Copyright es un problema de canalización de datos antes que un argumento legal.

Las dudas sobre derechos de autor en la IA empiezan antes del entrenamiento: acceso legal, reservas de derechos, licencias, procedencia, conservación y uso...

Copyright es un problema de canalización de datos antes que un argumento legal.

Una copia ya es una decisión

Las conversaciones sobre derechos de autor e IA suelen empezar por el extremo equivocado del sistema. Empiezan por el modelo: qué arquitectura, cuántos parámetros, qué referencia, qué versión. Cuando alguien pregunta de dónde salió el material de entrenamiento, ese material ya ha pasado por varias manos, formatos, filtros y capas de almacenamiento. La cuestión legal no ha llegado tarde. Ya estaba presente cuando se hizo la primera copia.

Esa primera copia puede ser temporal. Puede ser una página retenida el tiempo suficiente para que un analizador la lea, una imagen convertida en píxeles, un documento extraído de un archivo o una tabla normalizada para que un programa pueda comparar campos. Puede hacerse bajo una licencia, bajo una excepción, bajo un contrato o sin una base adecuada en absoluto. La máquina no hace la distinción por ti. Simplemente realiza la operación que el proceso le pide que realice.

Por eso el derecho de autor es un problema del proceso de datos antes de ser un argumento legal. Un tribunal o un titular de derechos puede acabar preguntando si un uso concreto estaba permitido. Una organización tiene que responder a una serie de preguntas anteriores: qué se recopiló, quién lo hizo, de dónde, con qué acceso, bajo qué norma, durante cuánto tiempo se conservó, en qué se transformó y en qué artefacto posterior se incorporó. Si esas preguntas no se registraron en su momento, el argumento legal se ve obligado a reconstruir un proceso invisible a partir de fragmentos.

El argumento aquí no es que cada decisión técnica determine el resultado legal. No es así. Un hash no concede permiso. Una licencia no hace aceptable una mala práctica de seguridad. Una ficha de modelo no resuelve los derechos de cada obra de un conjunto de entrenamiento. El punto es más prosaico y más útil: cada etapa crea hechos que un análisis posterior de derechos necesitará. Una buena ingeniería hace visibles esos hechos sin pretender que la visibilidad sea un veredicto.

El Derecho europeo es inusualmente explícito sobre esta parte inicial de la historia. La Directiva (UE) 2019/790 aborda la minería de textos y datos, el acceso lícito y las reservas de derechos. La Ley de Inteligencia Artificial añade una obligación separada para los proveedores de modelos de IA de uso general: establecer una política para cumplir la legislación de la Unión en materia de derechos de autor y publicar un resumen suficientemente detallado del contenido de entrenamiento. Ninguno de los dos instrumentos convierte un proceso en una máquina mágica de cumplimiento. Juntos, dificultan la defensa de la idea de que los datos de entrenamiento son simplemente combustible que desaparece cuando el modelo empieza a funcionar.

Podemos seguir la cadena sin inventar un incidente dramático. Empecemos con una fuente que un equipo está considerando para un fin definido. La fuente tiene un propietario, una ubicación, condiciones de acceso, una licencia aparente, una reserva declarada o una cuestión sin resolver. El equipo la descubre, comprueba si el acceso es lícito, decide si el uso propuesto encaja con el permiso o la excepción, captura una copia limitada, registra lo sucedido y luego decide si el material puede avanzar más. No es una historia sobre una empresa concreta. Es un experimento mental compuesto para hacer visibles las decisiones ordinarias.

Una vez que la cadena es visible, el lenguaje mejora. La recopilación no es entrenamiento. El acceso no es autorización para cualquier uso. Una licencia no es prueba de que un conjunto de datos derivado pueda redistribuirse. La atribución no sustituye al permiso. Una negativa no es una descarga fallida; es una decisión sobre derechos. El modelo es el último consumidor de una larga serie de decisiones anteriores.

El proceso es más largo que el modelo

Una canalización útil tiene más etapas de las que suele admitir un diagrama en una presentación de producto. El descubrimiento encuentra una fuente candidata. El acceso establece cómo se puede alcanzar la fuente. La adquisición realiza una o más copias. El análisis convierte los bytes en material estructurado. La normalización cambia las representaciones. El filtrado excluye o selecciona elementos. La anotación añade etiquetas o relaciones. El almacenamiento crea estados de trabajo y estados retenidos. La construcción del conjunto de datos define qué elementos viajan juntos. El entrenamiento o el ajuste fino cambia el modelo. La evaluación, la recuperación y la salida introducen nuevos usos. La publicación o el despliegue envía un artefacto al flujo de trabajo de otra persona.

