¿Entrenar una IA generativa es minería de datos? Dos expertos dicen que no
Un jurista y un experto en IA defienden en la revista TISMIR que entrenar modelos generativos con obras protegidas no encaja en la excepción europea de minería de textos y datos ni, en EE. UU., en el «fair use».

Para entrenar un modelo de inteligencia artificial generativa, de los que escriben textos, crean imágenes o componen música, hacen falta cantidades enormes de datos. La forma habitual de conseguirlos es el web scraping: programas que recorren internet y descargan todo lo que encuentran. Una parte importante de ese material son obras protegidas por derechos de autor, como canciones, libros, fotografías o artículos. Si esas obras pueden usarse sin permiso para entrenar una IA es una de las grandes preguntas jurídicas del momento.
Sobre esa pregunta trata el artículo «Generative AI Training and Copyright Law», firmado por Tim W. Dornis (jurista) y Sebastian Stober (investigador en inteligencia artificial) y publicado en Transactions of the International Society for Music Information Retrieval (TISMIR), una revista de acceso abierto con licencia CC BY. Este texto es un resumen propio a partir del planteamiento del artículo, no una traducción.
El argumento central: entrenar no es lo mismo que minar datos
Los desarrolladores de IA suelen escudarse en dos figuras legales. En Estados Unidos recurren al fair use (uso legítimo), una doctrina flexible que permite ciertos usos de obras ajenas sin autorización. En Europa, según los autores, la opinión mayoritaria sostiene que se aplica la excepción de minería de textos y datos (TDM, por sus siglas en inglés), recogida en la Directiva europea de 2019 sobre derechos de autor en el mercado único digital. Esa excepción permite hacer copias de obras para analizarlas automáticamente y extraer información, como patrones, tendencias o correlaciones.

Dornis y Stober llevan años discutiendo esa idea. En un estudio interdisciplinar de 2024, escrito «en tándem» entre el Derecho y la informática, defendieron que el entrenamiento de IA generativa es algo fundamentalmente distinto de la minería de datos. Este nuevo artículo reúne sus conclusiones principales para la comunidad científica.
La diferencia, explicada de forma sencilla, sería esta:
- La minería de datos clásica analiza obras para obtener conocimiento sobre ellas: cuántas veces aparece una palabra, qué estilos predominan en una época, qué rasgos comparten ciertos géneros musicales. El resultado es información, no obras nuevas.
- El entrenamiento generativo usa esas obras para construir un sistema capaz de producir contenido nuevo del mismo tipo, que puede competir con el original en el mercado.
Si se acepta esa distinción, la excepción TDM no cubriría el entrenamiento, y lo mismo pasaría, según los autores, con el fair use estadounidense. Conviene recordar que es una postura académica dentro de un debate abierto: los propios autores reconocen que la opinión predominante en Europa es la contraria.
El problema de la memorización
El artículo añade un segundo frente que no depende de esas excepciones: la memorización de los datos de entrenamiento. Se sabe que los modelos generativos, en ciertos casos, retienen fragmentos de las obras con las que se entrenaron y pueden reproducirlos casi tal cual.
Según Dornis y Stober, este fenómeno crea problemas de derechos de autor por sí solo. Aunque el acto de entrenar estuviera amparado por una excepción, que el modelo contenga y pueda devolver partes reconocibles de obras protegidas plantea cuestiones distintas, que esas excepciones no resuelven. Es decir, el debate no se acaba al decidir si el entrenamiento es o no minería de datos.
Qué implica para la investigación (y para la música)
El artículo se dirige expresamente a la comunidad de recuperación de información musical (MIR), el campo que estudia cómo analizar, clasificar y buscar música con ordenadores. Es un público directamente afectado: muchos de sus trabajos usan grandes colecciones de grabaciones protegidas y cada vez más investigan modelos que generan música.
Los autores analizan las consecuencias tanto para la investigación pública, la de universidades y centros académicos, como para la investigación empresarial. Si su tesis es correcta, prácticas que hoy se dan por seguras podrían no estarlo, y eso afectaría a cómo se construyen y comparten los conjuntos de datos y los modelos.
El texto no se queda en la advertencia. Propone que la comunidad MIR, que conoce bien tanto la parte técnica como el ecosistema musical, contribuya al debate sobre prácticas justas en IA generativa, con soluciones que satisfagan a todas las partes: investigadores, empresas, artistas y titulares de derechos.
Limitaciones a tener en cuenta
Es un artículo de análisis jurídico e interdisciplinar, no un experimento con resultados medibles. Sus conclusiones son una interpretación argumentada de la ley, no una sentencia: la última palabra la tendrán los tribunales y, en su caso, los legisladores. Además, el texto resume un estudio más amplio, así que quien quiera el razonamiento completo debe acudir a ese trabajo de 2024.
Por qué importa
Casi toda la IA generativa que usamos a diario se ha entrenado con contenido descargado de internet. Si la idea de que «entrenar es minería de datos» no se sostiene, cambian las reglas para quienes desarrollan modelos y para quienes crean las obras con las que se alimentan. Que un jurista y un ingeniero firmen juntos este análisis ayuda a que el debate se apoye en cómo funcionan de verdad estos sistemas, incluida su capacidad de memorizar, y no solo en metáforas.
Fuente: Dornis, T. W. y Stober, S. «Generative AI Training and Copyright Law». Transactions of the International Society for Music Information Retrieval. DOI: 10.5334/tismir.258. Licencia CC BY.
- Generative AI Training and Copyright Law (Dornis y Stober) — Transactions of the International Society for Music Information Retrieval
Texto generado con inteligencia artificial a partir de las fuentes citadas, sin revisión humana individual (Reglamento UE 2024/1689, art. 50). Las fotos llevan su crédito y licencia; las marcadas como realzadas se han retocado con IA sin alterar su contenido.
Relacionado
- La IA generativa ya tiene más de 700 millones de usuarios en China
- GTA 6 tendrá 34 canciones originales y ya se pueden oír seis
- Ubisoft crea Motherbrain, su nuevo estudio de IA generativa para juegos
- Battlefield 6 corregirá la errata «Secuty», pero las cinco pistolas se quedan
- Anterior en Ciencia: El alzhéimer podría encoger dos zonas del cerebro años antes del olvido
- Siguiente en Ciencia: Estrujar la incertidumbre cuántica protege mejor a los «qubits gato»
Temas: Inteligencia artificial (88) · IA generativa (4)




Comentarios
Para comentar hay que iniciar sesión (Google, X, Facebook, Apple, Microsoft o cuenta de Disqus). Se moderan insultos, spam y datos personales: normas.
Los comentarios los sirve Disqus, un servicio externo que usa cookies propias y de publicidad. Solo se carga si pulsas el botón. Más información.