El web scraping no entrenará la próxima IA

Durante quince años, una suposición implícita ha impulsado toda la IA moderna: todo lo que un modelo necesita ya está en Internet, solo hay que ir a buscarlo. Esa suposición está muriendo. Y con ella, está naciendo un mercado completamente nuevo, entre quienes construyen los modelos del mañana y quienes poseen los datos del mundo real.

Aquí explico por qué creo que 2026 será el año en que los datos dejarán de ser una materia prima gratuita y se convertirán en un activo estratégico que se comercializa.

1. La web está alcanzando su límite y empezando a envenenarse a sí misma

El punto de inflexión no es una opinión. Es aritmética.

Según Epoch AI, el stock total de texto humano de alta calidad disponible públicamente ronda los 300 billones de tokens, y los modelos grandes habrán agotado ese stock entre 2026 y 2032, con una proyección mediana alrededor de 2028 (Epoch AI, "Will we run out of data?", ICML 2024).

Esta no es la preocupación de unos pocos investigadores aislados. En diciembre de 2024, en NeurIPS, Ilya Sutskever, cofundador de OpenAI, lo dijo sin rodeos: "El preentrenamiento tal como lo conocemos terminará", porque "la computación está creciendo, pero los datos no, porque solo tenemos un Internet". Llamó a los datos "el combustible fósil de la IA": se crearon una vez, los hemos consumido y hemos alcanzado el "pico de datos" (informado por The Verge, diciembre de 2024).

Peor aún: el pozo se está contaminando. Un estudio publicado en Nature (Shumailov et al., julio de 2024) demostró el "colapso del modelo", un modelo entrenado recursivamente con contenido generado por IA se degrada y pierde información sobre la distribución real del mundo. Y la web se está llenando precisamente de ese contenido: según Graphite, la proporción de artículos publicados generados por IA superó a los escritos por humanos ya en noviembre de 2024 (≈ 52% para mayo de 2025). El reservorio del que extrajimos ahora se está llenando con el reflejo de los propios modelos.

Y las puertas se están cerrando. Desde el 1 de julio de 2025, Cloudflare, que da servicio aproximadamente a una quinta parte de la web, bloquea los rastreadores de IA por defecto. Por parte de los editores, casi la mitad de todos los sitios de noticias ahora bloquean al menos un rastreador de IA. En el frente legal, The New York Times v. OpenAI (presentado a finales de 2023) sobrevivió a la moción de desestimación en 2025 y continúa por el fondo.

La conclusión de la primera parte: el recurso que hizo posible la IA generativa —el texto público gratuito— se está volviendo finito, contaminado, bloqueado y disputado, todo al mismo tiempo.

2. Los laboratorios ya han empezado a pagar

La mejor prueba de que el web scraping ya no es suficiente es que las empresas que vivían de él están sacando la chequera.

• OpenAI – News Corp: un acuerdo de licencia valorado supuestamente en más de 250 millones de dólares durante 5 años (informado por el WSJ, mayo de 2024).
• Google – Reddit: aproximadamente 60 millones de dólares al año por acceso a datos (informado por Reuters, febrero de 2024).
• OpenAI – Axel Springer, Financial Times, Le Monde, Associated Press… una cascada de acuerdos entre 2024 y 2025, desde "decenas de millones" hasta sumas no reveladas.

Mientras tanto, se está construyendo la infraestructura del mercado: Microsoft anunció a principios de 2026 un "Publisher Content Marketplace" para intermediar licencias de contenido entre editores y desarrolladores de IA. Y la asombrosa valoración de Scale AI —~29 mil millones de dólares después de la inversión de Meta de ~14.3 mil millones de dólares por una participación de ~49% (junio de 2025)— dice algo simple: los datos de entrenamiento son ahora un activo de nivel estratégico.

El mensaje es claro. Los datos ya no se extraen con web scraping. Se licencian, se negocian, se compran.

3. El verdadero cambio: los modelos del mañana no necesitan más web, necesitan algo más

Este es el punto que la mayoría de los análisis pasan por alto.

La próxima frontera de la IA no es un LLM más. Son los modelos del mundo y la IA física: sistemas que no solo manipulan el lenguaje, sino que modelan, simulan y actúan en el mundo real.

