La disputa sobre los datos de entrenamiento de la IA está llegando a un punto crítico.

OpenAI era un libro abierto en 2020. Cuando lanzó GPT-3, publicó un informe detallado sobre cómo se construyó el chatbot con una "lista de lectura" pública que mostraba los tipos de material con el que fue entrenado. (Aproximadamente el 3% era Wikipedia). Eso permitió a los investigadores ver exactamente qué hacía funcionar a la IA.

Hoy en día, detalles como estos se tratan como secretos comerciales. Las empresas de IA dicen que revelar demasiado sobre cómo funciona su tecnología daría una ventaja a los competidores, por lo que gran parte de ella se oculta a la vista del público, incluso cuando estos sistemas se integran en escuelas, hospitales y lugares de trabajo. Esa pérdida de transparencia se ha convertido en una fuente importante de preocupación y la base de docenas de batallas legales.

No es ningún secreto que el trabajo de escritores, artistas, músicos y editores ayuda a impulsar los modelos de IA de hoy. Ese hecho ha resultado en una avalancha de demandas de titulares de derechos de autor que alegan que las empresas de IA están utilizando ilegalmente su trabajo para entrenar sistemas sin permiso. Se está convirtiendo en una de las batallas definitorias sobre cómo se le permite crecer a la industria de la IA.

“No se puede evitar el hecho de que su mera existencia se debe a las canciones que escribí en el pasado”, dijo Björn Ulvaeus, el cantautor sueco y miembro de ABBA, hablando con Bloomberg el año pasado sobre herramientas de IA para músicos. “Debo ser remunerado por eso. Si ganas dinero con algo que te ayudé a crear, obtengo una parte.”

Las apuestas van mucho más allá de los artistas individuales. Las industrias construidas alrededor de trabajos con derechos de autor, incluida la música, el cine, la publicación y el software, representaron aproximadamente el 8% del producto interno bruto de EE. UU. en 2023 y apoyaron casi 12 millones de empleos, según la Alianza Internacional de Propiedad Intelectual.

El argumento se está moviendo hacia un año decisivo. Ya se han presentado más de 50 demandas por derechos de autor. presentado en los EE. UU. y se espera que varios de los más grandes avancen en 2026. Entre ellos hay casos presentados por editoras de música contra Anthropic, acusando a la empresa de IA de usar letras de canciones para entrenar sus modelos Claude, y por artistas visuales desafiando cómo Google $GOOGL construyó sus herramientas de generación de imágenes. Otros casos apuntan a Stability AI y a las empresas detrás de generadores de música de IA.

En una demanda de 2025, Walt Disney $DIS y Universal Pictures acusan al generador de imágenes de IA Midjourney de ser un “pozo sin fondo de plagio”, diciendo que copió y reprodujo personajes famosos sin permiso. “La piratería es piratería, y el hecho de que lo haga una empresa de IA no lo hace menos infractor”, dijo el director legal de Disney, Horacio Gutiérrez, en un comunicado.

Las empresas de IA involucradas rechazan ampliamente los reclamos, argumentando que entrenar modelos con grandes colecciones de material existente es necesario para construir sistemas que puedan entender el lenguaje, las imágenes o el sonido, y que no equivale a un acto de copia en el sentido tradicional.

Esa opinión ha encontrado cierta simpatía en los tribunales de EE. UU. En un caso muy observado . presentadas por autores de libros contra Anthropic, el juez de distrito de EE. UU. William Alsup describió el entrenamiento de IA como “esencialmente transformador”, escribiendo que la ley de derechos de autor “busca avanzar obras originales de autoría, no proteger a los autores contra la competencia”. Comparó el proceso con “enseñar a los escolares a escribir bien” y dijo que aprender de obras existentes no necesariamente equivale a infracción.

Otros jueces han sido más cautelosos. En un fallo separado relacionado con Meta $META, el juez de distrito de EE. UU. Vince Chhabria dijo que el entrenamiento fallaría la prueba de uso justo “en muchas circunstancias”, especialmente donde la tecnología corre el riesgo de “inundar el mercado” con nuevo contenido de maneras que debilitan los incentivos para los creadores humanos, uno de los principios de la ley de derechos de autor.

Lo que ninguna de las partes disputa es el volumen de material involucrado. Meta ha dicho que uno de sus modelos recientes fue entrenado con aproximadamente 40 billones de tokens de texto, una cantidad que tomaría decenas de millones de años para que un lector humano promedio pudiera absorber. La magnitud ha dejado a los tribunales luchando con cómo las pruebas tradicionales de derechos de autor, desarrolladas mucho antes de que tales sistemas existieran, se aplican en la práctica.

Algunas empresas están optando por no esperar respuestas. Disney acordó a finales del año pasado invertir $1 mil millones en OpenAI y permitir que la compañía use personajes de Disney en su generador de video Sora. Warner Music ha resuelto demandas con startups de música con IA y ha anunciado planes para construir herramientas licenciadas con ellas. Universal Music dijo en enero que trabajaría con Nvidia $NVDA en proyectos musicales relacionados con IA.

Eso es más fácil para las grandes empresas de entretenimiento, que tienen el poder de negociar acuerdos a medida con las empresas de IA. Los titulares de derechos más pequeños y los creadores independientes no lo tienen. Además, el incentivo para cerrar tales acuerdos podría desaparecer si los tribunales deciden que no son necesarios.

La administración de Trump parece poco probable que ayude. El Plan de Acción de la Casa Blanca sobre IA, anunciado el año pasado, no contiene puntos destinados a proteger los derechos de artistas o creadores cuyo trabajo se utiliza para entrenar chatbots. “No se puede esperar tener un programa exitoso de IA cuando se supone que se debe pagar por cada artículo, libro o cualquier otra cosa que hayas leído o estudiado”, dijo Trump en su lanzamiento. “Vaya, leí un libro, se supone que debo pagarle a alguien.”

La ley de derechos de autor no es la única preocupación. En 2023, el Observatorio de Internet de Stanford encontró más de mil imágenes de abuso sexual infantil en un conjunto de datos público que se usó para entrenar generadores de imágenes populares de IA. Los investigadores dijeron que el conjunto de datos había sido ampliamente compartido e incorporado en múltiples sistemas antes de que se encontrara el material ofensivo. Una vez incrustado en los datos de entrenamiento, dijeron los investigadores, dicho material puede ser difícil de identificar o eliminar completamente.

Otros estudios han planteado señales de advertencia sobre los sistemas de IA que se entrenan de manera desproporcionada en contenido en inglés y producción cultural occidental, lo que probablemente determina cómo estas herramientas interpretan el mundo y qué perspectivas priorizan.

Todas estas preocupaciones han agudizado los llamados a la transparencia en la construcción de sistemas de IA. Europa ya ha tomado medidas para que las empresas publiquen resúmenes de los datos de entrenamiento. No existen reglas comparables en los EE. UU., dejando a los tribunales y acuerdos de licencia para llenar los vacíos. A medida que la IA generativa se integra más profundamente en la vida cotidiana, la pregunta de qué entra en estos sistemas —y quién puede verlo— es más urgente que nunca.