¿Tus fotos entrenan IA? Prueba de robots.txt en 8 servicios (2026)

El Reglamento de IA de la Unión Europea obliga desde hace tiempo a los proveedores de modelos de IA de propósito general a publicar un resumen de sus datos de entrenamiento —un avance sobre el papel—. Pero lo que ese resumen nunca aclara es si las plataformas donde guardas tus propias fotos siquiera dejan pasar a esos rastreadores. Eso es justo lo que comprobé, yendo directamente a la fuente, sin apoyarme en resúmenes de terceros.

El resultado primero, las pruebas después

De los 8 servicios de alojamiento de fotos y álbumes compartidos analizados, solo Catbox bloquea por nombre a GPTBot, ClaudeBot, Google-Extended y CCBot en su robots.txt. Flickr consigue un efecto parecido con otro planteamiento. El robots.txt de Imgur no bloquea nada, pero sus términos de servicio prohíben explícitamente a terceros usar el contenido de la plataforma para entrenar IA. En ImgBB y Postimages el robots.txt está vacío, lo que equivale a no tener ninguna regla. lpic.cc tampoco tiene por ahora ninguna regla específica para rastreadores de IA. Todo esto procede de contenido que realmente descargué en septiembre de 2026, no de una lectura indirecta de documentación de terceros.

Cómo se hizo esta comprobación

Descargué directamente con curl el archivo robots.txt de los 8 dominios (no la interpretación de una herramienta externa) y usé además una herramienta de extracción web para leer el texto completo de los términos de servicio de cada plataforma, citando literalmente los pasajes sobre "alcance de la licencia" y "IA / aprendizaje automático". Donde no encontré nada, o donde los términos simplemente no tocaban el tema, lo marqué como "no mencionado" —no relleno ese hueco de memoria.

Comparé cinco rastreadores de IA, cada uno con un propósito distinto:

• GPTBot — rastreador de OpenAI para recopilar datos de entrenamiento
• ClaudeBot — rastreador de Anthropic para recopilar datos de entrenamiento (distinto de Claude-User / Claude-SearchBot, también de Anthropic pero usados para recuperación en tiempo real)
• Google-Extended — token de exclusión propio de Google, pensado específicamente para el entrenamiento de modelos generativos como Gemini, separado de Googlebot, que se encarga del índice de búsqueda
• CCBot — rastreador de Common Crawl; muchos conjuntos de datos de entrenamiento de LLM se elaboran a partir de lo que este recolecta
• PerplexityBot — rastreador de Perplexity

Tabla comparativa completa

Datos actualizados a septiembre de 2026. "No listado" significa que ese user-agent no aparece por nombre en el robots.txt de ese sitio; el trato real depende de en qué regla por defecto termine cayendo.

Servicio	¿Los términos mencionan entrenamiento de IA?	GPTBot	ClaudeBot	Google-Extended	CCBot	PerplexityBot
Catbox	no mencionado	bloqueado (por nombre)	bloqueado (por nombre)	bloqueado (por nombre)	bloqueado (por nombre)	no listado → permitido por la regla *
Flickr	no mencionado	bloqueado (no está en la lista blanca, cae bajo User-agent: * / Disallow: /)	bloqueado (igual; pero Claude-User y Claude-SearchBot, dos UA no orientados a entrenamiento, sí están permitidos por nombre)	bloqueado (igual)	bloqueado (igual)	permitido (incluido por nombre en la lista blanca)
Imgur	sí — prohíbe explícitamente a terceros recopilar o usar el contenido de la plataforma con fines de IA/aprendizaje automático	no listado → permitido por la regla *	no listado → permitido	no listado → permitido	no listado → permitido	no listado → permitido
Google Fotos	los términos generales de Google prohíben "entrenar modelos de machine learning con el contenido de este servicio", sin una mención específica para Fotos	no listado; rutas de compartición/álbum totalmente bloqueadas para *	igual	igual	igual	igual
ImgBB	no mencionado	permitido (robots.txt vacío)	permitido	permitido	permitido	permitido
Postimages	no mencionado	permitido (robots.txt vacío)	permitido	permitido	permitido	permitido
Álbumes compartidos de iCloud	no mencionado; la página de privacidad de Apple Intelligence aclara aparte que el contenido privado no se usa para entrenar modelos base sin consentimiento	no listado; /sharedalbum/, /photos/ totalmente bloqueados para * (excepción: Googlebot permitido en todo el sitio)	igual	igual	igual	igual
lpic.cc	no mencionado; el alcance de la licencia se limita a "almacenamiento, procesamiento (por ejemplo, compresión o conversión de formato) y transmisión", sin una cláusula general de "para cualquier fin"	permitido (Allow: /, solo bloquea /admin/ y /api/)	permitido	permitido	permitido	permitido

