Anthropic es una empresa estadounidense dedicada a la inteligencia artificial (IA) fundada en 2021 por antiguos miembros de OpenAI, entre ellos Dario Amodei (exvicepresidente de investigación de OpenAI). La creación de Anthropic es el resultado de desacuerdos sobre la visión estratégica de OpenAI en su momento y de su alianza con Microsoft en 2019.

Anthropic ha optado por especializarse en el desarrollo de inteligencia artificial general y modelos de lenguaje, con una filosofía empresarial centrada en el uso responsable de la IA. Este enfoque no ha dejado de atraer la atención y las inversiones de gigantes tecnológicos como Amazon y Google, que recientemente han inyectado varios miles de millones de dólares en la empresa.

Uno de los proyectos estrella de Anthropic es Claude, un chatbot similar a ChatGPT. Claude utiliza una interfaz de mensajería en la que los usuarios pueden enviar preguntas o solicitudes y recibir respuestas muy detalladas y pertinentes.

Exploración

Un rastreador web, también conocido como araña o robot de indexación, es un programa informático que recorre la web siguiendo los enlaces hipertextuales de una página web a otra. Su objetivo principal es indexar el contenido de estas páginas para los motores de búsqueda, mejorando así la calidad de los resultados de búsqueda. Es lo que utilizan, por ejemplo, Google y Apple para Safari con sus propios modelos (GoogleBot y AppleBot).

En el caso de Anthropic, la empresa utiliza un rastreador web para entrenar su modelo de lenguaje (LLM, Large Language Models). Por lo tanto, el rastreador recopilará enormes cantidades de datos textuales de diversas fuentes en línea. A continuación, estos datos se utilizan para entrenar el LLM, lo que le permite comprender y generar lenguaje humano de forma más precisa y natural.

El rastreador web de Anthropic está diseñado para respetar las normas de rastreo definidas en el archivo robots.txt de cada sitio web, lo que garantiza una recopilación de datos ética y respetuosa con la privacidad (este archivo indica a los robots de rastreo de un motor de búsqueda las URL a las que pueden acceder en el sitio web). Además, la empresa se compromete a filtrar y depurar los datos recopilados para eliminar cualquier contenido inapropiado o perjudicial, reforzando así la integridad y la fiabilidad de su LLM. Sin embargo, al parecer, algunos administradores de sitios web se han quejado recientemente en las redes sociales del rastreador web de Antropic.
 

Derechos de autor

Numerosos usuarios han expresado su frustración ante las prácticas de Anthropic y de su bot, ClaudeBot. Un usuario en particular ha destacado la supuesta hipocresía de las empresas que advierten a los usuarios de que no utilicen textos protegidos por derechos de autor en sus entradas, mientras entrenan sus modelos con un desprecio flagrante por los derechos de autor. Esta situación se percibe como una injusticia, en la que las normas solo se aplicarían a los usuarios comunes y no a las empresas.

Otro usuario se pregunta si ClaudeBot respeta el archivo robots.txt, un estándar utilizado por los sitios web para controlar el acceso de los robots de rastreo. A pesar de las instrucciones específicas que prohíben a ClaudeBot rastrear determinados sitios web, este seguiría haciéndolo, lo que ha llevado a algunos administradores a plantearse seriamente bloquear las direcciones IP asociadas al bot.

Un usuario ha compartido su experiencia al recibir un tráfico masivo de bots procedente de Anthropic. Otro expresó su frustración con ClaudeBot, llegando incluso a solicitar su bloqueo. Estos testimonios ponen de manifiesto las preocupaciones y los retos a los que se enfrentan los propietarios de sitios web y los usuarios debido al comportamiento agresivo de ClaudeBot, que llega incluso a provocar el colapso de los sitios web.

Por otro lado, otros usuarios han compartido una observación, señalando que ClaudeBot era el principal rastreador, superando incluso a GoogleBot, al tiempo que subrayaban que la gestión del tráfico de bots es esencial en la era de la IA, lo que explica el comportamiento de ClaudeBot.
 

Llamamientos a la regulación

Esta situación plantea cuestiones importantes sobre los derechos de autor en el aprendizaje de la IA. Aunque las empresas insisten en que los usuarios de sus modelos de IA respeten los derechos de autor, parece haber una disparidad en la forma en que abordan este problema a la hora de entrenar sus propios modelos.

Los derechos de autor son fundamentales para la protección de la propiedad intelectual y el fomento de la creatividad. Sin embargo, en la era de la IA, donde los datos son el motor de la innovación, puede resultar difícil conciliar estos dos imperativos.

Por un lado, es comprensible que las empresas de IA traten de recopilar tantos datos como sea posible para mejorar sus modelos. Por otro lado, es igualmente legítimo que los propietarios de sitios web y los creadores de contenidos protejan sus obras y controlen la forma en que se utilizan.

Por lo tanto, es necesario encontrar un equilibrio entre estas dos necesidades. Esto podría implicar cambios en la forma en que concebimos los derechos de autor en el contexto de la IA, así como un mayor esfuerzo por parte de las empresas de IA para respetar los deseos y los derechos de los propietarios de sitios web y los creadores de contenidos. 

Ante la exploración masiva de Internet por parte de los bots, resulta imperativo que Europa acelere la regulación de la IA antes de que las innovaciones técnicas hagan que la nueva ley (en preparación) quede obsoleta nada más entrar en vigor. 

A título informativo, el marco normativo se estableció en abril de 2021, la propuesta de hoja de ruta en mayo de 2022 y la posición negociadora sobre la ley de IA se adoptó el 14 de junio de 2023.