Wikipedia es una de las fuentes más utilizadas para el entrenamiento de IA y los motores de respuesta, y su operador ha venido afirmando con firmeza creciente cómo quiere que esto ocurra. Para los equipos que construyen modelos y productos de IA a partir de datos web, esto importa más allá de un solo sitio web: es el ejemplo más claro hasta ahora de una gran fuente abierta de conocimiento que establece lo que espera de las empresas de IA, y que luego lo hace cumplir.
La historia ha avanzado desde los primeros titulares. Este artículo cubre qué pidió realmente la Wikimedia Foundation, cómo lo está haciendo cumplir y las vías prácticas para acceder a los datos hoy.
Qué pidió realmente Wikipedia
El 10 de noviembre de 2025, la Foundation pidió a los desarrolladores de IA dos cosas: “atribución y apoyo financiero”. Lo segundo significaba que la mayoría de los desarrolladores de IA “deberían acceder correctamente al contenido de Wikipedia a través de la plataforma Wikimedia Enterprise”, que describió como un “producto de pago y opcional”. Esa publicación no usaba la palabra “scraping”; la frase del titular vino de cómo se informó sobre ello.
El lenguaje se endureció durante 2026. En julio, la Foundation escribió que los actores de mala fe “siguen sobrecargando nuestra infraestructura de API pública para rastrear y hacer scraping”, y que para usuarios a gran escala, Enterprise es “una obligación más que una opción deseable”. También dijo que no va a desactivar el acceso público a la API, “ni ahora ni nunca”. Y en una publicación de octubre de 2026 sobre un escrito judicial, escribió que el scraping de sus proyectos “debe hacerse de forma sostenible y conforme a los límites de frecuencia de nuestra API pública o a través de nuestras ofertas de API Enterprise”.
Por qué ahora
Las razones de la Foundation se reducen a dos cifras que se mueven en direcciones opuestas.
Las visitas de personas están bajando. En octubre de 2025 informó que las visitas de páginas humanas habían caído aproximadamente un 8% respecto a los mismos meses de 2024, tras mejorar su detección de bots al encontrar tráfico inusual, principalmente de Brasil, que resultó ser bots diseñados para evadir la detección. Pide a los lectores que interpreten la cifra con cautela, y volvió a actualizar su detección en octubre de 2026, por lo que las cifras posteriores pueden variar.
Las máquinas cuestan más. En abril de 2025 informó que los bots representaban alrededor del 35% de las visitas a páginas, pero al menos el 65% de su tráfico más intensivo en recursos, porque acceden a páginas poco populares que no están en caché. El ancho de banda para descargas multimedia había crecido un 50% desde enero de 2024. Como decía la publicación: “Nuestro contenido es gratuito, nuestra infraestructura no lo es”.
Menos visitantes también significa menos editores y donantes potenciales, razón por la cual la Foundation trata la atribución como algo más que una cortesía.
Cómo se está haciendo cumplir
Esto ya no es solo una petición. En abril de 2026 la Foundation dijo que estaba bloqueando o limitando alrededor del 30% de las solicitudes automatizadas de rastreadores que incumplen sus políticas. Los límites de frecuencia globales de la API terminaron de implementarse en junio de 2026.
| Regla | Qué indica |
|---|---|
| API, sin identificación | 10 solicitudes por minuto |
| API, con User-Agent identificativo, sin inicio de sesión | 200 solicitudes por minuto |
| Rastreo (política de robots) | Respetar robots.txt, promedio por debajo de 20 solicitudes por segundo, menos de 10 simultáneas |
| User agents de navegador en bots | El comportamiento tipo bot “se asumirá malicioso” |
| Sitio de dumps | 3 conexiones por IP |
| Mayor volumen | Se dirige a los usuarios externos hacia Enterprise |
Las vías para acceder a los datos
Tienes más opciones legítimas de las que sugiere el titular.
| Vía | Adecuada para | Límites |
|---|---|---|
| APIs públicas | Consultas pequeñas e identificadas | Los límites de frecuencia indicados arriba |
| Cuenta gratuita de Enterprise | Prototipos y uso moderado | 50.000 solicitudes On-demand y 30 Snapshots al mes, actualizaciones mensuales |
| Enterprise de pago | Producción, actualidad, Realtime | Precios bajo consulta |
| Conjunto de datos de Kaggle | Experimentos con JSON estructurado | Beta, en inglés y francés |
| Dumps y exportaciones de contenido | Copias completas sin conexión | Los dumps XML terminan en enero de 2027 |
| Wikidata | Datos estructurados | Publicado bajo CC0, por lo que no requiere atribución |
La adopción comercial es real pero aún pequeña. En enero de 2026 Wikimedia Enterprise nombró a Amazon, Meta, Microsoft, Mistral AI y Perplexity como nuevos socios, uniéndose a Google y otros. Para su año fiscal 2024-25 informó de 8,3 millones de dólares en ingresos procedentes de 13 clientes comerciales en el nivel de pago.
