Limpiar el HTML que copias de ChatGPT (y como hacerlo)

Actualizado agosto 2026: Claude marca texto e imágenes; Google lee C2PA en Search; el plugin (v1.8.5) limpia más HTML y audita metadatos de imágenes sin borrar credenciales por defecto.

Si trabajas con LLMs (ChatGPT, Claude, Gemini, etc.) para redactar, resumir o estructurar contenido, hay un detalle que casi nadie mira: cuando copias y pegas, a veces no pegas solo texto. Pegas rastros (Incluso con API).

LLM Trace Cleaner: por que deberías limpiar el HTML que copias de ChatGPT (y como hacerlo en WordPress)

Rastros en forma de atributos HTML ocultos (data-…), referencias incrustadas tipo oaicite, parámetros UTM en enlaces y caracteres invisibles que no ves, pero que se quedan en tu código. En el editor parece todo correcto. En el HTML publico, es otra historia.

LLM Trace Cleaner es un plugin de WordPress creado para eso: eliminar automáticamente esos rastros y dejar tu contenido limpio, ligero y bajo control.

Que son los rastros ocultos de los LLMs

Algunas interfaces de LLM, editores intermedios y flujos de copy/paste meten metadatos en el HTML para su propio tracking interno: estructura del mensaje, marcadores de inicio/fin, IDs, modelo usado, timestamps, etc. Nada de eso aporta valor a tu usuario final.

Y aun peor: hay rastros que pueden filtrar información sensible o, como mínimo, dejar señales innecesarias sobre tu flujo de trabajo (de donde viene el contenido, como se generó, con que herramienta, etc.).

Traducción: si produces contenido a escala (o simplemente publicas mucho), esto se convierte en «basura técnica acumulada». Y en WordPress, la basura técnica siempre acaba saliendo cara: problemas de cache, editores, migraciones, render, rastreo, etc.

Ventajas de limpiar esos datos (y por que debería importarte)

1) HTML mas ligero (y un DOM mas sano)

Menos atributos y menos ruido implica menos peso y menos complejidad. No es magia, es higiene: tu contenido queda mas limpio, mas fácil de procesar y mas estable a futuro.

2) Mejor control de privacidad

Hay atributos que directamente no deberían salir a producción en una web pública. Algunos pueden correlacionar sesiones, conversaciones o contexto. Otros son «solo» metadatos, pero igual: si no aporta valor al usuario, fuera.

3) Menos señales innecesarias sobre tu flujo de contenido

Si publicas enlaces con utm_source=chatgpt.com o dejas referencias oaicite, estas dejando migas de pan. No es que el mundo se acabe, pero estas regalando señales que no controlas y que no suman.

4) Menos problemas raros con editores, buscadores internos y accesibilidad

Los caracteres invisibles son el típico enemigo silencioso: no los ves hasta que buscas una palabra y no aparece, copias un texto y se «rompe», o un bloque se comporta raro. Mejor eliminarlos antes de que se conviertan en una tarde perdida.

5) Limpieza recurrente sin depender del «cuidado humano»

La realidad: si hay varias personas publicando (o tu publicas con prisa), confiar en que todo el mundo va a pegar en modo texto plano es un chiste. Necesitas un guardarraíl. Para eso esta el plugin.

¿Qué hace LLM Trace Cleaner exactamente?

LLM Trace Cleaner limpia el contenido HTML de entradas y paginas en WordPress eliminando:

• Atributos de rastreo (data-…) que suelen colarse desde herramientas LLM.
• IDs generados con patrones típicos de algunas respuestas pegadas.
• Referencias incrustadas tipo oaicite.
• Parámetros utm_* en enlaces (incluyendo utm_source=chatgpt.com).
• Caracteres invisibles (por ejemplo, zero-width y controles de direccion) que pueden actuar como marcas o causar problemas.

Ademas, incluye:

• Limpieza automática (opcional) al guardar entradas/paginas.
• Limpieza manual para escanear y limpiar contenido existente.
• Procesamiento por lotes con barra de progreso (para evitar timeouts en sitios grandes).
• Logging completo de lo que se encontró y elimino.
• Gestion inteligente de cache y compatibilidad con plugins populares (LiteSpeed, WP Rocket, W3TC, etc.).
• Opción de desactivar cache para bots/LLMs cuando acceden al sitio (configurable).
• Telemetria anonima opt-in (si quieres aportar datos agregados para investigación; el plugin funciona igual sin ella).
• Actualizaciones directas desde GitHub (sin depender de instalaciones manuales constantes).

