SagelixSAGELIX
Cómo funcionaHistoriasEl archivoBlog
Entrar
  1. Sagelix
  2. Blog
  3. De dónde sale lo que sabe un modelo de IA
Volver al blog
Para empresasPublicado el 18 de noviembre de 20265 min de lectura

De dónde sale lo que sabe un modelo de IA

Las manos de un profesional firmando un documento

«Con datos de internet» está dejando de ser una respuesta. Lo que dicen las auditorías, la ley y los tribunales sobre la procedencia de los datos con los que se entrena la IA.

S

Sagelix

Sagelix

Imagen generada con inteligencia artificial.

Durante años, la respuesta a «¿con qué se entrenó esto?» fue «con datos de internet». Esa respuesta está dejando de valer, por razones que se pueden documentar.

Ni los datos ordenados traen su licencia

Una auditoría revisó más de 1.800 conjuntos de datos de texto, de los que se usan para entrenar y ajustar modelos. En los repositorios más utilizados, más del 70 % no indicaba con qué licencia se distribuía, y más del 50 % la indicaba mal (Longpre y otros, 2024).

No habla de material rastreado sin orden. Habla de colecciones preparadas y publicadas para ser reutilizadas. Ni siquiera ahí se sabe con qué permiso llega el contenido.

Quienes publican están retirando el permiso

Otro estudio revisó 14.000 dominios web presentes en tres grandes corpus de entrenamiento. En un solo año quedó restringido más del 28 % de las fuentes más importantes y mejor mantenidas de uno de ellos. Si se miran las condiciones de uso de cada sitio, el 45 % de ese corpus está ya restringido (Longpre y otros, 2024b). Es un trabajo que hemos consultado como prepublicación.

Internet, por tanto, no es una fuente neutra. Una parte creciente de quienes escriben en ella ha dicho que no.

La ley y los tribunales ya preguntan

  • Europa. Desde agosto de 2025, los proveedores de modelos de uso general deben tener una política de respeto a los derechos de autor y publicar un resumen suficientemente detallado del contenido usado para entrenar (Reglamento de IA, artículo 53). La Comisión publicó en julio de 2025 la plantilla de ese resumen, que pide enumerar las principales colecciones de datos y explicar el resto de fuentes. La obligación recae en quien hace el modelo de base, no en quien construye un producto encima.
  • Estados Unidos. Un tribunal aprobó en julio de 2026 un acuerdo de 1.500 millones de dólares entre una empresa de IA y autores de libros, de unos 3.000 dólares por obra, con la obligación de destruir las copias procedentes de dos bibliotecas pirata. Lo que se pagó fue el origen del material. El dato viene del gremio de autores, que es parte interesada.
  • Alemania. Un tribunal de Múnich resolvió en noviembre de 2025 que memorizar letras de canciones dentro de un modelo vulnera el derecho de reproducción. La sentencia no es firme, y la conocemos por el resumen de un despacho, no por el texto original.

El marco no está cerrado. La Oficina de Derechos de Autor de Estados Unidos constata que ya hay sistemas entrenados solo con obras licenciadas o de dominio público. A la vez admite que el crecimiento del mercado de licencias no prueba que licenciarlo todo sea viable a gran escala.

Por qué importa que detrás haya una persona

Hay un motivo técnico además del legal. Entrenar modelos con contenido generado por otros modelos produce defectos que se acumulan y no se corrigen, y los autores de ese trabajo concluyen que los datos procedentes de personas reales serán cada vez más valiosos (Shumailov y otros, 2023).

También hay evidencia de que el material de un campo concreto mejora los resultados en ese campo: entrenar solo con texto biomédico dio ganancias sustanciales frente a partir de un modelo general (Gu y otros, 2021). Ese estudio compara textos, no conocimiento aportado por profesionales.

Buenas fuentes no garantizan aciertos

Conviene no exagerar.

  • Herramientas jurídicas construidas sobre fuentes profesionales se equivocaron entre el 17 % y el 33 % de las veces, y sus autores concluyen que lo que prometían los proveedores era exagerado (Magesh y otros, 2024).
  • Un modelo general bien dirigido superó a modelos médicos especializados en exámenes tipo test (Nori y otros, 2023).
  • No hemos encontrado ningún estudio que compare, en un producto real, conocimiento aportado por profesionales veteranos con datos de la web.

Tener una procedencia clara no hace que un sistema acierte. Hace que se pueda saber de dónde viene lo que dice, y con qué permiso.

Qué significa para quien aporta lo que sabe

Lo que cambia es la pregunta. A un producto de IA se le va a pedir, por parte de sus clientes y cada vez más en los tribunales, que diga de dónde sale lo que afirma. Un conocimiento con autor identificado y permiso de uso por escrito puede responderla; uno recogido sin más, no.

En Sagelix cada volumen lleva el nombre del profesional que lo aportó, y cada compra deja registrado el permiso de uso con sus condiciones.

Fuentes

  • Longpre y otros (2024). «A large-scale audit of dataset licensing and attribution in AI». Nature Machine Intelligence 6. Prepublicación
  • Longpre y otros (2024b). «Consent in Crisis: The Rapid Decline of the AI Data Commons». arXiv:2407.14933
  • Reglamento (UE) 2024/1689, artículo 53. Texto
  • Comisión Europea (2025). Plantilla para el resumen público del contenido de entrenamiento
  • Authors Guild (2026). Nota sobre la aprobación del acuerdo en Bartz v. Anthropic
  • CMS (2025). Resumen de la sentencia del Landgericht München I, 42 O 14139/24
  • U.S. Copyright Office (2025). «Copyright and Artificial Intelligence, Part 3: Generative AI Training», versión previa a la publicación
  • Shumailov y otros (2023). «The Curse of Recursion». arXiv:2305.17493
  • Gu y otros (2021). «Domain-Specific Language Model Pretraining for Biomedical NLP». arXiv:2007.15779
  • Magesh y otros (2024). «Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools». arXiv:2405.20362
  • Nori y otros (2023). «Can Generalist Foundation Models Outcompete Special-Purpose Tuning?». arXiv:2311.16452
Compartir

Artículos relacionados

Para empresas: por qué el conocimiento de un veterano no lo sustituye más potencia de cálculo
Para empresas

Para empresas: por qué el conocimiento de un veterano no lo sustituye más potencia de cálculo

3 min
Por qué ahora y no dentro de cinco años
Por qué importa

Por qué ahora y no dentro de cinco años

3 min
Jubilarse no tiene por qué ser dejar de aportar
Por qué importa

Jubilarse no tiene por qué ser dejar de aportar

3 min

¿Te ha gustado este artículo?

Únete a Sagelix y preserva tu experiencia profesional para las generaciones futuras.

Empieza gratis

Recibe historias del archivo

© 2026 Sagelix — el archivo vivo

Un proyecto de Quantum Howl
PrivacidadTérminosContacto