¿Es legal el web scraping? Leyes y buenas prácticas
Las normativas legales han cambiado en el mercado del web scraping. Mientras que los litigios solían centrarse en el acceso no autorizado, nuevas demandas relacionadas con el entrenamiento de IA y las soluciones técnicas alternativas están definiendo las prácticas aceptables.
Aviso legal: Nuestro trabajo tiene fines informativos y no constituye asesoramiento jurídico; solicite asesoramiento jurídico profesional para orientación específica.
¿Es legal el web scraping?
Extraer datos públicamente disponibles suele ser legal, pero no existe una norma general que lo haga legal en todas partes. La legalidad depende de cómo, qué y por qué haces scraping, y de la jurisdicción.
En la UE, los proveedores de models de IA de propósito general deben respetar las reservas de derechos, como las exclusiones voluntarias legibles por máquina, al recopilar datos de entrenamiento. Estas obligaciones en virtud de la Ley de IA se aplican desde el 2 de agosto de 20251
El web scraping puede ser legal cuando:
- Priorice el scraping sin iniciar sesión: Extraiga datos públicamente disponibles de páginas web accesibles sin inicio de sesión, suscripción ni pago.
- Evite la elusión técnica: No eluda los CAPTCHA, los muros de inicio de sesión, los límites de velocidad ni los bloqueos de IP, y respete las condiciones de servicio del sitio web, el archivo robots.txt y los derechos de autor.
- Alinee sus prácticas con las políticas de uso comercial: Las demandas en curso sobre el entrenamiento de IA, como las demandas de Reddit contra Anthropic y Perplexity, están poniendo a prueba reclamaciones contractuales, antielusión y de derechos de autor contra los desarrolladores de IA.
- Cumpla las leyes globales de privacidad: No recopile datos personales o sensibles, como nombres o información de contacto, de una manera que infrinja las leyes de privacidad, incluidos el Reglamento General de Protección de Datos (RGPD) y la Ley de Privacidad del Consumidor de California (CCPA).
Para más información sobre la recopilación ética de datos, consulte nuestro benchmark de datos web ético y conforme.
Últimas novedades legales sobre web scraping
Aunque el web scraping puede ser legal, las empresas no desean ser objeto de scraping. Si estas plataformas pueden demostrar que ser objeto de scraping por parte de un bot daña su infraestructura u operaciones, entonces esa actividad puede ser considerada ilegal por el tribunal.
A continuación se presentan demandas importantes por scraping, principalmente de EE. UU. Los resultados varían: en algunos, los tribunales se pusieron del lado del sitio web scrapeado; en otros, del scraper.
Reddit contra Perplexity AI y servicios de scraping
Tribunal: Tribunal de Distrito de los EE. UU. para el Distrito Sur de Nueva York
Cronología: Octubre de 2025 – Presente (Caso activo)
Reddit demandó al motor de búsqueda de IA Perplexity AI y a tres importantes proveedores de scraping/proxy (SerpApi, Oxylabs, AWMProxy) por la recopilación de datos a escala industrial y la elusión de barreras técnicas. 2
Conflicto:
Reddit alega que los demandados participaron en un plan «estilo robo de banco» para robar contenido protegido por derechos de autor. En lugar de celebrar acuerdos de licencia (como OpenAI y Google), Perplexity utilizó herramientas de scraping especializadas para eludir las defensas de Reddit.
Argumentos jurídicos:
- Scraping indirecto a través de Google: Los demandados eludieron los bloqueos del propio Reddit extrayendo el contenido de Reddit directamente de los Resultados de búsqueda de Google (SERPs).
- Violaciones de la DMCA: A diferencia de casos anteriores de «datos públicos» (como hiQ), Reddit invoca la Sección 1201 de la Ley de Derechos de Autor de la Era Digital (DMCA). Alegan que los demandados no «accedieron» a los datos, sino que eludieron deliberadamente «medidas tecnológicas» (límites de velocidad, captchas y SearchGuard).