Detalle importante: en el changelog se indica que se mejoro la limpieza de UTM y caracteres invisibles dentro de bloques de Gutenberg y page builders, para evitar que se reintroduzcan al restaurar bloques. Esto es clave si publicas con Elementor, Divi, Bricks, WPBakery y compañía.

Ejemplo rápido: el tipo de basura que evita

Antes de ver el ejemplo, quédate con esta idea: cuando copias desde un LLM, a veces el texto viene “envuelto” en metadatos que no ves en el editor (atributos data-*, IDs internos), y los enlaces pueden traer tracking (UTMs) que tampoco aporta nada al usuario.

En pantalla parece limpio, pero en el HTML se queda ese ruido.

Este bloque muestra, de forma muy simplificada, el tipo de “basura” que el plugin elimina y como debería quedar el código final listo para publicar.

<p data-start="12" data-end="58" data-llm-id="abc123" data-model="gpt-4">
  Texto normal que parece limpio.
</p>
<a href="https://ejemplo.com/" target="_blank" rel="noopener">Enlace</a>


<p>Texto normal que parece limpio.</p>
<a href="https://ejemplo.com/" target="_blank" rel="noopener">Enlace</a>

<p data-start="12" data-end="58" data-llm-id="abc123" data-model="gpt-4">
  Texto normal que parece limpio.
p>
<a href="https://ejemplo.com/">Enlacea>


<p>Texto normal que parece limpio.p>
<a href="https://ejemplo.com/">Enlacea>

Tutorial rápido: instalar, configurar y limpiar tu sitio

Requisitos

• WordPress 5.0 o superior
• PHP 7.4 o superior
• Extensión PHP DOMDocument (recomendada, no obligatoria)

Paso 1: instalar el plugin

Opción A: instalación desde ZIP (la mas cómoda)

1. Descarga el ZIP del repositorio.
2. En WordPress, ve a Plugins > Anadir nuevo.
3. Haz clic en Subir plugin.
4. Selecciona el ZIP y pulsa Instalar ahora.
5. Activa el plugin.

Opción B: instalación manual

1. Descarga o clona el repositorio.
2. Sube la carpeta llm-trace-cleaner a /wp-content/plugins/.
3. Activa el plugin desde el menú Plugins.

Cuando este activo, entra en: Herramientas > LLM Trace Cleaner.

Paso 2: configuración inicial

1. Ve a Herramientas > LLM Trace Cleaner.
2. En la sección Configuración, activa o desactiva limpieza automática según tu flujo.
3. Guarda los cambios.

Paso 3: limpieza automática (opcional, pero recomendada si publicas a menudo)

Si activas la limpieza automática:

• El contenido se limpia cada vez que guardas una entrada o pagina.
• Se registra el cambio en el log.
• La cache se limpia tras cada modificación (si aplica).

Paso 4: limpieza manual del contenido existente (ideal para la primera vez)

1. Ve a Herramientas > LLM Trace Cleaner.
2. En Limpieza manual, haz clic en Escanear y limpiar contenido ahora.
3. El proceso corre en lotes para evitar sobrecargar el servidor.
4. Sigue la barra de progreso.
5. Al finalizar veras un resumen: posts analizados, posts modificados y detalle de lo eliminado.

Paso 5: revisa el log (para auditar, no por ansiedad)

1. En la misma pantalla, entra en Registro de actividad.
2. Veras las ultimas acciones (y paginación si hay mas).
3. Puedes vaciar el log o descargar el archivo completo si necesitas una auditoria.

Paso 6 (opcional): gestión de cache y bots/LLMs

El plugin incluye gestión inteligente de cache:

• Durante la limpieza: puede desactivar cache para evitar interferencias.
• Después de modificar posts: limpia cache del post modificado.
• Al finalizar: limpia cache general del sitio para reflejar cambios.

Y si quieres ir un paso mas allá, puedes activar Desactivar cache para bots/LLMs:

1. Ve a Herramientas > LLM Trace Cleaner.
2. Activa la opción Desactivar cache para bots/LLMs.
3. Selecciona los bots/LLMs que quieres detectar.
4. Opcional: agrega bots personalizados (uno por línea).
5. Guarda la configuración.

Por que es importante marcar «Compartir estadísticas anónimas»

Esta opción no esta ahí por postureo. Si quieres que el plugin (y todo el ecosistema) mejore de verdad, marcar la casilla de «Compartir estadísticas anónimas» es la palanca mas directa. Estamos hablando de investigar y medir, con datos reales, como los LLMs marcan el contenido cuando copias y pegas, que rastros aparecen con mas frecuencia y como evolucionan con el tiempo.