Cada verbo oculta una decisión. El descubrimiento puede usar un índice, una fuente de datos, una API, un catálogo o una persona que mira una página. El acceso puede ser abierto, por suscripción, con licencia, autenticado o restringido por una medida técnica. La adquisición puede estar permitida para un propósito pero no para otro. El análisis puede crear copias de elementos expresivos que la interfaz original nunca mostró en esa forma. El filtrado puede eliminar una obra, conservar un extracto, transformar un formato o retener un conjunto de características. El entrenamiento puede crear pesos que no se parecen al texto fuente, pero aun así deja a la organización responsable de la ruta que los produjo.

La palabra datos hace que todas estas etapas parezcan neutrales. Es una abreviatura conveniente y una mala categoría moral. Una base de datos puede contener hechos de dominio público, artículos protegidos por derechos de autor, información personal, contratos confidenciales, software, fotografías, mediciones científicas y comentarios de personas que nunca esperaron que sus palabras se convirtieran en entradas de un modelo de propósito general. El contenedor no es el derecho. La canalización tiene que conservar las distinciones que la palabra datos borra.

Una forma práctica de hacerlo es adjuntar un pequeño registro de reclamaciones a cada elemento o familia de fuentes. El registro no necesita publicar registros internos sensibles. Debe decir qué se sabe, qué se asume, qué se permitió, qué se rechazó, qué cambió y qué estados posteriores heredaron la decisión. Una identidad de fuente, la hora de captura, la versión o un hash de contenido pueden respaldar ese trabajo. Ninguno de estos campos prueba la verdad o el permiso por sí solo. Hacen posible cuestionar la reclamación en lugar de debatir un recuerdo borroso.

La canalización también necesita límites. Una fuente recopilada para asistencia en la búsqueda puede no ser adecuada para el entrenamiento. Un extracto con licencia puede respaldar una cita en un informe, pero no un conjunto de datos público. Una excepción de minería de texto y datos puede cubrir un análisis computacional, dejando la reproducción o la comunicación pública fuera de su alcance. Una reserva de derechos puede detener un uso minero particular sin decir nada sobre un acceso no relacionado. Tratar la canalización como una sola acción indiferenciada garantiza que estas distinciones desaparecerán.

Una fuente no se vuelve legalmente más simple a medida que avanza por el pipeline. El registro tiene que viajar con ella.

El visual anterior es deliberadamente un mapa de proceso, no una puntuación de cumplimiento. Un nodo brillante no es una luz verde. Es un lugar donde debe tomarse una decisión y adjuntarse a la evidencia. El pipeline puede ser legal en una etapa y quedar fuera de alcance en la siguiente. También puede ser técnicamente cuidadoso mientras el propósito subyacente sigue sin respaldo. Por eso el registro operativo debe mostrar tanto la decisión como el límite que la rodea.

El acceso legal no es permiso para todo

La Directiva 2019/790 inicia sus disposiciones sobre minería de textos y datos con una condición fácil de citar y fácil de simplificar: el beneficiario debe tener acceso legal a las obras u otros objetos protegidos. El acceso legal puede incluir el acceso abierto, una suscripción u otra vía legal. No es lo mismo que una página sea visible en un navegador. Una dirección pública te dice dónde está la fuente. No te dice por sí sola qué actos ha autorizado el titular de derechos, qué contrato se aplica, si una medida técnica es efectiva o si el propósito propuesto encaja en una excepción.

La distinción importa porque el acceso y el uso son eventos diferentes. Una biblioteca puede proporcionar legalmente acceso a una revista mediante una suscripción. Un investigador puede entonces usar una excepción de minería de textos y datos dentro de las condiciones que se aplican a una organización de investigación. Un operador comercial puede tener acceso a una página pública pero aún así necesitar considerar una reserva de derechos, una licencia, derechos de base de datos, términos contractuales u otra restricción legal antes de hacer y conservar copias para un propósito diferente. Los mismos bytes pueden ser alcanzados por dos actores cuyas posiciones legales no son idénticas.