- Negativa a conceder licencias: Reddit destaca que, mientras otros gigantes de la IA pagan por el acceso a los datos, Perplexity aumentó su volumen de scraping 40 veces después de recibir una carta de cese y desistimiento, optando por «la elusión en lugar de la cooperación».
Estado actual:
A finales de 2025, el caso sigue en curso y no se ha dictado sentencia definitiva.
Reddit contra Anthropic
Tribunal: Tribunal Superior de California en San Francisco
Cronología: Junio de 2025 – Presente (Litigio activo)
Reddit demandó a Anthropic en junio de 2025, alegando que Anthropic accedió a Reddit y utilizó su contenido para entrenar models de IA sin licencia, incumpliendo el acuerdo de usuario de Reddit. Las reclamaciones de Reddit son demandas de derecho estatal, incluidos el incumplimiento de contrato, el enriquecimiento injusto y la competencia desleal, en lugar de reclamaciones por derechos de autor. Anthropic impugna las reclamaciones.
Estado actual:
A finales de 2025, no se ha dictado ninguna sentencia judicial definitiva. El caso se encuentra actualmente en la fase de descubrimiento previa al juicio. Anthropic ha solicitado que se desestimen partes del caso, argumentando que los datos fácticos no son protegibles por derechos de autor.
Caso LinkedIn contra hiQ Labs
Tribunal: Tribunal de Distrito de los EE. UU. / Tribunal de Apelaciones del Noveno Circuito
Cronología: 2017–2022
LinkedIn demandó a hiQ Labs, una empresa de análisis de datos, por extraer perfiles públicamente disponibles para realizar un análisis de competencias profesionales.3 Varios tribunales, incluido el Tribunal Supremo, revisaron el caso:
- El Noveno Circuito se puso inicialmente del lado de hiQ, al considerar que extraer perfiles públicamente disponibles probablemente no infringe la Ley de Fraude y Abuso Informático (CFAA)4
- En 2021, el Tribunal Supremo anuló esa decisión y devolvió el caso para su reconsideración a la luz de Van Buren contra Estados Unidos. En 2022, el Noveno Circuito reafirmó su criterio de que extraer datos públicamente accesibles probablemente no constituye acceso «sin autorización» en virtud de la CFAA.
Sin embargo, a finales de 2022, el tribunal de distrito determinó que hiQ había incumplido el Acuerdo de Usuario de LinkedIn, y las partes llegaron a un acuerdo con una sentencia contra hiQ. El caso demuestra que, incluso cuando la CFAA no se aplica, incumplir las condiciones de un sitio web puede seguir generando responsabilidad.
Meta contra Bright Data
Tribunal: Tribunal de Distrito de los EE. UU. para el Distrito Norte de California
Cronología: 2023–2024
Tipo de caso: Demanda civil por incumplimiento de contrato y extracción no autorizada de datos
En enero de 2023, Meta inició una demanda contra Bright Data, alegando que esta había extraído ilegalmente datos de las plataformas Facebook e Instagram de Meta. Curiosamente, Bright Data impugnó las afirmaciones de Meta sobre sus derechos de extracción de datos, lo que llevó a ambas partes a los tribunales.
El tribunal falló a favor de Bright Data, al considerar que no había pruebas suficientes para demostrar que Bright Data había extraído datos no públicos o accedido a datos mientras estaba conectada a cuentas de usuario. En febrero de 2024, Meta decidió retirar las reclamaciones restantes contra Bright Data.5
¿Meta (Facebook/Instagram) prohíbe toda la recopilación automatizada de datos?
Si ha leído las condiciones de uso de Instagram, probablemente haya visto la cláusula que establece que «está prohibido el scraping por medios automatizados».
Sin embargo, la realidad jurídica es más compleja. En el histórico caso Meta contra Bright Data (2024), el tribunal dictaminó que, si se extraen datos públicos sin haber iniciado sesión, las condiciones de Meta no se aplican necesariamente porque no se firma un contrato al iniciar sesión.
Muchos sitios web incluyen una advertencia de «condiciones de Facebook, recopilación automatizada de datos, scraping prohibido». Pero, como se ve en las recientes novedades legales sobre web scraping, los tribunales distinguen cada vez más entre los datos que están detrás de un muro de inicio de sesión y los datos disponibles en la web abierta.