En la documentación del plugin queda claro que la telemetría es opt-in (solo se activa si tu la marcas) y que no afecta a la funcionalidad: el plugin limpia igual aunque no compartas nada. Entonces, por que activarla?

Porque sin datos agregados a escala, esto se queda en «me suena que pasa» en lugar de «tenemos evidencia, patrones y prioridades claras».

Que se envía (y que NO) cuando activas la casilla

Además, el plugin indica que el envio se hace de forma segura (HTTPS) y que los datos se almacenan de manera agregada, de forma que no se puede identificar un sitio individual a partir de lo recopilado.

Para que sirve (lo util, no lo bonito)

• Investigación y estudios: publicar análisis reales sobre que «datos ocultos» están metiendo los LLMs en el HTML y como cambian por herramienta, tiempo y contexto.
• Análisis de tendencias: saber que rastros son mas comunes (y cuales están apareciendo «nuevos») para no ir siempre por detrás.
• Mejora del plugin: priorizar que atributos y caracteres eliminar primero, que casos dan mas problemas, y donde hay que reforzar la limpieza (Gutenberg, builders, decodificaciones raras, etc.).
• Mejora de procesos: no solo «limpiar», sino entender el fenómeno para ajustar flujos editoriales, plantillas, QA y automatizaciones.
• Estudios sobre buscadores: analizar a nivel agregado como se cruza todo esto con rastreo, render y consumo de contenido en la era LLM.

Control total: tu decides, cuando quieras

• Opt-in explicito: si no marcas la casilla, no se envía nada.
• Desactivable en 1 clic: puedes desmarcarla cuando quieras.
• Sin impacto funcional: el plugin funciona igual sin telemetría.

En resumen: si te interesa que salgan estudios serios sobre estos rastros (y no opiniones), y que el plugin se mantenga al día conforme los LLMs cambian sus «marcas», marcar «Compartir estadísticas anónimas» es contribuir con el mínimo esfuerzo y el máximo impacto.

Actualizaciones agosto 2026

En diciembre de 2025 el problema era claro: copias de ChatGPT (o Claude, o Gemini) y, sin verlo, te llevas data-start, oaicite, UTMs y caracteres invisibles. Eso sigue pasando. Lo que ha cambiado en agosto de 2026 es el tablero alrededor.

Por un lado, Anthropic publica cómo Claude marca lo que genera: una marca estadística en el texto y credenciales C2PA en archivos. Por otro, Google ya documenta que Search puede leer C2PA y mostrar en «About this image» si una foto se creó o se editó con IA. En el medio, IPTC lleva años con un vocabulario (trainedAlgorithmicMedia) que C2PA y Google usan como señal de origen.

LLM Trace Cleaner (ahora en v1.8.5) se actualizó para ese escenario. Misma regla de siempre: esto no es para «ocultar que usas IA». Es para no publicar basura de pegado, no romper emoji ni árabe al limpiar Unicode, y no reventar por accidente una credencial de procedencia que Google (o un cliente) sí quiere ver.

El plugin está en GitHub. Si ya lo tenías, actualiza desde el panel (actualizaciones GitHub) y lee el recuadro «¿Cómo funciona el módulo de imágenes?» en LLM Trace Cleaner → Imágenes.

Tres capas que la gente mezcla (y no son lo mismo)

Si alguien te vende «quitar el watermark de Claude limpiando Unicode», te está vendiendo humo. Anthropic lo dice sin rodeos: no se añade nada al texto, no hay caracteres ocultos.

El marcado de Google: C2PA, IPTC y «About this image»

Google no te pide que ensucies el HTML con data-llm-id. Te pide transparencia útil y, en imágenes, usa estándares de la industria.

En la documentación de Search Central (metadatos de imagen), Google explica que si una imagen trae metadatos C2PA, puede extraerlos y mostrar en «About this image» cómo se creó o si se editó con herramientas de IA. Condiciones: el firmante usa C2PA 2.1+ y el manifiesto va firmado con un certificado de una CA de la C2PA Trust List.