El acceso también tiene un lado técnico que no debe tratarse como un obstáculo a superar con astucia. La Directiva reconoce que los titulares de derechos pueden aplicar medidas proporcionales para proteger la seguridad e integridad de sus sistemas o bases de datos. Contraseñas, muros de pago, autenticación, límites de velocidad y otros controles efectivos son hechos sobre la ruta, no acertijos. Un rastreador que los evade no ha demostrado ingenio. Ha creado un nuevo problema de derechos y seguridad.

Por eso el pipeline más honesto registra el estado del acceso antes de almacenar el contenido. Si la fuente era abierta, suscrita, licenciada, autenticada o suministrada directamente. Qué términos eran visibles. Qué versión de esos términos estaba en vigor. Si se expresó una reserva. Si se encontró una restricción técnica. Si el operador decidió no continuar. La respuesta puede ser incompleta. Incompleto es más útil que una etiqueta confiada que nadie pueda explicar después.

El acceso lícito también está vinculado a una finalidad en la práctica. Una copia realizada para leer un artículo no es automáticamente una copia autorizada para el entrenamiento de modelos. Un conjunto de datos con licencia para análisis interno no está automáticamente autorizado para su publicación. La copia de preservación de una institución del patrimonio cultural no es automáticamente un corpus público de entrenamiento. El proceso debe transportar la finalidad como una condición, no como un comentario que se separa de los bytes tras la primera exportación.

Nada de esto requiere que un abogado apruebe cada solicitud HTTP. Requiere una división sensata de responsabilidades. El componente de adquisición puede aplicar la política de la fuente, la seguridad del destino y los límites de velocidad. Una función de derechos o de gobernanza de datos puede decidir si una familia de fuentes está dentro del alcance. Un registro técnico puede mostrar qué hicieron los componentes. La conclusión jurídica sigue siendo contextual, pero los hechos necesarios para esa conclusión dejan de evaporarse en el límite de la red.

Dos excepciones de minería de textos y datos, dos posturas distintas

Las disposiciones de minería de textos y datos de la Directiva no son una licencia amplia para copiar cualquier cosa interesante. El artículo 3 establece una excepción obligatoria para las reproducciones y extracciones realizadas por organizaciones de investigación e instituciones del patrimonio cultural con fines de investigación científica, siempre que tengan acceso lícito. Las copias pueden conservarse para los fines de la investigación científica y deben almacenarse de forma segura. La disposición se articula en torno a un beneficiario y una finalidad definidos. No es una exención general para cualquier organización que llame investigación a su trabajo.

El artículo 4 aborda la minería de textos y datos para otros fines. Se aplica cuando el usuario tiene acceso lícito y el titular de derechos no ha reservado los derechos de realizar reproducciones y extracciones de manera adecuada. Para el contenido disponible públicamente en línea, la Directiva establece que la reserva puede expresarse por medios legibles por máquina, incluidos los metadatos y los términos y condiciones de un sitio web o servicio. La excepción permite al titular de derechos reservarse el uso de minería. Es una postura distinta de la excepción de investigación científica del artículo 3.

Estas disposiciones convierten la clasificación en parte del proceso. ¿Es el operador una organización de investigación o una institución del patrimonio cultural según los entiende la Directiva? ¿Es la finalidad la investigación científica? ¿Es lícito el acceso? ¿Se conserva la copia de forma segura y solo en la medida necesaria para la finalidad de la investigación? Si el uso se encuadra en el artículo 4, ¿se ha reservado el derecho de manera adecuada? ¿Añade términos un contrato? ¿Se aplica otro derecho, como el derecho sobre bases de datos? Un único campo llamado tdm_allowed no puede responder honestamente a todas esas preguntas.

Los considerandos son útiles porque explican el problema que el legislador trataba de resolver. La minería de textos y datos puede implicar reproducciones de obras o extracciones de bases de datos, incluso cuando la tarea técnica se describe como análisis. También puede referirse a hechos o datos que no están protegidos por derechos de autor. Por tanto, el carácter jurídico del material y los actos realizados son relevantes. El proceso debe saber si maneja hechos no protegidos, obras expresivas, una base de datos protegida o una mezcla que requiera un tratamiento diferenciado.