robots.txt es solo un pacto de caballeros, y hay que decirlo con claridad

Todo lo anterior muestra "lo que dicen las reglas", no "lo que los rastreadores cumplen realmente en la práctica". robots.txt no tiene ninguna fuerza técnica vinculante: que un rastreador respete una regla Disallow: / depende únicamente de la autodisciplina de quien lo opera. Aquí solo verifiqué el texto de las reglas en sí, sin hacer un análisis de tráfico propio que confirmara si estas cinco empresas de IA realmente cumplen lo que dicen cumplir en su robots.txt —eso exigiría otro tipo de investigación, no una simple lectura de reglas—. Esto es importante para entender bien el apartado sobre lpic.cc más abajo, así que lo dejo claro desde ya.

Análisis servicio por servicio: la lógica detrás de cada regla

Catbox: la lista de bloqueo más completa, con un hueco en PerplexityBot

El robots.txt de Catbox está escrito de la forma más directa posible: primero una regla general para todos los UA (solo bloquea /contact.php, /user/ y algunas otras rutas funcionales), y después una lista con nombre que bloquea a ClaudeBot, Claude-User, Claude-SearchBot, GPTBot, Google-Extended, CCBot, Meta-ExternalAgent, FacebookBot, Bytespider y Applebot-Extended —diez UA de entrenamiento o agregación, bloqueados por completo con Disallow: /.

Pero PerplexityBot no aparece en esa lista. Al no estar listado por nombre, cae en la regla general, así que el sitio le queda abierto (salvo esas pocas rutas funcionales). No sé si esa lista simplemente no se ha actualizado o si es una decisión deliberada (Perplexity se presenta oficialmente como un asistente de búsqueda en tiempo real, no como un rastreador de entrenamiento); no encontré ninguna declaración pública de Catbox que resuelva esa duda, y prefiero no inventar una respuesta. Lo único que se puede afirmar con certeza es que incluso el servicio más minucioso de los ocho tiene un hueco concreto y comprobable.

Flickr: una "lista blanca" que logra el efecto contrario al de Catbox

Flickr hace lo opuesto: primero enumera una larga lista de UA permitidos (Googlebot, bingbot, ChatGPT-User, Claude-SearchBot, Claude-User, OAI-SearchBot, PerplexityBot, entre otros), solo abre el acceso a esos (menos algunas rutas) y termina con una regla final User-agent: * / Disallow: /.

En otras palabras, cualquier UA que no haya sido invitado explícitamente a esa lista blanca queda bloqueado en todo el sitio. GPTBot, ClaudeBot, Google-Extended y CCBot no aparecen en la lista, así que todos caen bajo ese Disallow: / final. El resultado es idéntico al de Catbox —rastreadores de búsqueda o tiempo real permitidos, grandes rastreadores de entrenamiento bloqueados—, solo que conseguido con un método técnicamente opuesto: una lista negra en un caso, una lista blanca en el otro.

Imgur: robots.txt abierto, términos de servicio cerrados con llave

El robots.txt de Imgur no trata de forma especial a ningún UA relacionado con IA; la regla general solo bloquea páginas funcionales de cuenta, descarga y cierre de sesión, dejando abiertas para cualquier rastreador las páginas de imágenes y álbumes. Los términos de servicio, en cambio, son contundentes sobre el uso por parte de terceros:

"...create derivative works based on our service...including for any purposes related to AI machine learning/use on AI platforms..." (parte de la lista de usos prohibidos)

y más adelante:

"...any use of our service...for any commercial purpose, including without limitation AI machine learning, use on AI platforms, etc., you must first obtain our express signed written consent..."

Esta prohibición está dirigida a "terceros", no es una autolimitación: cómo utiliza MediaLab.Ai —la empresa matriz de Imgur— el contenido de su propia plataforma no tiene ninguna cláusula equivalente en los términos. La forma precisa de decirlo sería: Imgur abre la puerta técnicamente a todo el mundo (robots.txt), pero prohíbe legalmente (términos de servicio) usar lo obtenido para entrenar IA. Es una combinación de "te dejo entrar, pero no puedes usar lo que recojas para eso" —estratégicamente lo contrario de Catbox y Flickr, que bloquean técnicamente desde la puerta.