• NVIDIA lanzó Cosmos en CES (enero de 2025), una familia de modelos fundacionales del mundo para IA física. Jensen Huang lo llama "el momento ChatGPT para la robótica". Estos modelos se alimentan de petabytes de datos de video y sensores; NVIDIA afirma haber procesado 20 millones de horas de video en 14 días.
• Google DeepMind presentó Genie 2 (diciembre de 2024) y luego Genie 3 (agosto de 2025): modelos capaces de generar mundos jugables e interactivos para entrenar agentes encarnados.
• Fei-Fei Li, la madrina de la visión por computadora, recaudó 230 millones de dólares ya en septiembre de 2024 para World Labs, construida en torno a la "inteligencia espacial", seguida de ~1 mil millones de dólares más en 2026.

Pero estos modelos se topan con un muro que la web no puede escalar. No existe un "Internet de la interacción física" para hacer web scraping. Los datos de entrenamiento de robótica siguen siendo minúsculos: los conjuntos de datos de referencia en IA encarnada se cuentan en cientos de miles de demostraciones (RT-1: ~130,000; VIMA: ~650,000), mientras que un corpus de visión-lenguaje como LAION-5B alinea 5.7 mil millones. Los datos del mundo real deben capturarse un gesto, un sensor, un viaje a la vez.

Es exactamente por eso que Tesla (más de 10 mil millones de millas FSD acumuladas, mayo de 2026) y Waymo (más de 100 millones de millas autónomas) tratan a sus flotas como un activo defendible: no está en la web, no se puede comprar a un intermediario de texto, se produce en el mundo real.

Los datos que faltan a la próxima generación de IA nunca estuvieron en línea. Están en fábricas, flotas, hospitales, redes energéticas, cadenas de suministro. Pertenecen a los operadores, no a los laboratorios.

4. Lo que estamos viendo en el terreno y por qué es un mercado de dos lados

Aquí es donde nuestro trabajo en d-nvest se encuentra con la tesis, porque no solo comentamos sobre ella, la medimos.

En nuestra plataforma, hemos mapeado 311 titulares de datos reales hasta la fecha: organizaciones que producen, a menudo sin darse cuenta, exactamente el tipo de datos que exige la IA del mañana:

• 66% son series temporales (206 de 311): sensores, telemetría, registros de máquinas: la señal bruta del mundo físico.
• Los sectores dominantes son el industrial (149), la movilidad (91) y la salud (24): IA física, no texto web.
• Los casos de uso se leen como la hoja de ruta de la IA industrial: mantenimiento predictivo (136), monitorización industrial (64), inteligencia documental (34), RAG regulatorio (19), IA diagnóstica (15).
• Por el lado de la demanda, los compradores ya están identificados por perfil: laboratorios de modelos fundacionales, equipos de visión por computadora, desarrolladores de LLM verticales, proveedores de IA industrial.
• Todos distribuidos en los mercados que importan: Reino Unido, Francia, Estados Unidos, Alemania, Canadá, y respaldados por casi 1.000 señales de prensa que atestiguan la actividad real de estos titulares.

Estas reservas abordan mercados que no son promesas: solo el mantenimiento predictivo tiene un valor de ~14 mil millones de dólares en 2025 (CAGR ~28%), el IoT industrial supera los 480 mil millones de dólares, la IA industrial ~44 mil millones de dólares.

Por un lado, titulares con un recurso escaso que subexplotan. Por otro, compradores —los constructores de la próxima generación de IA— listos para pagar por ese recurso, como ya demuestran sus acuerdos de licencia. Lo que falta entre ellos es la infraestructura para el matchmaking, la cualificación y la confianza. Eso es exactamente lo que estamos construyendo.

La conclusión

El web scraping entrenó la generación actual de modelos. No entrenará la próxima. El texto público es finito, se está contaminando a sí mismo y se está cerrando. Los modelos del mundo y la IA física exigen un tipo diferente de datos —reales, operativos, multimodales— que nunca se publicaron y nunca se publicarán.

Esos datos ya existen. Pertenecen a decenas de miles de operadores que a menudo no tienen idea de que están sentados sobre el oro de la próxima década de la IA.

La pregunta ya no es "dónde encontramos datos". Es "cómo conectamos a quienes los poseen con quienes los necesitan". Es un mercado de dos lados, y apenas está comenzando.

Si usted es un operador que produce datos industriales, de movilidad o de salud, o un actor de IA que busca conjuntos de datos propietarios del mundo real, ahora es el momento de hablar.

— Salim Labriki, d-nvest

Nota metodológica: los montos de los acuerdos de licencia son los informados por la prensa (WSJ, Reuters, Bloomberg) y rara vez confirmados oficialmente por las partes. Las cifras de inventario (311 titulares, modalidades, sectores) provienen de nuestro propio mapeo a partir del 1 de julio de 20