El acceso no es lo mismo que una licencia
Hay un detalle fácil de pasar por alto. La Foundation dice que la estrategia comercial de Enterprise “no se basa en licencias. Se basa en el acceso”. Pagar compra una entrega fiable, no derechos diferentes. El texto sigue estando bajo CC BY-SA 4.0, sea cual sea la vía utilizada: la reutilización requiere atribución, como un enlace a la página, y el texto modificado debe llevar la misma licencia. Los hechos en sí pueden reutilizarse libremente.
Si entrenar con el texto activa esos términos es algo que todavía no está resuelto. En un escrito amicus en el caso de The New York Times contra OpenAI, publicado el 30 de octubre de 2026, la Foundation argumentó que entrenar un modelo nuevo y diferente puede no requerir cumplir los términos de la licencia, mientras que el uso en motores de respuesta que recuperan y repiten contenido “no debería considerarse un uso legítimo”. Eso es el argumento de una parte, no una sentencia, y puede que no refleje cómo decida un tribunal. Nuestra guía sobre quién es el propietario de los datos extraídos mediante scraping cubre las cuestiones más amplias, y conviene que un abogado revise tu uso específico.
El punto práctico se mantiene en cualquier caso: los productos de recuperación tienen la razón más sólida para incluir atribución. La Foundation ha dicho que una API de Atribución dedicada está entre sus próximos pasos, así que vale la pena diseñar pensando en esto desde ahora.
Qué deberían hacer los equipos de IA y datos
- Averigua cómo lo usas hoy. Revisa los registros de tus rastreadores y los contratos con proveedores. Si Wikipedia te llega a través de un conjunto de datos de terceros, pregunta cómo se recopiló ese dato.
- Elige la vía según la necesidad. Un corpus puntual puede necesitar solo una exportación o un Snapshot. Un motor de respuesta en vivo probablemente necesita Enterprise.
- Identifica a tu cliente. Usa un User-Agent descriptivo con datos de contacto, mantente dentro de los límites publicados y respeta robots.txt.
- Planifica el cambio de los dumps. Si un pipeline depende de los dumps XML, muévelo antes de enero de 2027.
- Conserva registros de la fuente. Guarda la URL de la página y la revisión de cada documento, para que la atribución y la eliminación sigan siendo posibles. Nuestra guía sobre procedencia en el pipeline de entrenamiento de IA muestra cómo.
- Presupuesta el acceso como una partida más. Wikipedia forma parte de un cambio más amplio, junto con los peajes de rastreadores y los estándares de licencias.
Una nota sobre los proxies residenciales
La Foundation menciona los proxies residenciales entre las formas en que algunos operadores de rastreadores eluden sus límites. Nosotros vendemos proxies residenciales, así que, para ser claros: no los uses para esto. Wikipedia ofrece datos a granel, niveles gratuitos y una vía documentada hacia un mayor volumen, y ha pedido que el tráfico a granel siga esa vía. No hay ninguna buena razón para disfrazar un rastreador aquí, y sus políticas indican que tales clientes pueden ser bloqueados.
Los proxies residenciales sirven para una tarea diferente, como ver cómo aparecen las páginas públicas a visitantes locales en distintos mercados. La herramienta adecuada para los datos de Wikipedia es la que Wikipedia proporciona.
La conclusión
El mensaje de Wikipedia ha pasado de ser una petición a convertirse en política respaldada por límites de frecuencia y bloqueos, con una puerta abierta para quien tome la vía oficial. Para la mayoría de los equipos, la respuesta es sencilla: usa las exportaciones, el nivel gratuito o Enterprise, identifica a tu cliente, conserva registros para la atribución y observa cómo tratan los tribunales la cuestión de la licencia. Es una plantilla útil de cómo pueden comportarse otras fuentes abiertas en adelante.
Fuentes y referencias
- Wikimedia Foundation, In the AI era, Wikipedia has never been more valuable (10 de noviembre de 2025): wikimediafoundation.org
- Wikimedia Foundation, sobre Wikimedia Enterprise y la protección de Wikipedia (16 de julio de 2026): wikimediafoundation.org
- Wikimedia Foundation, escrito amicus en New York Times v. OpenAI (30 de octubre de 2026): wikimediafoundation.org
- Diff, New user trends on Wikipedia (17 de octubre de 2025): diff.wikimedia.org
- Diff, How crawlers impact the operations of the Wikimedia projects (1 de abril de 2025): diff.wikimedia.org
- Diff, Quo vadis, crawlers? (26 de marzo de 2026): diff.wikimedia.org
- Diff, Wikimedia Enterprise financial report, fiscal year 2024-2025: diff.wikimedia.org
- Wikimedia Enterprise, socios (15 de enero de 2026) y precios: enterprise.wikimedia.com, enterprise.wikimedia.com/pricing
- Wikimedia Enterprise, conjunto de datos de Kaggle: enterprise.wikimedia.com
- Wikimedia APIs, límites de frecuencia: mediawiki.org
- Política de robots de Wikimedia: wikitech.wikimedia.org
- Política de User-Agent de Wikimedia y Términos de uso: foundation.wikimedia.org, foundation.wikimedia.org
- Dumps de Wikimedia: dumps.wikimedia.org