ImgBB, Postimages: reglas directamente vacías

En ambos casos comprobé directamente la respuesta HTTP del robots.txt con curl: Content-Length: 0 —no es un fallo de descarga, el sitio realmente devuelve un archivo vacío—. Sin ninguna regla Disallow, todos los rastreadores (incluidos los cinco de IA) tienen vía libre técnica. Sus términos tampoco mencionan entrenamiento de IA, pero ambos se otorgan a sí mismos una licencia muy amplia sobre el contenido (en el caso de ImgBB, textualmente: "for any purpose, commercial, advertising, or otherwise"). Esa licencia amplia está pensada para la propia plataforma, no es un aval para empresas de IA, pero también significa que nada en los términos impide que la plataforma decida en el futuro licenciar ese contenido para entrenamiento de IA.

Google Fotos, álbumes compartidos de iCloud: quizá la pregunta equivocada

Ninguno de los dos servicios tiene una regla de robots.txt específica para rastreadores de IA, pero su regla general bloquea por completo /photo/, /shared, /sharing (Google Fotos) y /sharedalbum/, /photos/ (iCloud) para cualquier UA que no esté explícitamente autorizado —ninguno de los cinco rastreadores de IA recibe excepción alguna.

Aun así, hay una diferencia estructural respecto a los otros seis servicios: Imgur, ImgBB, Postimages, Catbox, Flickr y lpic.cc están diseñados para que sus páginas de imágenes se puedan consultar públicamente (algunas incluso terminan indexadas; la página de visualización de lpic.cc, en cambio, lleva noindex). Los álbumes de Google Fotos y de iCloud, por defecto, funcionan mediante una URL imposible de adivinar, sin ningún listado público ni enlace interno que lleve hasta ellos. Que robots.txt bloquee o no tiene un impacto limitado en esta arquitectura de "la URL es la llave": un rastreador tendría que conocer primero la URL antes siquiera de poder consultar robots.txt. Es una lógica de protección estructuralmente distinta a la de los otros seis servicios, cuyas páginas son indexables públicamente desde el principio y solo se contienen mediante robots.txt. Conviene distinguirlo bien, para no dar la impresión equivocada de que Google y Apple siguen la misma estrategia que Catbox.

El Reglamento de IA de la UE frente a la realidad de esta comparativa

El Reglamento de IA de la Unión Europea obliga a los proveedores de modelos de IA de propósito general (GPAI) a publicar un resumen público del contenido usado para el entrenamiento, y exige además el cumplimiento del derecho de autor europeo, incluida la obligación de respetar las exclusiones (opt-out) documentadas por los titulares de derechos. Precisamente ahí es donde entra en juego, técnicamente, el bloqueo mediante robots.txt: es una de las formas más habituales en la práctica de señalar ese tipo de exclusión. Varias autoridades europeas de protección de datos —entre ellas la Agencia Española de Protección de Datos (AEPD) y la CNIL francesa— han publicado además sus propias orientaciones sobre cuándo el scraping masivo de contenido personal para entrenar IA cuenta con una base legal válida según el RGPD.

Lo que esto significa para esta comparativa: un bloqueo mediante robots.txt es una señal técnica, no una garantía legal, y el Reglamento de IA no cambia eso directamente —obliga a los proveedores de IA a documentar y respetar las exclusiones expresadas, pero no comprueba automáticamente si un servicio de alojamiento de imágenes concreto ha activado siquiera esa señal—. De los ocho servicios comparados aquí, como se ha visto, solo una minoría la ha activado de forma efectiva.

Lo que Cloudflare acaba de hacer, y su relación con estos servicios

El 15 de septiembre de 2026, Cloudflare publicó oficialmente la entrada de blog "Have it both ways: stay discoverable in search while disallowing AI training", clasificando desde entonces el comportamiento de los rastreadores en tres categorías oficiales: Search (construir un índice de búsqueda), Training (entrenar o ajustar un modelo) y Agent (actuar en tiempo real por encargo de un usuario, por ejemplo para buscar información). A partir de esa fecha, todo dominio que se conecte de nuevo a Cloudflare hereda una configuración por defecto: los sitios con publicidad permiten Search por defecto, bloquean Training y bloquean Agent en las páginas publicitarias; los sitios sin publicidad permiten las tres categorías por defecto. Es la puesta en práctica de la Content Signals Policy introducida en septiembre de 2025 (que define las tres señales search / ai-input / ai-train como una extensión de robots.txt).

