Herramientas open source para estudiar el mercado y seguir a la competencia

Qué cubre esta guía

• Qué hace cada una de las tres herramientas, según su propio README y documentación
• Un primer proyecto pequeño para cada herramienta, a la medida de un negocio pequeño
• Qué necesitas para ejecutarlas: Docker o Python, claves de API, conocimientos
• Una tabla comparativa: herramienta, uso, requisitos, licencia
• Qué dicen los archivos LICENSE, incluida la cláusula de atribución de Crawl4AI
• Una rutina semanal corta de seguimiento, paso a paso
• Cómo verificar un informe hecho con IA y los límites de la recogida de datos

Tres herramientas, tres trabajos distintos

GPT Researcher es un agente de investigación: planteas una pregunta y recibes un informe escrito con citas. Crawl4AI es un rastreador: le das direcciones y recibes esas páginas como Markdown limpio o datos estructurados. changedetection.io es un monitor: revisa una página según un horario y te avisa cuando cambia.

Las tres están publicadas en GitHub y pueden ejecutarse en tu propio equipo. El 4 de octubre de 2026 GitHub mostraba unas 30 mil estrellas para GPT Researcher, unas 85 mil para Crawl4AI y unas 35 mil para changedetection.io. Las estrellas miden interés, no calidad.

GPT Researcher: un primer borrador de investigación con sus fuentes

El README describe GPT Researcher como un agente abierto de investigación profunda para la web y para documentos locales. Un planificador convierte tu tarea en preguntas de investigación, otros agentes reúnen información para cada una, cada fuente se resume y se registra, y lo hallado se combina en un solo informe. Trabaja con páginas web y con tus archivos, como PDF, Excel y Word, y exporta el informe a PDF, Word y otros formatos.

La configuración por defecto necesita Python 3.12 o posterior (o Docker), una clave de OpenAI para el modelo de lenguaje y una de Tavily para la búsqueda web. La documentación enumera otros proveedores de modelos, incluidos modelos locales mediante Ollama, y otros buscadores como DuckDuckGo y Searx, cada uno con sus requisitos de clave y sus límites. Los proveedores cobran el uso de las API según sus tarifas.

Un primer proyecto pequeño: pide un panorama de un nicho que conozcas bien, por ejemplo las tiendas online de aceite de oliva en tu región, para ver dónde el informe es flojo o se equivoca. El README califica el proyecto de experimental, lo ofrece tal cual y dice que el objetivo es reducir los datos incorrectos y sesgados, no eliminarlos.

Crawl4AI: las páginas de la competencia en una tabla comparable

Según su README, Crawl4AI es un rastreador de código abierto que abre las páginas en un navegador y devuelve Markdown limpio, con filtros que quitan menús, pies de página y demás relleno. Puede ejecutar JavaScript y desplazarse hasta el final de la página, algo importante en tiendas que cargan productos al hacer scroll.

Para los datos estructurados, los esquemas con CSS o XPath y las expresiones regulares no necesitan modelo de lenguaje: describes dónde están el nombre, el precio y las condiciones de envío, y el esquema sirve para todas las páginas con ese diseño. La extracción con modelo de lenguaje requiere una clave de API o un modelo local, y la documentación advierte que la salida de un modelo puede variar o inventar datos, mientras que los selectores hacen exactamente lo que indicas.

Necesitas Python 3.10 o posterior y un navegador, que instala el comando de configuración. Es la más técnica de las tres: alguien debe escribir un script corto de Python y encontrar selectores CSS en las herramientas de desarrollo del navegador. Un primer proyecto pequeño: construye con diez páginas de producto de competidores una tabla de columnas iguales (producto, precio, formato, condiciones de envío, fecha de recogida). Empieza con tres sitios, porque cada diseño necesita su propio esquema.

changedetection.io: saber cuándo cambia una página

changedetection.io revisa páginas web según el horario que fijes y, de acuerdo con su README, te avisa por correo electrónico, Slack, Telegram, Discord, webhook u otros canales cuando el contenido cambia. Para páginas de producto hay un modo de detección de precio y reposición con límites de precio y porcentaje de cambio. También sigue los cambios de texto en archivos PDF, como las tarifas.

Los filtros permiten vigilar una parte de la página mediante un selector CSS, XPath o el selector visual e ignorar el resto. Las condiciones de disparo avisan solo cuando aparece o desaparece una palabra clave, o cuando un precio cruza un importe que fijas. Las páginas que montan su contenido con JavaScript necesitan el cargador basado en Chrome, igual que el selector visual.

La instalación es la más sencilla de las tres: un comando de Docker, o pip con Python 3.11 o posterior; después pegas direcciones en una interfaz web o las importas desde un archivo Excel. Un primer proyecto pequeño: vigila cinco páginas de competidores y revisa los cambios una vez por semana. Los resúmenes con IA opcionales envían los cambios detectados al proveedor del modelo que conectes, y el README advierte que nunca hay que fiarse de esa salida como completa o exacta.