X Corp. contra Bright Data
Tribunal: Tribunal de Distrito de los EE. UU. para el Distrito Norte de California
Cronología: 2023–en curso
Tipo de caso: Acceso no autorizado a datos en virtud de las leyes de fraude informático y violaciones de propiedad intelectual
En julio de 2023, X Corp. presentó una demanda contra Bright Data, alegando que Bright Data violó sus condiciones de servicio al extraer y vender grandes cantidades de datos de la plataforma X. 6La acción legal en California se refería al acceso de Bright Data a los datos públicos de Twitter.
En mayo de 2024, el tribunal desestimó las reclamaciones de X, al considerar que sus reclamaciones de derecho estatal sobre la extracción de publicaciones públicas estaban excluidas por la ley federal de derechos de autor, ya que X no es propietaria del contenido que publican sus usuarios.
Caso eBay contra Bidder’s Edge
Tribunal: Tribunal de Distrito de los Estados Unidos para el Distrito Norte de California
Cronología: 1999–2000
Tipo de caso: Demanda civil por intromisión en bienes muebles, en la que eBay acusó a Bidder’s Edge de extraer ilegalmente su sitio mediante bots automatizados de recopilación de datos.
Bidder’s Edge (BE), un sitio web de comparación de precios en línea, utilizó herramientas de web scraping para agregar listados de subastas de varias plataformas, incluida eBay, sin permiso. eBay alegó que los bots automatizados de BE provocaron un uso no autorizado de sus sistemas.
La orden judicial impedía que Bidger’s Edge volviera a extraer contenido de eBay. El principal argumento que ganó eBay fue que Bidger’s Edge estaba sobrecargando su sistema y que otras personas que siguieran a Bidger’s Edge podrían causar más daños al sistema de eBay.
Caso Facebook contra Power Ventures
Tribunal: Tribunal de Distrito de los EE. UU. para el Distrito Norte de California
Posteriormente, se apeló ante el Tribunal de Apelaciones de los EE. UU. para el Noveno Circuito
Cronología: 2008–2017
Tipo de caso: Demanda civil en virtud de la CFAA y de la ley de California contra la piratería informática, en la que Facebook alegó acceso no autorizado a su plataforma.
En 2008, Facebook demandó a Power Ventures, que agregaba datos de redes sociales de los usuarios y utilizaba sus cuentas de Facebook para enviar mensajes promocionales. En 2016, el Noveno Circuito determinó que Power infringió la CFAA y la ley de California contra la piratería informática al seguir accediendo a Facebook después de recibir una carta de cese y desistimiento y de que se bloquearan sus direcciones IP. Se ordenó a Power Ventures pagar daños y perjuicios.7
Últimas regulaciones sobre web scraping por país
Estados Unidos
Situación jurídica: Ninguna ley federal por sí sola prohíbe el web scraping, pero pueden aplicarse varias leyes.
Dependiendo de cómo y qué extraiga, pueden aplicarse la CFAA, la disposición antielusión de la DMCA (Sección 1201), la ley de derechos de autor, las reclamaciones estatales por incumplimiento de contrato e intromisión en bienes muebles, y las leyes estatales de privacidad como la CCPA. La Ley BOTS de 2016 prohíbe específicamente el uso de bots para eludir los límites de compra de entradas.8
Unión Europea y el Reino Unido
Situación jurídica: Ninguna ley única de la UE regula el web scraping. Su legalidad depende de los derechos de autor, los derechos sobre bases de datos, la legislación de protección de datos y las condiciones contractuales.