Los mismos considerandos también explican por qué el acceso lícito no es una frase decorativa. Las organizaciones de investigación pueden acceder al contenido mediante suscripciones, licencias abiertas o material disponible gratuitamente en línea. Una suscripción puede proporcionar acceso lícito mientras sus términos aún deban examinarse en su contexto. Una página pública puede visualizarse lícitamente mientras el derecho a realizar un tipo distinto de copia siga siendo objeto de controversia. La apertura de la fuente y la operación propuesta son hechos relacionados, no sinónimos.

Existe la tentación de convertir las excepciones en una puerta binaria: sí para la investigación, no para todo lo demás. Eso es demasiado burdo. Las excepciones interactúan con excepciones existentes, contratos, derechos de base de datos, medidas tecnológicas y la implementación nacional. La Directiva es un instrumento de la Unión, pero su aplicación práctica sigue pasando por el Derecho de los Estados miembros y por los hechos del uso. Un artículo puede explicar la estructura sin ofrecer una conclusión para un conjunto de datos u organización concretos.

Para la ingeniería, la implicación es sencilla. Modele la vía legal como estados tipados en lugar de un booleano sin matices. Una fuente puede ser candidata, con acceso verificado, con excepción evaluada, licenciada, reservada, rechazada, admitida para un fin específico, retirada o pendiente de revisión. Una transición debe tener un responsable y evidencia. Si un operador cambia el fin de investigación a formación comercial, el estado debe exigir una nueva evaluación en lugar de arrastrar silenciosamente el permiso anterior.

Puede parecer quisquilloso. Es menos quisquilloso que intentar explicar, dos años después, por qué una gran carpeta de material se trató como si cada elemento tuviera la misma vía legal. Europa ya ha plasmado las distinciones en el texto. El trabajo del pipeline es evitar que se pierdan por conveniencia.

Una exclusión voluntaria es un límite legible por máquina

A menudo se habla de las reservas de derechos como si fueran una disputa entre un editor y un rastreador. La Directiva describe algo más práctico. Para contenido en línea disponible públicamente, una reserva adecuada para la minería de textos y datos del artículo 4 puede expresarse por medios legibles por máquina, incluidos los metadatos y los términos y condiciones de un sitio web o servicio. La forma técnica importa porque una reserva que el sistema de adquisición no puede encontrar o interpretar es un límite que existe en la ley pero desaparece en la práctica.

Legible por máquina no significa permiso automático a la inversa. Que un analizador no encuentre una reserva reconocida no demuestra que el uso sea lícito. Solo significa que se ha inspeccionado una de las entradas de la decisión. El sistema sigue necesitando el estado de acceso, el fin, la identidad de la fuente, el contexto contractual y otras comprobaciones de derechos. A la inversa, una reserva no debe tratarse como una prohibición general de toda interacción con un sitio web. Es una señal sobre los derechos de realizar reproducciones y extracciones para la minería de textos y datos en virtud de la disposición pertinente.

La diferencia entre señal y conclusión es donde fallan muchos pipelines. Un marcador de derechos puede estar presente en los metadatos, en los términos o en un mecanismo estandarizado. El analizador puede registrar el campo, el valor, la ubicación y el momento de recuperación exactos. Un paso de gobernanza puede interpretar qué significa ese marcador para el uso propuesto. Si el sistema solo escribe permitido o denegado, pierde la evidencia necesaria para revisar un falso positivo, una política cambiada o una interpretación discutida.

Las reservas también tienen un carácter temporal. Los sitios web cambian sus términos. Los feeds se sustituyen. Una fuente puede publicar una nueva instrucción legible por máquina después de que se haya capturado material anterior. La captura antigua y la decisión nueva no pueden reducirse a una única etiqueta actual sin perder el historial. El pipeline debe poder decir que se hizo una copia bajo un estado observado, que un estado posterior cambió la vía y que una revisión decidió si el material ya retenido debe restringirse, eliminarse o conservarse para una evaluación legal.

Este es un buen lugar para una pequeña dosis de humor ingenieril europeo. Una política que dice respete el archivo robots y luego no guarda registro de qué archivo robots leyó no es una política. Es un deseo con una credencial colgada. Lo mismo se aplica a las señales de derechos de autor. El pipeline debe registrar lo que vio, lo que entendió, lo que no pudo interpretar y por qué se detuvo o continuó.