No he comprobado, ni afirmo haber comprobado, si estos ocho servicios de alojamiento son clientes de Cloudflare —eso no formaba parte de esta investigación y no se puede deducir de ella—. Sí vale la pena señalar una coincidencia curiosa: la estructura actual del robots.txt de Flickr ya sigue exactamente la lógica que Cloudflare promueve ahora (dejar pasar rastreadores de búsqueda/agentes, bloquear los de entrenamiento), solo que Flickr lo consigue con una lista de UA mantenida manualmente, sin ninguna relación con la nueva configuración por defecto de Cloudflare.

La política actual de lpic.cc (con toda honestidad)

El robots.txt de lpic.cc actualmente se ve así (comprobado en 2026-09):

User-Agent: *
Allow: /
Disallow: /admin/
Disallow: /api/

Sitemap: https://lpic.cc/sitemap-index.xml

No hay ninguna regla específica para GPTBot, ClaudeBot, Google-Extended, CCBot ni PerplexityBot —a este nivel, eso equivale a permitirlos a todos—. En cuanto a los términos de servicio, el alcance de la licencia está redactado así: "autorizas a este servicio a almacenar, procesar (por ejemplo, comprimir o convertir el formato) y transmitir el contenido subido" —un alcance bastante más estrecho que la cláusula general "para cualquier fin" de Imgur, ImgBB o Postimages, pero sin que aparezcan en ningún sitio las palabras "IA" o "aprendizaje automático": ni promesa, ni prohibición.

Juntando ambas cosas, la forma honesta de decirlo es: el robots.txt y los términos de lpic.cc no ofrecen actualmente ningún bloqueo activo contra rastreadores de entrenamiento de IA; en este aspecto está al mismo nivel que Imgur, ImgBB, Postimages, Google Fotos e iCloud, no mejor (la capa de CDN que hay delante del sitio tiene su propia configuración de gestión de rastreadores, que queda fuera del alcance de esta verificación; no nos pronunciamos sobre ella ni le atribuimos ningún efecto de protección). No decimos que subir contenido a lpic.cc tenga menos probabilidades de usarse para entrenar una IA, porque ninguna regla respalda esa afirmación —e incluso una regla como Disallow: GPTBot sería, como se explicó antes, solo un pacto de buena voluntad cuyo cumplimiento real nunca se ha medido—. Seguir el ejemplo de Catbox o de Flickr es una decisión de producto aparte, independiente de que este artículo deba describir con honestidad la situación actual.

Qué servicio elegir según tu prioridad

Lo que te importa	Servicio recomendado	Por qué
Un alojamiento que bloquee de forma activa y técnica a los rastreadores de entrenamiento conocidos	Catbox	su robots.txt bloquea por nombre a 4 de los 5 rastreadores objetivo, el único de esta comparativa que lo hace
Compartir en público y aparecer en buscadores, pero sin que te rastreen los robots de entrenamiento	Flickr	su estructura de lista blanca logra justo el efecto de "indexable pero no entrenable", aunque sea una práctica operativa existente, no una postura pública de Flickr sobre IA
Solo alojar imágenes gratis, sin preocuparte especialmente por el tema de la IA	ImgBB / Postimages	robots.txt sin restricciones, el más rápido de usar, pero con un alcance de licencia muy amplio en sus términos: un consentimiento tácito de facto a "cualquier fin"
El alcance de licencia de la plataforma lo más estrecho posible (solo almacenar/procesar/transmitir)	lpic.cc	el texto de términos más restringido de esta comparativa, aunque sin bloqueo técnico contra rastreadores de IA
Fotos que de entrada no queden expuestas públicamente ni entren en el índice	Álbum compartido de Google Fotos / iCloud	protección por URL no adivinable en lugar de robots.txt, una lógica estructuralmente distinta a la de los otros seis

Preguntas frecuentes

P: Si robots.txt dice Disallow, ¿seguro que una empresa de IA no va a rastrear el sitio? No. robots.txt es un pacto de buena voluntad sin fuerza técnica vinculante. Esta comprobación solo verifica "lo que dice la regla"; si estas cinco empresas de IA cumplen realmente sus propias reglas no se ha medido por separado.