Derechos de autor y minería de textos y datos: La Directiva sobre los derechos de autor en el mercado único digital (Directiva (UE) 2019/790) introdujo dos excepciones de minería de textos y datos (TDM). El artículo 3 permite a los organismos de investigación y a las instituciones de patrimonio cultural realizar TDM con fines de investigación científica sobre obras a las que tengan acceso lícito. El artículo 4 permite a cualquier persona con acceso lícito realizar TDM con cualquier finalidad, incluido el uso comercial, salvo que el titular de los derechos haya reservado expresamente sus derechos. Para los contenidos publicados en línea, la reserva debe realizarse de manera adecuada, por ejemplo mediante medios legibles por máquina. Estas excepciones cubren las reproducciones realizadas para la TDM; no hacen lícita toda reproducción de contenidos públicamente disponibles. Al tratarse de una directiva, cada Estado miembro la ha transpuesto a su legislación nacional y los detalles varían. 9
Derechos sobre bases de datos: La Directiva de bases de datos (96/9/CE) otorga a los fabricantes de bases de datos un derecho sui generis que puede prohibir la extracción o reutilización de la totalidad o de una parte sustancial de una base de datos, incluso cuando los elementos individuales no estén protegidos por derechos de autor.
Datos personales: El RGPD se aplica a la extracción de datos personales, incluso cuando los datos están públicamente disponibles. No prohíbe por completo dicha extracción, pero el scraper necesita una base jurídica, a menudo el interés legítimo, lo que exige una prueba de equilibrio. El scraper también debe, por lo general, informar a las personas cuyos datos recopila y limitar la recogida a lo necesario.
Entrenamiento de IA: En virtud de la Ley de IA (Reglamento (UE) 2024/1689), los proveedores de models de IA de propósito general deben establecer una política para cumplir la legislación de la UE sobre derechos de autor, incluida la identificación y el respeto de las reservas de derechos realizadas en virtud del artículo 4, apartado 3, de la Directiva DSM (artículo 53, apartado 1, letra c)). 10
Reino Unido: El Reino Unido no incorporó la Directiva DSM. Su excepción de TDM (artículo 29A de la Ley de Derechos de Autor, Diseños y Patentes de 1988) cubre únicamente la investigación no comercial realizada por personas con acceso lícito. El RGPD del Reino Unido y el derecho sui generis sobre bases de datos del Reino Unido se aplican en paralelo.
Lo que se debe y no se debe hacer en el web scraping legal y ético
Desde el punto de vista jurídico, una pregunta que las empresas deberían hacerse es si sus actos de scraping perjudican al sitio web scrapeado. Si la actividad de scraping:
- Es demasiado intensa, lo que puede interrumpir los servicios del sitio web scrapeado
- Los datos extraídos se utilizan para duplicar la actividad o el servicio de ese sitio web, aunque no existan regulaciones.
El sitio web tendría motivos para presentar una demanda contra el scraper.
Desde un punto de vista ético, dado que el web scraping tiene muchos casos de uso y proveedores profesionales en el mercado, no hay ninguna vergüenza en utilizarlo con fines empresariales. Existen buenas prácticas técnicas de web scraping que reducirán la carga de tráfico en el sitio web scrapeado, como:
- Utilizar las APIs del sitio web en lugar del web scraping, cuando estén disponibles.
- Programar los rastreos durante las horas de menor actividad.
- Almacenar páginas en caché para evitar solicitudes repetidas.
Siempre que encuentre un web scraper de confianza con el que trabajar o se asegure de que sus recursos técnicos tengan en cuenta estas prácticas, podrá defender su web scraping como ético para sus fines empresariales.
Lo que se debe hacer:
- Extraiga los datos que necesita definiendo el caso de negocio exacto y personalizando su tecnología de rastreo web en consecuencia. Esto minimizará el riesgo de agotar el sitio web scrapeado con tráfico no deseado.
- Lea siempre las condiciones de uso del sitio web scrapeado. Además de las condiciones de uso comerciales, los sitios web también tienen un archivo robots.txt que especifica los permisos para el contenido del sitio web. Su solución de rastreo web o sus expertos técnicos deberían ayudarle a cumplir estos permisos.
- Sea transparente sobre su web scraping y esté preparado para explicar su proceso de scraping a fin de asegurar a los demás que su enfoque es legal y ético.
Lo que no se debe hacer:
- No agote el sitio web scrapeado con demasiada frecuencia ni con extracciones demasiado amplias. Esto también aumentará la probabilidad de que el sitio web scrapeado bloquee su rastreador.
