El EDPB propone criterios sobre anonimización y web scraping para entrenar IA generativa (consulta cerrada; versión final pendiente)
Redacción Lexdara · Publicado: · Última actualización: · 8 min de lectura
Revisado por Aldara Fernández Hernández
Las Directrices 02/2026 y 03/2026 del EDPB, cuya consulta pública cerró el 30 de octubre de 2026, fijan tres criterios para considerar anónimos unos datos y las condiciones para recopilar datos de internet con los que entrenar modelos.
Qué ha pasado
El Comité Europeo de Protección de Datos (EDPB) anunció el 8 de julio de 2026 dos documentos clave para cualquier proyecto de IA con datos personales:
- Directrices 02/2026 sobre anonimización.
- Directrices 03/2026 sobre web scraping en el contexto de la IA generativa.
Ambas figuran como versión 1.0, adoptadas el 7 de julio de 2026 según los propios documentos, y estuvieron sometidas a consulta pública hasta el 30 de octubre de 2026. A 8 de noviembre de 2026 no hemos localizado la versión final. En la misma sesión el EDPB aprobó la versión final de sus directrices sobre blockchain.
Importante: no son todavía la posición definitiva del EDPB. El texto puede cambiar tras la consulta.
Anonimización: cuándo dejan de ser personales los datos
La idea central
Los datos son anónimos cuando no se refieren a una persona física identificada o identificable. Si lo son, el RGPD deja de aplicarse. Si no, se aplica entero. Por eso la frontera es decisiva para entrenar modelos o compartir conjuntos de datos.
Desde la perspectiva de quién
El EDPB sostiene que si una información es personal para una entidad concreta se valora desde su propia perspectiva: qué datos y qué medios tiene a su alcance. Un mismo conjunto puede ser anónimo para un destinatario y personal para quien lo generó.
Dos formas de evaluarlo
- Enfoque contextual: tiene en cuenta las capacidades y el acceso a datos de cada entidad. Es más preciso, pero exige más análisis.
- Enfoque simplificado: ignora esas diferencias y trata los datos como personales en caso de duda. Es más prudente y ofrece más seguridad.
Los tres criterios
Para que unos datos sean anónimos deben superarse los tres:
- No se puede aislar el registro de una persona.
- No se pueden vincular los datos con otros conjuntos para identificar a alguien.
- No se pueden hacer inferencias concretas y significativas sobre una persona identificable.
Riesgo «insignificante», no cero
Para valorar si alguien podría identificar a una persona se tienen en cuenta los medios que razonablemente podría utilizar. El EDPB precisa que la probabilidad de identificación no tiene que ser cero, pero sí insignificante en la realidad.
Documentar y revisar
Los responsables deben documentar el proceso de anonimización y conservar esa documentación. El EDPB considera buena práctica revisar periódicamente el riesgo de reidentificación, porque la tecnología y los datos disponibles cambian.
En el caso de los modelos de IA, las directrices remiten al Dictamen 28/2024 del EDPB sobre modelos de IA, que ya advertía de los ataques que permiten extraer datos de entrenamiento.
Web scraping: recopilar datos de internet para entrenar IA
Quién es responsable
Quien ejecuta el rastreo no es necesariamente el responsable del tratamiento. Si un desarrollador encarga el scraping a un tercero con instrucciones documentadas, el tercero puede ser encargado y el desarrollador, responsable. Si ambos deciden juntos fines y medios, puede haber corresponsabilidad.
Base jurídica: interés legítimo, con condiciones
El EDPB analiza el interés legítimo del artículo 6.1.f) del RGPD con sus tres requisitos:
- Un interés legítimo real, actual y claramente formulado, como desarrollar un agente conversacional.
- Necesidad: que no exista una forma igual de eficaz y menos intrusiva.
- Ponderación con los derechos de los afectados: control sobre sus datos, efecto disuasorio sobre la libertad de expresión o riesgo de deepfakes.
Las expectativas razonables y el robots.txt
Las expectativas de los afectados dependen del contexto. No es lo mismo un blog abierto que una red social con acceso restringido. Según el EDPB, esas expectativas se reducen cuando la web usa robots.txt, ai.txt o CAPTCHA para oponerse al rastreo. Y el desarrollador debe excluir de la recopilación los sitios que se oponen claramente al scraping.
Datos sensibles
El tratamiento de categorías especiales (salud, ideología, orientación sexual…) sigue prohibido salvo que se cumpla una excepción del artículo 9.2. El EDPB pide medidas en cada fase: filtros y exclusión de ciertos tipos de webs antes de recopilar, borrado inmediato de los datos sensibles detectados, y filtros de salida y seguimiento una vez desplegado el modelo.
Transparencia
Informar individualmente a millones de personas puede ser un esfuerzo desproporcionado (art. 14.5.b RGPD), pero esa excepción no se puede usar de forma rutinaria. Cuando se use, el responsable debe publicar la información: categorías de datos, fines, base jurídica, fuentes concretas (dominios y URL) y características del rastreador, idealmente en un formato que se pueda buscar.