P: Los términos no mencionan el entrenamiento de IA en absoluto, ¿eso significa que mis fotos están más seguras? No. Que no se mencione suele indicar que el tema no era prioritario cuando se redactaron los términos, o que el operador prefiere reservarse margen de maniobra. Combinado con las licencias muy amplias "para cualquier fin" de Imgur, ImgBB o Postimages, esa falta de claridad puede ser un riesgo en vez de una garantía.

P: ¿lpic.cc bloquea específicamente a los rastreadores de entrenamiento de IA? A nivel de robots.txt, no. En la comprobación de septiembre de 2026, los cinco UA objetivo están permitidos a ese nivel (la configuración de gestión de rastreadores a nivel de CDN queda fuera del alcance de esta verificación). Es una descripción honesta del estado actual, no una promesa de que no vaya a cambiar.

P: ¿El Reglamento de IA de la UE obliga a servicios como estos a bloquear rastreadores de IA? No directamente. El Reglamento de IA obliga sobre todo a los proveedores de modelos de IA de propósito general a ser transparentes y a respetar las exclusiones documentadas (por ejemplo, mediante robots.txt); no obliga a cada servicio de alojamiento de imágenes a activar esa exclusión. Que un servicio añada un bloqueo en robots.txt sigue siendo, por ahora, decisión suya.

P: ¿La clasificación en tres categorías de Flickr (Search/Training/Agent) tiene relación directa con la nueva política de Cloudflare? Ninguna relación directa. Es un mecanismo a nivel de la plataforma Cloudflare, aplicable a los dominios conectados a ella; este artículo no comprobó si estos ocho servicios son clientes de Cloudflare. Que las reglas existentes de Flickr produzcan un efecto similar es pura coincidencia, no una reacción al anuncio de Cloudflare.

P: ¿Por qué PerplexityBot no está en la lista de bloqueo de Catbox? Se desconoce el motivo exacto; no encontré ninguna declaración pública de los operadores de Catbox al respecto. Puede deberse a una lista sin actualizar, o a una decisión deliberada —Perplexity se presenta oficialmente como un asistente de búsqueda en tiempo real, distinto de un rastreador puro de recopilación para entrenamiento—. Aquí solo se muestra la discrepancia entre las reglas, sin especular sobre el motivo.

Fuentes y fecha de verificación

Toda la información siguiente procede de contenido original obtenido directamente mediante fetch/curl el 2026-09-25, no de resúmenes de terceros:

• robots.txt de Imgur: https://imgur.com/robots.txt
• Términos de servicio de Imgur: https://imgur.com/tos
• robots.txt de ImgBB: https://imgbb.com/robots.txt (HTTP 200, Content-Length: 0)
• Términos de servicio de ImgBB: https://imgbb.com/tos
• robots.txt de Postimages: https://postimages.org/robots.txt (HTTP 200, Content-Length: 0)
• Términos de servicio de Postimages: https://postimages.org/terms
• robots.txt de Catbox: https://catbox.moe/robots.txt
• Términos/privacidad de Catbox: https://catbox.moe/legal.php
• robots.txt de Flickr: https://www.flickr.com/robots.txt
• Términos de servicio de Flickr: https://www.flickr.com/help/terms
• Política de privacidad de Flickr: https://www.flickr.com/help/privacy
• robots.txt de Google Fotos: https://photos.google.com/robots.txt
• Términos de servicio de Google: https://policies.google.com/terms
• Política de privacidad de Google: https://policies.google.com/privacy
• robots.txt de iCloud: https://www.icloud.com/robots.txt
• Términos de servicio de iCloud: https://www.apple.com/legal/internet-services/icloud/
• Página de privacidad de Apple Intelligence: https://www.apple.com/privacy/features/
• robots.txt de lpic.cc: https://lpic.cc/robots.txt
• Términos de servicio de lpic.cc: página interna /terms, texto i18n correspondiente (termsIntellectualDesc)
• Entrada de blog de Cloudflare (clasificación de rastreadores en tres categorías, publicada el 2026-09-15): https://blog.cloudflare.com/accountable-mixed-use-ai-crawlers/
• Content Signals Policy de Cloudflare (precursora de esta clasificación, publicada el 2025-09-24): https://blog.cloudflare.com/content-signals-policy/