En octubre de 2025, Internet Archive anunció que la Wayback Machine había superado el billón de páginas web preservadas, un millón de millones de capturas acumuladas desde 1996. La cifra parece describir una copia gigantesca de internet, pero esa imagen es engañosa. Un archivo web no guarda la red entera ni cada página representa un sitio distinto. Conserva versiones obtenidas en momentos concretos, con repeticiones, ausencias y decisiones de selección. Su valor no está en ser una réplica perfecta, sino en impedir que toda la historia digital dependa de servidores diseñados para el presente.
La web cambia sin dejar necesariamente una edición anterior. Una noticia puede corregirse, una institución reorganiza su portal, una empresa cierra y un foro desaparece cuando deja de ser rentable. A diferencia de un libro depositado en una biblioteca, la publicación en línea puede actualizarse sobre el mismo objeto y borrar sus propios rastros. La celebración europea del billón de páginas recordó que Internet Archive captura miles de millones al mes para responder a esa inestabilidad.
Una captura no es una fotografía simple
Los archivos web utilizan rastreadores que comienzan en una lista de direcciones, descargan recursos y siguen enlaces de acuerdo con unas reglas. El resultado suele almacenarse en ficheros WARC, un formato normalizado que reúne respuestas del servidor, contenidos y metadatos de la recolección. Cuando una persona consulta una fecha en la Wayback Machine, el sistema intenta reconstruir la página con los elementos que se guardaron entonces.
El WARC conserva además información necesaria para interpretar la captura: dirección solicitada, momento de la recolección, respuesta del servidor y tipo de contenido, entre otros datos. Esa envoltura permite distinguir el documento recuperado de su reproducción posterior y comprobar si una ausencia procede del sitio original o del propio rastreo.
Ese intento puede quedar incompleto. El documento HTML quizá esté disponible, pero una imagen procedía de otro dominio que no fue rastreado; un vídeo necesitaba una plataforma externa; el menú se generaba mediante código que esperaba una conexión activa. Las páginas personalizadas, las aplicaciones que cargan contenido al desplazarse y los servicios protegidos por contraseña complican todavía más la captura. Una pantalla aparentemente sencilla puede depender de decenas de peticiones distribuidas por la red.
Por eso el billón cuenta páginas o recursos archivados, no obras únicas ni experiencias reproducidas a la perfección. Una portada diaria capturada durante años genera miles de versiones. Esa repetición es útil: permite seguir cambios de diseño, lenguaje y jerarquía informativa. Pero impide interpretar la cifra como un censo de sitios diferentes.
De la recolección masiva a la selección
Ninguna institución dispone de ancho de banda, almacenamiento y personal ilimitados. Los archivos combinan rastreos amplios con colecciones selectivas dedicadas a elecciones, acontecimientos, disciplinas o comunidades en riesgo. En la primera modalidad se gana cobertura; en la segunda, profundidad y contexto. Los conservadores deciden qué semillas incluir, con qué frecuencia volver y qué materiales requieren una atención especial.
La Biblioteca Nacional de España aplica ese modelo al patrimonio digital del país. Su Archivo de la Web Española recoge sitios, blogs, foros, documentos, imágenes y vídeos mediante recolecciones masivas y temáticas. La BNE comenzó el proyecto en 2009 y trabaja con las comunidades autónomas dentro del marco del depósito legal de publicaciones en línea. Entre sus herramientas figuran el rastreador Heritrix y el formato WARC, desarrollados o impulsados por la comunidad internacional de preservación.
Seleccionar introduce responsabilidad. Una colección sobre un acontecimiento puede privilegiar instituciones y grandes medios mientras deja fuera testimonios locales, plataformas efímeras o lenguas con menor presencia. Documentar los criterios y las lagunas es tan importante como guardar los ficheros. El archivo no es un espejo neutral: es una construcción que debe poder explicarse.
