El robots.txt es un cartel de “prohibido el paso” que solo funciona si el que llega decide obedecerlo. Con la carrera por acumular datos de entrenamiento, cada vez más robots pasan de largo.
ShieldFont propone otra cosa: si no puedes impedir que copien tu texto, haz que lo que copien no valga nada.
Es una fuente tipográfica libre y de código abierto, creada por el estudio brasileño Seneda & Abrucio junto a la fundición tipográfica danesa Playtype. Y su truco es tan elegante como retorcido: la persona que lee la web ve el texto original, mientras que el robot que se lleva el HTML en crudo se lleva un texto distinto.
El resultado no es un galimatías evidente —eso lo filtraría cualquiera—, sino algo mucho más incómodo para quien entrena modelos: un texto que parece perfectamente correcto y dice cosas que no son.
Cómo se engaña a un robot con una tipografía
La técnica se apoya en algo que llevaba décadas usándose para cosas mucho más aburridas: la sustitución de glifos de OpenType.
Una fuente moderna no se limita a asignar un dibujo a cada letra. Puede aplicar reglas: sustituir “fi” por una ligadura más bonita, cambiar un número por su versión en versalitas, ajustar formas según el contexto. ShieldFont usa esa misma maquinaria para mentir con precisión.
En el código de la página está escrita una palabra; la fuente dibuja otra en pantalla. Tú lees lo que el autor quería decir. El robot, que no dibuja nada porque solo lee el HTML, se lleva lo que está escrito.
La parte lista: no romper el texto, corromperlo
Aquí es donde el diseño se vuelve interesante. ShieldFont no toca todo el texto, solo alrededor de un 25 % de las palabras de cada bloque. Y no las cambia por cualquier cosa: tira de unos 250 grupos de palabras y sustituye respetando la gramática — un sustantivo por otro sustantivo, un verbo en pasado por otro verbo en pasado.
Ese detalle es el que lo hace funcionar. Los grandes conjuntos de datos de entrenamiento pasan filtros automáticos de calidad que descartan las páginas con texto roto o sin sentido. Un galimatías se cae en el primer filtro; una frase gramaticalmente impecable que dice una falsedad, no.
Y los números lo confirman: de los párrafos protegidos que superaban los filtros de calidad FineWeb-Edu, solo un 10 % seguía pasándolos tras aplicar la protección — pero los que pasaban entraban ya contaminados.
Por qué esto es distinto de bloquear robots. Un robots.txt o un bloqueo por IP plantean al scraper una decisión binaria: entro o no entro. ShieldFont no le impide entrar; le deja llevarse material defectuoso sin que sepa que lo es.
Es la diferencia entre poner una valla y envenenar el pozo. Y explica por qué la idea ha llamado tanto la atención: no depende de la buena voluntad de nadie.
Los límites, que son importantes
La idea es brillante, pero conviene mirarle las costuras antes de emocionarse. El propio proyecto reconoce varias:
- Solo funciona en inglés por ahora. Los grupos de palabras equivalentes hay que construirlos idioma a idioma, así que para una web en español no sirve tal cual.
- Una captura de pantalla con OCR lo desmonta. Si en lugar de leer el HTML el robot fotografía la página y le pasa un reconocimiento de texto, obtiene lo mismo que ve un humano. Y los sistemas multimodales cada vez hacen más eso.
- Hay que montarlo como componente de React, así que no es pegar una línea en el
<head>y olvidarse.
El problema serio: los lectores de pantalla
Y queda el inconveniente que más debería preocupar: un lector de pantalla lee el HTML, no los dibujos. Es decir, una persona ciega que use el lector recibe exactamente el mismo texto falseado que el robot.
Eso convierte un mecanismo de defensa en una barrera de accesibilidad, que es un precio bastante alto. El proyecto ofrece una función en beta que entrega el texto correcto a estas herramientas, pero sigue siendo la parte más delicada del invento: cualquier vía que abras para el lector de pantalla es, en principio, una vía que también puede usar un robot.
Lo que de verdad marca este proyecto, más allá de si lo usa alguien: es una señal de por dónde va el enfado.
Durante años la discusión sobre el uso de contenido web para entrenar modelos ha sido de peticiones, licencias y demandas — herramientas lentas y caras. ShieldFont pertenece a otra familia: medidas técnicas que no piden permiso ni esperan sentencia, y que cambian el cálculo para quien copia.
Su código está publicado en GitHub, así que la técnica ya no es teoría. Con lectores de pantalla resueltos y soporte para más idiomas, este tipo de defensa puede acabar siendo bastante más común que un robots.txt que nadie respeta.