Cuando una fuente utiliza una convención que el pipeline no admite, la respuesta segura no es adivinar. Marca la fuente como no resuelta, solicita una decisión humana o utiliza una alternativa autorizada. Un analizador ausente es una limitación técnica. Tratar un límite ilegible como un permiso es un fallo de gobernanza. Los sistemas deben fallar de forma cerrada en el punto donde la incertidumbre se convertiría en una copia.

Las licencias, la atribución y la procedencia cumplen funciones distintas

A menudo se mencionan la licencia, la atribución y la procedencia en la misma frase, como si fueran tres nombres corteses para el permiso. No lo son. Una licencia es una concesión de derechos, sujeta a sus términos. La atribución identifica a un creador o fuente y puede ser una condición de la concesión. La procedencia registra de dónde procede el material, cómo se ha tratado y qué decisiones han dado forma a su estado actual. Una fuente puede tener procedencia sin licencia, licencia sin procedencia adecuada, o atribución sin permiso para realizar el acto propuesto.

La diferencia se hace visible cuando un conjunto de datos se reúne a partir de muchas fuentes. El conjunto de datos puede ser internamente coherente, reproducible y estar magníficamente documentado. Si una fuente se copió fuera de su licencia, la calidad de los metadatos no repara ese problema. Si todas las fuentes tienen licencia pero el equipo no puede identificar qué versión entró en el conjunto de datos, la licencia puede ser imposible de aplicar de forma fiable. Si un catálogo público enumera a los creadores pero el modelo descendente no puede conservar los avisos pertinentes, la atribución puede fallar aunque el equipo creyera haber hecho lo correcto.

Un registro sensible a los derechos necesita, por tanto, varias capas. La identidad dice qué es la fuente. El origen dice quién la suministró o publicó y dónde se encontró. El acceso dice cómo llegó el operador hasta ella. Los derechos dicen qué permiso, excepción, reserva o cuestión no resuelta se aplica. El tratamiento dice qué transformaciones se realizaron. La retención dice qué copias y artefactos derivados permanecen. El uso dice qué conjunto de datos, modelo, evaluación o salida consumió el estado. Cada capa responde a una pregunta de revisión distinta.

La procedencia tampoco es un certificado de verdad. Un registro firmado puede establecer identidad, integridad y linaje sin demostrar que una obra se atribuyó correctamente o que una licencia era válida. El registro debe decir qué establece. La sobreafirmación es especialmente peligrosa en los sistemas de derechos porque una cadena pulida puede hacer que un permiso no respaldado parezca oficial. La etiqueta honesta suele ser: fuente identificada, declaración de licencia facilitada por el operador, evaluación jurídica pendiente.

La atribución tiene una dimensión social además de contractual. Un creador puede querer que se le nombre, un editor puede exigir un aviso y un conjunto de datos puede necesitar un campo legible por máquina que sobreviva a la exportación. Pero la atribución puede convertirse en una especie de camuflaje moral si se utiliza para dar a entender consentimiento. Nombrar a un fotógrafo no permite por sí solo que un modelo ingiera la fotografía. Enlazar un artículo no autoriza por sí solo una copia de entrenamiento. El crédito es valioso. No es un disolvente universal.

Las propias licencias deben leerse como datos. Almacena el identificador o el texto de la licencia, la versión, cualquier restricción territorial o de finalidad, las condiciones de atribución, los términos de compartir igual o no comercial, y la fuente de la declaración de licencia. No conviertas una frase humana como abierto para reutilización en una marca interna sin matices. La frase breve puede omitir los actos, formatos o destinatarios exactos que importan para el uso previsto.

Cuando los términos no estén claros, conserva la incertidumbre. Una fuente puede seguir siendo útil para un lector humano y quedar excluida del entrenamiento. Puede conservarse en un almacén de revisión en cuarentena sin entrar en un conjunto de datos gobernado. Puede sustituirse por una fuente cuya vía de derechos sea más clara. La cuestión no es tomar todas las decisiones con rapidez. Es hacer que la decisión sea reversible y el motivo visible.