La frecuencia también cambia el resultado. Un rastreo anual puede conservar la existencia de una web, pero perder una campaña de pocos días; una captura diaria registra más variaciones a costa de multiplicar recursos. Por eso las colecciones temáticas necesitan calendarios ajustados al acontecimiento en vez de limitarse a listas extensas de direcciones.
Qué se pierde incluso cuando hay captura
Una página archivada conserva una parte del contenido, pero no siempre su contexto social. El número de seguidores, la posición en un algoritmo, las recomendaciones personalizadas o una conversación privada pueden haber sido esenciales para la experiencia original. Guardarlos plantea además problemas de privacidad y derechos. La ambición de preservar no autoriza a publicar cualquier dato ni elimina la protección de las personas. Esta tensión también organiza El libro digital que se deja transformar.
También existen límites legales al acceso. Que un material estuviera disponible libremente no significa que haya pasado al dominio público. Los archivos pueden capturarlo amparados por su mandato y, aun así, restringir la consulta o la reutilización. La BNE explica que buena parte de su archivo web solo puede consultarse en terminales autorizados debido a los derechos vigentes. Preservar y ofrecer acceso universal son objetivos relacionados, pero jurídicamente distintos.
El bloqueo técnico añade otra capa. Algunos servidores impiden el trabajo de rastreadores; otros entregan errores o versiones reducidas. Los propietarios pueden solicitar exclusiones según las políticas del archivo. Además, ningún sistema puede recuperar una página que desapareció antes de ser descubierta. La preservación web siempre empieza tarde para una parte de la red.
Prueba, memoria y cautela
Periodistas, investigadores y tribunales consultan capturas para comprobar qué decía una web en una fecha. Son evidencias valiosas, aunque deben leerse con método. La fecha suele corresponder a la recolección, no necesariamente a la publicación original. Una página puede mezclar un documento guardado un día con imágenes recuperadas en otro. Si una decisión depende de un detalle, conviene examinar metadatos, cabeceras y capturas próximas, y contrastar con otras fuentes.
El archivo permite estudios que serían imposibles página a página: evolución del diseño, cambios en vocabulario político, redes de enlaces o aparición de formatos. Al mismo tiempo, el tamaño de las colecciones obliga a crear índices y herramientas de análisis. Conservar un billón de elementos sin capacidad para describirlos produciría un almacén opaco.
La inteligencia artificial añade una tensión nueva. Los archivos son atractivos para entrenar y evaluar modelos porque contienen series temporales y una enorme diversidad textual. Pero los permisos para preservar no equivalen automáticamente a permisos para cualquier reutilización. También hay riesgos de privacidad, sesgos de selección y reproducción de contenidos dañinos. Cada uso necesita una base jurídica y una lectura crítica del origen de los datos.
Una tarea distribuida
Internet Archive desempeña una función singular por escala y apertura, pero la memoria web no descansa en una sola organización. Bibliotecas nacionales, universidades, administraciones y proyectos comunitarios preservan ámbitos que conocen mejor. El reconocimiento institucional alcanzó incluso al Congreso de Estados Unidos, que registró el hito del billón y el papel de la organización en el acceso al conocimiento.
Los ciudadanos también pueden señalar una página para su captura, guardar copias propias y entregar archivos a instituciones, siempre respetando derechos y datos personales. Para autores y organizaciones, publicar direcciones estables, metadatos claros y formatos abiertos facilita que una obra sobreviva. La preservación empieza en el diseño, no cuando un servidor va a apagarse.
El billón de páginas es un logro técnico, pero su lección principal es cultural. La web parece abundante porque todo está a un clic, aunque su memoria sea más frágil que la de muchos impresos. Cada captura conserva una versión parcial de una conversación en movimiento. Admitir esa parcialidad no reduce el valor del archivo: permite usarlo con rigor y entender que la continuidad de internet depende también de quienes deciden qué guardar hoy.
