AI Act y etiquetado de contenido generado por IA en 2026: guía práctica del artículo 50

El etiquetado de contenido generado por IA se ha convertido en una obligación operativa, no solo en una discusión futura. Las obligaciones de transparencia del artículo 50 del AI Act comenzaron a aplicarse el 2 de agosto de 2026 para los casos cubiertos. Al mismo tiempo, la Comisión Europea ha publicado directrices y un Code of Practice específico sobre transparencia de contenido generado por IA. Para una empresa, el reto consiste en traducir esa normativa a un proceso que funcione en campañas, WordPress, ecommerce, vídeo, audio, redes sociales y publicaciones editoriales. El punto clave es que no existe una única regla de “poner una etiqueta de IA”. El artículo 50 distingue roles, tipos de contenido y obligaciones diferentes. Una implementación sólida empieza por clasificar cada caso y termina con evidencia que permita demostrar qué decisión se tomó y por qué.

1. Qué cambió el 2 de agosto de 2026

Las obligaciones de transparencia del artículo 50 empezaron a aplicarse el 2 de agosto de 2026. La Comisión publicó directrices para aclarar el alcance y un Code of Practice para ayudar a proveedores e implementadores de sistemas generativos a aplicar medidas de marcado y disclosure. Esto significa que la revisión ya no puede posponerse a una futura fase regulatoria.

Las empresas deben identificar qué usos de IA caen dentro de su ámbito y documentar el análisis. La existencia de IA generativa en una organización no implica automáticamente que todo contenido necesite el mismo tratamiento. Un generador de imágenes para moodboards internos, un avatar publicado en una campaña y un artículo generado para informar sobre un asunto de interés público presentan contextos distintos.

• Fecha clave: 2 de agosto de 2026.
• Las directrices aclaran alcance; el Code of Practice propone una vía operativa.
• La clasificación del caso debe preceder al disclosure.

2. Proveedor e implementador no tienen la misma obligación

El Code of Practice divide sus compromisos en dos secciones. La primera se dirige a proveedores y se centra en marcado y detección de contenidos generados o manipulados por IA. La segunda se dirige a implementadores y trata el disclosure de deepfakes y determinados textos. Esta separación evita aplicar la misma obligación técnica a quien solo utiliza una herramienta externa que a quien desarrolla y ofrece un sistema generativo.

Una empresa puede ser implementadora en un workflow y proveedor en otro. Por ejemplo, un equipo de marketing que utiliza un sistema externo para generar una imagen normalmente actúa desde una posición distinta a una empresa que integra su propio generador en un producto ofrecido a terceros. Por eso el inventario de sistemas debe registrar el rol de la organización en cada caso.

3. Marcado legible por máquina: la capa técnica

Para proveedores de determinados sistemas generativos, el artículo 50 y el Code of Practice se centran en que las salidas puedan marcarse en un formato legible por máquina y sean detectables como generadas o manipuladas artificialmente. El código habla de soluciones eficaces, interoperables, robustas y fiables en la medida técnicamente posible.

Para un equipo técnico esto abre una cadena de verificaciones: qué señal incorpora el sistema original, si el archivo la conserva al exportarse, qué ocurre durante edición, compresión o transcodificación y si el CMS o CDN elimina metadatos. La transparencia no termina en el momento de generación; la señal debe sobrevivir al pipeline cuando la obligación lo requiera.

Una marca de agua visible y un marcado legible por máquina no son sinónimos. El marcado puede apoyarse en señales técnicas integradas —por ejemplo, metadatos, firmas o marcas de agua robustas— mientras que una etiqueta visible cumple una función de divulgación distinta. La medida adecuada debe evaluarse según el rol regulado, el tipo de contenido y el canal.

4. Deepfakes: disclosure para contenido que podría parecer auténtico

La Comisión describe como deepfake contenido de imagen, audio o vídeo generado o manipulado por IA que se asemeja a personas, objetos, lugares, entidades o acontecimientos existentes y que podría parecer auténtico o veraz. Esta categoría merece especial atención porque el usuario puede interpretar el contenido como evidencia de algo ocurrido realmente.

El disclosure debe diseñarse para el contexto en el que se consume el contenido. Una etiqueta útil en una página web puede no funcionar igual dentro de un vídeo, una imagen descargada o una publicación en redes sociales. La organización necesita una regla por formato y canal, además de un registro del activo y versión publicada.