- No recopile datos personales salvo que disponga de una base jurídica en virtud de las leyes de privacidad aplicables, como el RGPD; los permisos de robots.txt no la proporcionan. Si los recopila, minimícelos y seudonimícelos.
- No exponga al público los datos extraídos. Asegúrese de que se almacenen de forma segura, como los datos de su propia empresa. Nunca se sabe con qué fines podrían utilizarse si se filtran.
Organizaciones para el web scraping ético
Las principales empresas de infraestructura de datos web han formado asociaciones para alinear a su sector y a las partes interesadas en el uso ético del web scraping. Estas asociaciones son:
- Alliance for Responsible Data Collection, que incluye a Bright Data y Common Crawl, entre otras partes interesadas.
- Ethical Web Data Collection Initiative (EWDCI), que incluye a Oxylabs, ProxyEmpire, Zyte, entre otros.
¿Es legal extraer datos para el entrenamiento de IA?
La situación jurídica de la extracción de datos depende del tipo de datos, de su ubicación y de los métodos utilizados para acceder a ellos. Muchas leyes pertinentes están siendo interpretadas y establecidas por los tribunales.
En los Estados Unidos, el Noveno Circuito sostuvo en hiQ contra LinkedIn que extraer datos públicamente accesibles sin inicio de sesión probablemente no infringe la CFAA. Esa decisión se basó en parte en la interpretación restrictiva del Tribunal Supremo de la expresión «excede el acceso autorizado» en Van Buren contra Estados Unidos (2021), un caso que no versaba sobre scraping. Por separado, en Meta contra Bright Data, el tribunal consideró que las condiciones de Meta no impedían el scraping de datos públicos sin haber iniciado sesión, una decisión contractual y no basada en la CFAA.
Si el uso de datos extraídos para entrenar models de IA infringe los derechos de autor es una cuestión distinta que los tribunales de EE. UU. y de otros lugares aún están decidiendo.
Añadir como fuente preferidaPreguntas frecuentes
Si las condiciones de servicio (ToS) de un sitio web prohíben expresamente extraer, acceder o recopilar datos de ese sitio por medios automatizados, hacerlo puede constituir una violación de dichas condiciones.
El incumplimiento de las condiciones de servicio por sí solo suele tratarse como una cuestión contractual y no como una violación de la CFAA. Sin embargo, seguir accediendo a un sitio después de que el permiso haya sido revocado explícitamente, por ejemplo mediante una carta de cese y desistimiento o el bloqueo de IP, puede generar un riesgo de violación de la CFAA, como en Facebook contra Power Ventures. Puede ponerse en contacto con el propietario del sitio para solicitar permiso o utilizar las APIs oficiales.
No por sí solo. Los tribunales tratan las violaciones de las condiciones de servicio como una cuestión contractual civil, no como un delito penal. Sin embargo, una violación puede respaldar demandas por incumplimiento de contrato y reforzar reclamaciones en virtud de otras leyes, en particular después de una notificación explícita, como una carta de cese y desistimiento.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{karatas2026,
author = {Karatas, Gulbahar},
title = {{¿Es legal el web scraping? Leyes y buenas prácticas}},
year = {2026},
month = oct,
howpublished = {\url{https://aimultiple.com/is-web-scraping-legal}},
note = {AIMultiple. Recuperado el 26 de octubre de 2026}
}Registro de cambios
2 actualizacionesAñadida la sección "¿Es legal el scraping de datos para entrenar IA?" y la guía de la UE sobre scraping para IA en las FAQ.
Enlaces de referencia
Siguiente para leer
Las 5 mejores extensiones gratuitas de Chrome para web scraping
Web Scraping a Gran Escala: 7 Proveedores Comparados
Las mejores bibliotecas de web scraping en Python
Comentarios 1
Comparte tus ideas
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.
Thank you for the great and well-written articles. Can you write an article explaining the limits and/ or usefulness of using a website’s APIs rather than web scraping, when available. Instagram & TikTok website APIs for example are limited to what type of data can be extracted. My understanding is that not everything can be scrapped using their websites API. Looking forward to your response. Thank you.