El filtrado no es una tarea doméstica neutral

El filtrado suele presentarse como un trabajo de calidad. Eliminar duplicados, descartar contenido superfluo, descartar archivos dañados, conservar el lenguaje útil y continuar. Esas operaciones pueden ser razonables. También pueden cambiar el perfil de derechos y privacidad del material. Un filtro que elimina un pie de página puede eliminar la atribución. Un deduplicador puede decidir que dos copias son iguales cuando una lleva un aviso de licencia distinto. Un filtro de idioma puede excluir un corpus en una lengua minoritaria y hacer que el modelo sea menos útil para esa comunidad. Un filtro de seguridad puede conservar un extracto breve que sea más sensible que el documento completo.

El error central es tratar el filtro como un detalle de implementación en lugar de una decisión sobre lo que persiste. Un registro debe indicar qué regla se ejecutó, sobre qué versión de la fuente, con qué resultado y si una persona revisó los casos límite. Debe ser posible reconstruir no solo el conjunto de datos final, sino también el conjunto de candidatos que fueron rechazados, puestos en cuarentena o eliminados. De lo contrario, una solicitud posterior de retirar una obra se convierte en una búsqueda a través de un modelo del proceso, en lugar de una operación sobre el propio proceso.

El filtrado también tiene un efecto representativo. Supongamos que una familia de fuentes contiene crítica de largo formato, noticias breves, avisos públicos y comentarios. Un umbral de longitud puede conservar una forma y descartar otra. Una regla de deduplicación puede privilegiar el material sindicado sobre la información local. Una puntuación de calidad puede favorecer el lenguaje institucional pulido. Estas no son afirmaciones sobre un corpus concreto. Son formas habituales en que una regla técnica puede cambiar las palabras de quién sobreviven. El proceso debe describirlas como decisiones de diseño y evaluar sus consecuencias.

Los derechos de autor y los datos personales pueden entrar en conflicto aquí. Eliminar nombres no elimina necesariamente el texto expresivo. Eliminar texto no elimina necesariamente un derecho de base de datos. Seudonimizar un registro puede reducir la identificación directa y, al mismo tiempo, dejar el registro transformado sujeto a una regla de retención o contractual. La respuesta correcta no es inventar una jerarquía universal. Es mantener explícito el propósito de cada control y evitar afirmar que un solo filtro resuelve toda categoría legal.

Un control práctico es hacer que las transformaciones sean componibles e inspeccionables. Mantenga la identidad de la fuente vinculada al registro transformado. Almacene un identificador y una versión de la regla. Registre los recuentos solo donde se miden y conserve una muestra o un manifiesto que permita a un revisor inspeccionar lo que hizo la regla. Si una regla no se puede reproducir, dígalo. Un proceso que informa solo del conjunto de datos final limpio le pide al revisor que confíe en una historia sobre el medio.

También existe el deber de resistirse a la limpieza cosmética. Un conjunto de datos con todos los campos completos y cada elemento etiquetado con una etiqueta de calidad alegre puede ser menos honesto que un conjunto más pequeño con vacíos visibles. Una revisión de derechos necesita los elementos incómodos: la fuente con términos contradictorios, la obra cuyo autor es incierto, la página que cambió antes de la captura, el archivo que fue rechazado porque no se pudo analizar una reserva. La ambigüedad es parte del material. Ocultarla hace que la confianza posterior sea frágil.

El entrenamiento es una transformación, no una desaparición

El entrenamiento cambia la forma del material. No hace desaparecer automáticamente las cuestiones de derechos anteriores. Los parámetros del modelo no son una copia simple de cada fuente, y el modelo puede no reproducir una obra concreta. Esas observaciones son técnicamente relevantes, pero no responden a la cuestión legal completa. El proceso aún hizo copias, seleccionó datos, aplicó un propósito y produjo un artefacto a partir de un proceso sensible a los derechos.

La Ley de Inteligencia Artificial es cuidadosa con este aspecto. En sus considerandos, señala que el desarrollo y el entrenamiento de los modelos de IA de uso general requieren acceso a grandes cantidades de texto, imágenes, vídeo y otros datos, algunos de los cuales pueden estar protegidos. Indica que el uso de contenido protegido requiere autorización salvo que se aplique una excepción o limitación pertinente. También establece que los proveedores que comercialicen modelos de IA de uso general en el mercado de la Unión deben contar con una política para cumplir la legislación de la Unión en materia de derechos de autor, incluida la identificación y el respeto de las reservas de derechos en virtud del artículo 4, apartado 3, de la Directiva sobre los derechos de autor.