Eso encaja con lo que Google viene publicando como miembro del steering committee de C2PA: Content Credentials en Pixel / Android y herramientas para identificar media generada con IA. Traducción práctica para una web WordPress:

• Un JSON-LD de artículo (Article, titular, autor) es schema normal. El plugin lo deja.
• Un JSON-LD de ImageObject con digitalSourceType / trainedAlgorithmicMedia / SoftwareAgent pegado desde un LLM es ruido de procedencia en el HTML. El plugin quita ese bloque.
• Un manifiesto C2PA dentro del JPEG/PNG es otra cosa: Google puede enseñarlo en Search. El plugin no lo strippea en silencio.

El vocabulario que verás una y otra vez es el de IPTC: trainedAlgorithmicMedia («creado con IA generativa») y variantes como compositeWithTrainedAlgorithmicMedia (foto real + IA). IPTC lo recomienda en XMP o dentro del manifiesto C2PA. C2PA lo usa como señal principal de si el asset es sintético.

Importante para SEO: quitar EXIF de GPS o un data-start no es lo mismo que borrar Content Credentials para que Google «no te pille». Lo segundo invalida una firma, puede ser engañoso y no es el trabajo de este plugin. Si la imagen es generada o editada con IA y te interesa la transparencia (o te aplica normativa), la conversación es editorial y de procedencia, no de «limpiar el HTML».

Claude, agosto 2026: dos marcas, no las mezcles

Anthropic lo documentó el 14 de agosto de 2026 en How Claude’s text watermark works y en el Help Center. Resumen sin teatro:

1) Texto: watermark estadístico (no Unicode)
Los modelos Claude lanzados el 2 de agosto de 2026 o después marcan el texto en el propio muestreo de palabras (enfoque tipo SynthID-Text). Cumplen el Código de prácticas de transparencia del artículo 50 del AI Act de la UE; lo aplican en todo el mundo porque aún no pueden limitarlo por región. Vale para API, claude.ai, Claude Code, etc.

Qué implica para tu WordPress:

• Copiar y pegar se lleva la marca. No hay ZWSP que borrar.
• Una corrección ligera de estilo casi no deja señal. Un texto largo generado por Claude, sí.
• Un rewrite fuerte o una traducción hecha por un humano la diluye. Una traducción hecha por Claude vuelve a marcar, porque cada palabra la elige el modelo.
• Detectar la marca no prueba autoría. Solo que Claude pudo intervenir. Anthropic promete una API de detección; aún no es un detector público milagroso.

LLM Trace Cleaner no elimina esa marca. Ni lo pretende. Si tu flujo es «Claude redacta el post entero y lo pego», el HTML quedará limpio de data-* y el texto seguirá siendo texto de Claude. Eso es coherente con el tip de este artículo: no uses el plugin para fingir que no hay IA.

2) Archivos: C2PA de verdad
Cuando Claude genera un .png, .jpg o .svg soportado, adjunta Content Credentials firmadas (C2PA). Eso sí es metadato de archivo, no magia en el píxel. Se puede perder al reconvertir, al reguardar en un editor que no lo entiende, o al hacer una captura. El módulo de imágenes del plugin lo detecta (chunk PNG caBX, JPEG APP11/JUMBF) y, con «Detener ante C2PA» (activado de fábrica), no toca el archivo.

3) Lo de siempre: rastros de interfaz
Aunque Claude marque «por dentro» el texto, las UIs y el pegado siguen soltando HTML sucio: data-ai-*, meta generator de vendor, Unicode huérfano, JSON-LD de más. Eso sí lo limpia el plugin. No confundas las tres cosas en la misma frase.

HTML: lo que el plugin limpia ahora (v1.8.3 y v1.8.4)

Además de data-start, oaicite y UTMs (eso no se ha ido):

Unicode contextual (v1.8.3). Antes, borrar a ciegas zero-width y selectores de variación rompía emoji (👨‍👩‍👧, ⚖️) y podía destrozar árabe/hebreo (ZWNJ, bidi). Ahora:

• Quita marcas huérfanas (ZWSP, BOM, RLO suelto, tags Unicode, etc.).
• Conserva el pegamento de emoji, ZWNJ en escrituras complejas y bidi emparejado.
• Normaliza espacios «raros» (em space, ideográfico…) a espacio normal. El   de WordPress se queda, salvo que actives la opción de normalizarlo.
• El análisis previo cuenta lo que se iba a limpiar, no el ZWJ de un emoji.

Procedencia en el HTML (v1.8.4).

• Atributos data-ai y data-ai-* (data-ai-generated, data-ai-model…). Prefijo estricto: no toca data-air ni data-foo. También dentro de bloques Gutenberg.
• JSON-LD application/ld+json con DigitalSourceType, trainedAlgorithmicMedia o SoftwareAgent: fuera el bloque. Un Article normal: se queda.
• <meta name="generator" content="ChatGPT"> (Claude, Gemini, Midjourney…): fuera. WordPress y Elementor: se quedan. El CMS no es un LLM.

