y si se orienta a un uso interno o externo.

La segunda condición —la necesidad— exige demostrar que el tratamiento es imprescindible para la finalidad perseguida y que no existe una alternativa igualmente eficaz y menos intrusiva. En este punto, el CEPD sugiere que el recurso a datos seudonimizados o sintéticos, o la limitación de los criterios de recopilación para excluir datos personales innecesarios, podrían constituir vías menos invasivas que la recopilación indiscriminada.

La tercera condición —la prueba de ponderación— constituye el núcleo del análisis y probablemente el terreno donde más litigiosidad se producirá. El CEPD identifica varios factores que deben integrarse en la balanza: la autodeterminación informativa del interesado y su derecho a mantener el control sobre sus datos; el posible efecto disuasorio (chilling effect) sobre la libertad de expresión que genera la recopilación masiva e indiscriminada; el riesgo de generación de deepfakes; la naturaleza de los datos tratados —a mayor sensibilidad, mayor peso de los derechos del interesado—; y, muy especialmente, las expectativas razonables de los interesados. Sobre este último punto, el CEPD es claro: no puede presumirse que quien publica datos en internet espera que esos datos sean recopilados para cualquier finalidad, por cualquier entidad y sin límite temporal. Factores como la naturaleza del sitio web, las restricciones técnicas implementadas, el carácter libremente accesible del contenido o si el interesado lo hizo público voluntariamente influyen decisivamente en esta evaluación.

Cuando la prueba de ponderación arroje un resultado desfavorable, el responsable no queda necesariamente desprovisto de opciones. Las Directrices contemplan la posibilidad de introducir medidas mitigadoras que reequilibren la balanza: excluir fuentes o datos especialmente intrusivos; limitar la recopilación a datos libremente accesibles; reforzar la transparencia publicando información detallada sobre las fuentes; facilitar el ejercicio de derechos mediante mecanismos de oposición previa (opt-out); eliminar o anonimizar datos personales lo antes posible; seudonimizar identificadores directos; y adoptar medidas técnicas para limitar los riesgos de memorización y regurgitación del modelo. Un ejemplo ilustrativo que aportan las propias Directrices describe una organización que recopila exclusivamente datos de fuentes libremente accesibles, excluye contenido protegido por derechos de autor conforme a la Directiva (UE) 2019/790 sobre derechos de autor en el mercado único digital,  implementa salvaguardas contra la memorización, facilita el ejercicio de derechos y publica una política de privacidad detallada: en tal supuesto, el CEPD considera que el test de ponderación podría entenderse superado.

Categorías especiales de datos: cuestión delicada

La recopilación masiva mediante scraping plantea un problema de difícil resolución respecto a los datos de categorías especiales del artículo 9 del RGPD: datos que revelen origen étnico, opiniones políticas, convicciones religiosas, datos de salud u orientación sexual, cuyo tratamiento está en principio prohibido. El problema es estructural: por mucho que el responsable implemente filtros y criterios de exclusión, resulta prácticamente inevitable que un rastreo a gran escala termine capturando de forma incidental datos que encajen en alguna de estas categorías.

El CEPD aborda esta dificultad recurriendo a la sentencia del Tribunal de Justicia de la Unión Europea en el asunto GC & Others (C-136/17). En aquel caso, relativo a la actividad de un motor de búsqueda, el TJUE reconoció que las características específicas de determinados tratamientos pueden afectar al alcance de la responsabilidad del operador, de modo que la prohibición del artículo 9.1 del RGPD se aplica "en el marco de sus responsabilidades, competencias y capacidades". El CEPD considera que este razonamiento puede ser trasladable al scraping para IA generativa, siempre que concurran cuatro condiciones: que la actividad de tratamiento presente similitudes relevantes con la de un motor de búsqueda; que el tratamiento de datos especiales sea solo incidental y residual, no intencional; que resulte difícil o imposible determinar ex ante si se están recopilando datos de estas categorías; y que el responsable implemente medidas efectivas dentro del marco de sus responsabilidades, poderes y capacidades.

Las medidas que el CEPD exige son exigentes y abarcan todo el ciclo de vida del modelo. Antes de la recopilación, deben definirse criterios precisos y filtros para prevenir la recogida de datos especiales, excluyendo categorías de sitios web que los contengan estructuralmente. Tras la recopilación, los datos especiales identificados deben eliminarse de los datasets de forma inmediata, también a solicitud del interesado cuando la petición contenga una indicación plausible de que los datos entran en el ámbito del artículo 9.1. Durante el desarrollo del modelo, el responsable debe prevenir la extracción de datos especiales y garantizar resistencia frente a ataques de privacidad conforme al estado de la técnica. Y tras el despliegue, debe monitorizar las salidas del sistema de forma constante, aplicando filtros de contenido para detectar y bloquear la generación de información que revele categorías especiales, e implementando mecanismos de machine unlearning cuando la tecnología lo permita. El CEPD exige, además, que la efectividad de todas estas medidas sea objeto de verificación y evaluación periódicas, y que el responsable pueda demostrar su cumplimiento conforme al principio de responsabilidad proactiva.

En síntesis, las Directrices 03/2026 configuran un marco de cumplimiento exigente para el web scraping en el contexto de la IA generativa. El RGPD se aplica plenamente cuando la recopilación incluye datos personales, con independencia de que estos sean públicamente accesibles en internet. El responsable debe identificar una base jurídica válida —típicamente el interés legítimo, sujeto a un riguroso test de ponderación—, cumplir los principios de transparencia, minimización y exactitud mediante medidas concretas antes, durante y después de la recopilación, y gestionar el riesgo de captura incidental de categorías especiales de datos implementando salvaguardas técnicas y organizativas a lo largo de todo el ciclo de vida del modelo. La determinación de los roles en el tratamiento exige un análisis caso por caso, y el principio de responsabilidad proactiva obliga a documentar y verificar periódicamente la efectividad de todas las medidas adoptadas.