Qué permiten las licencias, en palabras sencillas

Cada repositorio tiene un archivo LICENSE en su raíz, y GitHub etiqueta los tres como Apache-2.0. El texto de la Apache License 2.0 concede un derecho perpetuo, mundial, gratuito y libre de regalías para reproducir el software, preparar obras derivadas y distribuirlas. No contiene ninguna cláusula que lo limite al uso no comercial.

El LICENSE de Crawl4AI añade una sección Attribution Requirement: las distribuciones, publicaciones y usos públicos del software o de obras basadas en él deben llevar una línea de atribución concreta que nombra el proyecto Crawl4AI. El archivo de changedetection.io es el texto estándar con la línea de copyright de sus autores; el repositorio no tiene un archivo de licencia comercial aparte, y el README ofrece una suscripción de pago a la versión alojada y soporte comercial.

La licencia cubre el código, no las páginas que recoges, las API que conectas ni las versiones alojadas que venden los autores. Lee cada archivo LICENSE antes de un uso comercial; este resumen no es asesoramiento jurídico. Cuando entregas el software a otros, modificado o no, las condiciones de Apache son:

• Entrega a los destinatarios una copia de la licencia.
• Señala los archivos que has modificado.
• Conserva los avisos existentes de copyright, patentes, marcas y atribución.
• No uses los nombres y marcas del proyecto, salvo para indicar el origen del software.
• El software se entrega tal cual, sin compromiso alguno sobre su calidad, y los contribuidores no responden de los daños.

Una rutina semanal corta de seguimiento

changedetection.io vigila y una hoja de cálculo sencilla guarda el registro. La herramienta te dice que algo cambió; lo que significa lo decides tú.

• Haz una lista de cinco páginas de competidores y lo único que vigilas en cada una: un precio, el stock, las condiciones de envío, una promoción, las vacantes.
• Añade cada página como vigilancia, limítala al bloque que importa y fija el intervalo. Una o dos veces al día bastan y no cargan el sitio ajeno.
• En un día fijo, abre la lista y la vista de diferencias de cada página marcada como cambiada.
• Confirma cada cambio en la página real. Un rediseño, un aviso de cookies o un bloque rotatorio pueden parecer un cambio.
• Registra cada cambio real en una tabla: fecha, competidor, página, cómo estaba, cómo quedó, enlace.
• Termina con una línea: qué vas a hacer, o que no hace falta ninguna acción.

Cómo verificar un informe de investigación hecho con IA

Trata un informe generado como un mapa de fuentes y un primer esquema, no como una conclusión. Un modelo puede citar una página débil, como un blog sin firma, y leer mal una buena: el año equivocado, el país equivocado, una previsión presentada como dato medido. El README de GPT Researcher explica que el proyecto prefiere la información más frecuente entre muchos sitios. La frecuencia no es una prueba: veinte sitios pueden repetir una misma nota de prensa.

Repasa cada cifra que pienses usar en una decisión o una publicación:

• Abre el enlace citado y busca el número exacto en la página. Si no está, quítalo.
• Comprueba la unidad, la moneda, el año y el territorio. Una cifra mundial no es la cifra de tu país.
• Sigue la cita hasta el original: el instituto de estadística, el informe de la empresa, la página de precios.
• Lleva un registro: cifra, enlace de la fuente, fecha de consulta, estado (confirmada, difiere, no encontrada).
• En una segunda ejecución, limita la investigación a direcciones o dominios de tu confianza; la documentación describe ambas opciones.

Límites y prudencia al recoger datos

Ninguna de estas herramientas sabe si una página publicada es cierta o está al día. Un rastreador trae lo que el sitio muestra, incluido un precio antiguo. Un monitor informa de un cambio en el texto, no de su causa.

El README de changedetection.io indica que solo tú respondes de cumplir las condiciones de servicio, el robots.txt y las políticas de acceso de los sitios que vigilas, además de la ley aplicable. En Crawl4AI la comprobación de robots.txt viene desactivada, así que actívala. Lo que sigue es prudencia práctica, no asesoramiento jurídico:

• Lee antes las condiciones del sitio y su robots.txt, deja fuera los sitios que prohíben el acceso automatizado y mantén una frecuencia baja.
• No entres tras un inicio de sesión ni un muro de pago, aunque las herramientas tengan funciones de sesiones y proxies.
• Recoge datos de negocio: precios, características, condiciones. Deja fuera nombres, contactos y reseñas vinculadas a personas. La normativa de datos personales (en la UE, el RGPD) puede aplicarse también a datos públicos.
• Usa el material para tu propio análisis. Republicar textos o fotos de un competidor es una cuestión aparte de derechos de autor.