Si publicas con Elementor, Divi, Bricks, etc., esto sigue aplicándose dentro de los bloques antes de restaurarlos. El fallo clásico de «limpio y al guardar vuelve el UTM» ya estaba cubierto; ahora también el data-ai pegado en un bloque HTML.

Imágenes: auditoría, perfiles y C2PA que no se borra (v1.7 a v1.8.5)

Nuevo menú: LLM Trace Cleaner → Imágenes. El módulo nace apagado, con dry run y backup activos. No es un «quita-marcas en el píxel». Es gobierno de metadatos: GPS, serie, prompts/workflows, autoría legítima (la que tú escribes), no inventar cámara ni coordenadas.

Puede:

• Auditar EXIF / IPTC / XMP (Imagick en compartido; ExifTool opcional solo VPS).
• Aplicar perfiles: privacidad, corporativo, SEO local, fotografía, imagen generada/editada con IA. El SEO local usa ubicación mostrada, no GPS de captura.
• Ver hints XMP tipo digitalSourceType, trainedAlgorithmicMedia, AIGC.
• Detectar C2PA de verdad, no un grep a 64 KB que dispara con basura comprimida.

Confianza C2PA (lo que verás en el informe):

No se busca la cadena c2pa dentro del pixel data (IDAT / SOS). Una coincidencia de bytes no es una credencial.

El informe avisa del soft-binding: quitar EXIF no borra una marca en el píxel ni un manifiesto remoto. El plugin no valida la firma criptográfica (eso es c2patool u otro validador; no va en el núcleo) y no promete indetectabilidad ni borra SynthID.

En hosting compartido pide Imagick. ExifTool no es una extensión PHP: si no está, el plugin no se cae.

Cómo usarlo si ya tenías el plugin

1. Actualiza a 1.8.5 (el updater de GitHub del propio plugin).
2. En Herramientas > LLM Trace Cleaner, lanza una limpieza manual del contenido viejo: pillará data-ai*, JSON-LD de procedencia y Unicode huérfano que la versión anterior no tocaba igual.
3. Revisa la opción de normalizar NBSP (off por defecto). Si tu maquetación vive de  , no la actives.
4. En Imágenes: deja el módulo desactivado hasta que hagas un dry run de un adjunto. Si el informe dice C2PA confirmed/probable, no proceses a lo loco.
5. Si usas offload a S3 sin archivo local, el módulo te dirá unsupported_remote_storage. No hay magia.

Qué no hace (y qué no debería vender nadie)

• No convierte un texto de Claude en «texto humano» ni quita el watermark estadístico.
• No borra SynthID ni marcas en el píxel.
• No strippea C2PA por debajo de la mesa para esquivar «About this image».
• No inventa EXIF de cámara para disfrazar una imagen generada.
• No sustituye una divulgación editorial («este gráfico está generado con IA») cuando la debas hacer.

La frase de siempre sigue siendo la correcta: usar LLMs está bien. Publicar rastros innecesarios, no. En 2026 hay que añadirle la coda: tampoco borres la procedencia seria para parecer «más original». Limpia el pegado. Respeta (o gestiona a propósito) las credenciales. Y si Claude escribió el artículo, el HTML limpio no convierte eso en otra cosa.

Tips y buenas practicas (modo YaggoSEO)

• Esto no es para «ocultar que usas IA». Esto es para no publicar basura técnica. Punto.
• Haz una limpieza manual la primera vez y luego activa la automática si tu flujo es de copy/paste frecuente.
• Si usas page builders, este tipo de limpieza es aun mas importante porque el HTML ya es denso de por si.
• Menos ruido = mejor mantenimiento. Migraciones, caches, minificaciones y editores se llevan mejor con HTML limpio.
• Publica como si tu HTML lo fuese a leer alguien. Porque lo va a leer: bots, scrapers, LLMs, Agentes IA, revisores, tu yo del futuro.

Preguntas frecuentes (FAQ)

Descarga y soporte

Puedes ver el repositorio del plugin aquí:

Si te sirve:

• Dale una estrella en GitHub (es gratis y ayuda) y en Truspilot.
• Reporta issues con ejemplos reales (mejor aun si adjuntas el HTML antes/después).
• Si eres dev, PRs bienvenidas.