5. Texto de interés público: la excepción de revisión humana no es universal

El artículo 50 contempla determinados textos generados o manipulados por IA que se publican para informar al público sobre asuntos de interés público. En las orientaciones europeas aparece una excepción cuando el contenido ha pasado por revisión humana y existe responsabilidad editorial. Esa excepción debe interpretarse dentro de su contexto específico y no trasladarse automáticamente a imágenes, audio, vídeo o deepfakes.

Para un medio, blog corporativo o portal institucional, el proceso editorial se vuelve una pieza de control. La empresa debería poder demostrar qué versión revisó una persona, quién asumió responsabilidad editorial y cuándo se aprobó. Una revisión informal sin registro es mucho más difícil de acreditar que un workflow con estados, responsables y fechas.

6. Iconos y etiquetas: útiles, pero no sustituyen el análisis

La Unión Europea ha creado un conjunto de iconos que los implementadores pueden utilizar para etiquetar determinados contenidos generados por IA. Estos recursos ayudan a estandarizar la comunicación, pero utilizar un icono no responde por sí solo a las preguntas de alcance, rol, formato o excepción.

Una buena política separa diseño y criterio. Primero se determina si el contenido está sujeto a disclosure y qué información debe comunicar. Después se elige el patrón visual, texto o icono apropiado. Así se evita que el equipo creativo convierta una obligación de transparencia en una decisión puramente estética.

7. WordPress puede romper la cadena de evidencia si no se controla

WordPress puede regenerar imágenes, crear miniaturas, convertir formatos y pasar archivos por plugins de optimización o CDNs. Elementor y otros builders añaden otra capa de publicación. Si la organización necesita conservar marcado técnico o demostrar qué archivo se publicó, estas transformaciones deben entrar en el inventario técnico.

Una práctica útil es conservar el original recibido del sistema generativo, registrar su hash o identificador, guardar la versión publicada y relacionar ambas con la página donde aparecen. Cuando existe disclosure visible, también se registra el texto o componente utilizado. Esta evidencia permite revisar después si una optimización eliminó metadatos o si una edición sustituyó el activo sin actualizar su estado.

8. El Code of Practice es voluntario, pero puede servir como marco reconocido

La Comisión y el AI Board han considerado el Code of Practice una herramienta voluntaria adecuada para demostrar cumplimiento de las obligaciones de transparencia cubiertas. Las organizaciones que lo suscriben pueden utilizar sus medidas como vía reconocida para demostrar cómo aplican marcado y etiquetado.

Eso no convierte el código en la única forma posible de cumplir. Una organización puede aplicar otros medios, pero tendrá que demostrar que son adecuados. Para equipos pequeños, adoptar una referencia común puede reducir decisiones ad hoc y facilitar que tecnología, legal, marketing y contenido utilicen el mismo vocabulario.

9. Evidencia: registra la decisión, no solo el resultado

Una captura de pantalla con una etiqueta demuestra que una etiqueta existió en un momento, pero no explica por qué se aplicó, qué sistema generó el contenido, quién revisó el caso o qué versión se publicó. Una evidencia más completa combina inventario del sistema, clasificación del activo, regla aplicada, responsable, fecha y copia o referencia de la versión publicada.

Este enfoque también ayuda cuando la decisión es no mostrar disclosure. Si el equipo documenta la razón —por ejemplo, porque el caso no entra en la categoría analizada o porque se aplica una excepción específica— existe una base para revisar la decisión cuando cambian el contenido, la herramienta o las directrices.

10. Checklist operativo para una empresa en 2026

Empieza por una lista de todos los sistemas generativos utilizados en marketing, diseño, soporte, producto y contenido. Para cada uno registra proveedor, finalidad, formatos generados y responsable. Después identifica activos publicados y clasifícalos por imagen, audio, vídeo o texto. Marca los casos que pueden ser deepfakes o publicaciones textuales de interés público y revisa qué obligación concreta aplica.

A continuación comprueba si existe marcado técnico en el original y si sobrevive al pipeline, define disclosures visibles donde correspondan, registra revisión humana y responsabilidad editorial cuando sea relevante y conserva evidencia. Por último, añade una revisión periódica porque tanto las herramientas como la interpretación técnica evolucionan. Kairoseth AI Transparency puede centralizar esa capa operativa sin convertir una herramienta técnica en un sustituto de análisis jurídico.