Cómo obtienen sus datos de entrenamiento los generadores de música por IA, y por qué siempre termina en polémica

Un hacker que obtuvo acceso al código fuente interno de Suno, una de las principales startups de generación musical por IA, ha sacado a la luz pruebas que sugieren que la empresa construyó su conjunto de datos de entrenamiento en parte recopilando décadas de audio directamente de YouTube, usando las credenciales de un exempleado para entrar en la base de código. Suno no ha detallado por completo cómo construyó sus modelos subyacentes, y el incidente está devolviendo ahora a la vista pública una pregunta familiar: ¿de dónde proviene realmente la información con la que se entrena un modelo de IA generativa, y es legal esa obtención?

La respuesta corta, válida para casi todas las grandes empresas de IA generativa que han enfrentado este escrutinio, desde generadores de imágenes hasta grandes modelos de lenguaje y ahora herramientas musicales, es que los datos de entrenamiento suelen provenir de un rastreo automatizado y a gran escala de contenido de internet de acceso público, a menudo sin permiso explícito de los creadores individuales de ese contenido. YouTube, en particular, se ha convertido en un foco recurrente de conflicto porque alberga una biblioteca de audio y video enorme y fácilmente accesible que abarca géneros, idiomas y décadas, lo que lo convierte en un objetivo atractivo para cualquier empresa que intente reunir un conjunto de datos de entrenamiento a gran escala.

La cuestión legal gira sustancialmente en torno a la doctrina del uso justo (fair use) del derecho de autor en Estados Unidos, que permite el uso de material protegido sin permiso bajo ciertas circunstancias, incluidos fines como el comentario, la investigación o la transformación en algo sustancialmente nuevo. Las empresas de IA generalmente han argumentado que entrenar un modelo con contenido protegido por derechos de autor constituye un uso transformativo protegido por el fair use, ya que el modelo no almacena ni reproduce las obras originales, sino que aprende patrones estadísticos a partir de ellas. Los críticos, incluidos músicos, sellos discográficos y titulares de derechos, argumentan que este planteamiento estira el fair use mucho más allá de su intención original, y que las empresas de IA están efectivamente construyendo productos comerciales sobre el uso no autorizado del trabajo creativo de otros.

Los tribunales de múltiples jurisdicciones siguen trabajando activamente en estas cuestiones, y los resultados legales hasta ahora han sido mixtos en lugar de una resolución clara en un sentido u otro. Algunos fallos han favorecido a las empresas de IA por motivos específicos de fair use, mientras que otros han permitido que demandas por infracción de derechos de autor avancen hacia juicio, particularmente en casos donde se puede demostrar que el resultado de un modelo reproduce de cerca una obra existente específica en lugar de un estilo o patrón general. Esa incertidumbre en sí misma se ha convertido en parte del cálculo de negocio: varios grandes laboratorios de IA han optado por negociar acuerdos de licencia con propietarios de contenido, particularmente organizaciones de noticias y algunos titulares de derechos musicales, en lugar de esperar años a que un litigio resuelva la cuestión legal de fondo.

Lo que hace notable la situación de Suno dentro de este patrón más amplio es menos el presunto uso de contenido de YouTube en sí, ya que numerosas empresas de IA en múltiples modalidades han enfrentado alegaciones similares, y más cómo salió a la luz la evidencia. En lugar de emerger a través de un proceso de descubrimiento judicial o un reportaje de investigación, provino de una intrusión no autorizada en los propios sistemas de la empresa usando las credenciales todavía activas de un exempleado, lo que plantea una cuestión aparte sobre las prácticas de seguridad interna de Suno, junto con la disputa subyacente sobre el origen de los datos.

Para la industria musical en particular, la música generada por IA se suma a una relación ya tensa con las plataformas tecnológicas por regalías y reparto de ingresos, que se remonta a las disputas de la era del streaming sobre los pagos por reproducción. Los músicos y sellos discográficos ven la generación de música por IA como una erosión adicional del valor de la música grabada, ya que un modelo entrenado con grabaciones existentes puede generar nuevas pistas en un estilo similar sin pagar regalías a ninguno de los artistas cuyo trabajo dio forma a ese estilo, una preocupación distinta de la cuestión de derechos de autor subyacente, aunque relacionada con ella.

Suno, por su parte, ha argumentado anteriormente, como han hecho varias empresas pares que enfrentan alegaciones similares, que el fair use protege su enfoque de entrenamiento y que sus herramientas están diseñadas para generar composiciones nuevas en lugar de reproducir grabaciones existentes. Que ese argumento se sostenga probablemente dependerá menos del sentimiento público tras incidentes como este hackeo y más de cómo se resuelva finalmente en los tribunales la ola en curso de litigios por derechos de autor contra empresas de IA, un proceso que dista mucho de haber terminado en toda la industria.

La brecha también subraya una tensión estructural que las empresas de IA ahora deben gestionar además de su exposición legal: la misma documentación interna y el mismo código que ayudan a una startup de rápido crecimiento a entrenar y mejorar sus modelos con rapidez son también el material con más probabilidades de revelar, en detalle poco favorecedor, exactamente cómo se construyeron esos modelos si alguna vez se filtra. A medida que más de estas empresas enfrentan una presión paralela de reguladores, titulares de derechos y sus propios empleados que se marchan, es probable que incidentes como este sigan sacando a la luz la misma pregunta de fondo más rápido de lo que los tribunales pueden resolverla.