Minimización, exactitud y derechos
- Valorar datos sintéticos, definir criterios precisos de recogida y aplicar filtros.
- Elegir fuentes oficiales y fiables, registrar la fecha de recogida y validar los datos antes de entrenar.
- Ofrecer un derecho de oposición previo, por ejemplo mediante listas de exclusión que permitan oponerse antes de que se recojan los datos.
Por qué importa
Interpretación: las dos directrices apuntan en la misma dirección. Anonimizar exige una evaluación seria y documentada, no basta con quitar nombres. Y quien entrena con datos de internet necesita justificar su base jurídica, respetar las señales de oposición de las webs y ser transparente. Para los titulares de webs, publicar señales contra el rastreo tiene ahora un efecto también en protección de datos, no solo en propiedad intelectual (donde la Directiva (UE) 2019/790 ya permite reservarse la minería de textos y datos).
A quién afecta
A desarrolladores de modelos, empresas que entrenan o ajustan IA con datos propios o de terceros, proveedores de datasets, investigadores, titulares de webs y plataformas, y a sus asesores jurídicos y DPO.
Qué cambia en la práctica
- Revisa las «anonimizaciones» existentes con los tres criterios y documenta el resultado.
- Si dudas, aplica el enfoque simplificado y trata los datos como personales.
- Antes de hacer scraping, documenta el análisis de interés legítimo, excluye las webs con robots.txt, ai.txt o CAPTCHA y aplica filtros para datos sensibles.
- Publica la información de transparencia con las fuentes y la fecha de recogida.
Qué vigilar
- La versión definitiva de ambas directrices tras la consulta.
- Cómo las aplica la AEPD en procedimientos concretos.
- La sentencia del TJUE en el asunto C-250/25, Like Company contra Google, sobre IA generativa y derechos de autor.
Actualización (8 de noviembre de 2026): la consulta pública cerró el 30 de octubre; hemos actualizado el titular y eliminado la invitación a participar.
Actualización (5 de octubre de 2026): hemos ampliado este artículo con el contenido de ambas directrices y ajustado el titular para dejar claro que siguen en consulta pública.
Preguntas frecuentes
¿Son definitivas las directrices del EDPB sobre anonimización y web scraping?
No. Son la versión 1.0, cuya consulta pública cerró el 30 de octubre de 2026. El EDPB aún no ha publicado la versión final, que puede cambiar.
¿Cuándo son anónimos unos datos según el EDPB?
Cuando no se refieren a una persona identificada o identificable. El EDPB exige superar tres criterios: que no se pueda aislar un registro, vincular datos ni hacer inferencias sobre una persona. El riesgo de reidentificación debe ser insignificante, no necesariamente cero.
¿Es legal el web scraping para entrenar IA?
Puede serlo si se cumple el RGPD: base jurídica (normalmente interés legítimo con su prueba de ponderación), transparencia, minimización y respeto a las webs que se oponen al rastreo.
¿Sirve el robots.txt para proteger mis datos?
Según el EDPB, el uso de robots.txt, ai.txt o CAPTCHA reduce las expectativas razonables de ser rastreado, y el desarrollador debe excluir esas webs de la recopilación.
Sigue leyendo en Lexdara
- Entrenar IA con datos de salud: qué bases jurídicas permite el RGPD
- Qué obligaciones tienen los proveedores de modelos de IA de uso general
- Like Company contra Google: el primer caso sobre IA generativa y derechos de autor ante el TJUE
- Evaluación de impacto (EIPD) en proyectos de IA: cuándo es obligatoria
Qué cambia en la práctica
- Revisa los conjuntos de datos que consideras anónimos con los tres criterios del EDPB y documenta el resultado.
- Antes de hacer scraping, documenta el análisis de interés legítimo y excluye las webs que se oponen al rastreo.
- La consulta pública cerró el 30 de octubre de 2026: vigila la versión final, que puede cambiar estos criterios.
Referencias normativas
- EDPB, Directrices 02/2026 sobre anonimización (versión 1.0, en consulta)
- EDPB, Directrices 03/2026 sobre web scraping en el contexto de la IA generativa (versión 1.0, en consulta)
- EDPB, Dictamen 28/2024 sobre modelos de IA
- RGPD, arts. 4.1, 5, 6.1.f), 9, 14 y 14.5.b); considerando 26
- Directiva (UE) 2019/790, art. 4
Fuentes
- EDPB: Directrices 02/2026 sobre anonimización, versión 1.0 (PDF) (se abre en una pestaña nueva)
- EDPB: Directrices 03/2026 sobre web scraping en el contexto de la IA generativa, versión 1.0 (PDF) (se abre en una pestaña nueva)
- EDPB: nota sobre anonimización, web scraping para IA generativa y blockchain (8/07/2026) (se abre en una pestaña nueva)