Esa obligación no implica que un proveedor haya cumplido simplemente por el hecho de que exista una política. Una política es un control organizativo. Debe remitir a los estados de origen, las decisiones, las vías de supervisión y corrección que le dan sustancia. La Ley también exige un resumen público suficientemente detallado sobre el contenido utilizado para el entrenamiento, conforme a una plantilla facilitada por la Oficina de IA. El resumen debe ser útil para las partes con intereses legítimos, teniendo en cuenta al mismo tiempo los secretos comerciales y la información empresarial confidencial. Es una capa de transparencia, no un volcado público obra por obra ni un sustituto de la evidencia subyacente.

La distinción entre un resumen y un registro es importante. Un resumen público puede nombrar las principales colecciones o conjuntos de datos y explicar otras categorías de fuentes. Puede ayudar a los titulares de derechos a comprender la forma del material de entrenamiento. No puede, por sí solo, mostrar qué versión exacta entró en una ejecución concreta, si se respetó una reserva, qué se eliminó tras una reclamación o qué heredó un trabajo de ajuste posterior. El registro interno o controlado necesita más granularidad que la descripción pública. Ambas capas deben mantenerse coherentes.

El ajuste hace que la necesidad de trazabilidad sea más acuciante. Un proveedor que modifica un modelo de uso general con nuevos datos de entrenamiento no puede tratar la documentación del modelo base como sustituto del registro de modificación. Los considerandos de la Ley describen obligaciones limitadas a la modificación o al ajuste, incluidas las nuevas fuentes de datos de entrenamiento. Un registro de modelos debe, por tanto, vincular cada nueva operación de entrenamiento a un estado de origen, una finalidad, una evaluación de licencia o excepción, un resultado de evaluación y una decisión de publicación. Una nueva versión del modelo es una nueva superficie de derechos.

Resulta tentador afirmar que un modelo ha olvidado el corpus porque una consulta no reproduce una página. Esa es una hipótesis técnica que necesita evaluación, no una conclusión jurídica. La memorización, la extracción, la recuperación, la similitud de salida y la influencia residual son cuestiones distintas. La redacción prudente es igualmente precisa: la transformación cambia lo que se almacena, y el análisis de derechos debe considerar los actos y usos que cubre la ley. Cualquier afirmación más contundente requiere una interpretación respaldada por fuentes para el sistema concreto.

Los datos de entrenamiento también tienen un ciclo de vida después de la ejecución. La fuente bruta puede permanecer en un almacén seguro. Un fragmento procesado puede copiarse en una caché. Un manifiesto puede vincularlo a un punto de control. Los elementos de evaluación pueden conservar ejemplos representativos. Un paquete de ajuste puede viajar a otro equipo. Si una fuente se retira posteriormente, la organización necesita saber cuáles de estos estados pueden eliminarse, cuáles pueden reconstruirse y cuáles requieren una nueva decisión jurídica. Decir que los datos entraron en el modelo no es un plan de ciclo de vida.

El resumen no es el registro

La transparencia pública tiende a producir un único documento grandioso. Es más fácil enlazar a un resumen que explicar un sistema de evidencia en capas. El resumen del contenido de entrenamiento de la Ley de IA es importante precisamente porque no es el registro completo. Ofrece al público y a los titulares de derechos una descripción significativa del contenido utilizado, al tiempo que protege la información confidencial. El registro de trabajo debe seguir conservando los estados de origen, los controles y las decisiones que el resumen condensa.

Piense en el resumen como un mapa y en el registro como las notas del levantamiento. El mapa debe ser legible y útil. No debe fingir que se ve cada curva de nivel. Las notas del levantamiento deben contener las mediciones, las incertidumbres, los cambios y los puntos sin resolver que hicieron posible el mapa. Un mapa que contradice el levantamiento es un problema. Un mapa que se confunde con el levantamiento es un problema distinto.

La misma separación ayuda con la divulgación. Un catálogo de fuentes puede publicar nombres, categorías, periodos, propósitos y estados de derechos sin exponer datos personales ni contratos confidenciales. Un registro controlado puede conservar elementos exactos, pruebas de licencia, historial de retiradas y versiones de fuentes para auditoría o revisión autorizada. La capa pública debe declarar su límite. Un catálogo que afirma que no existen campos pendientes cuando los detalles simplemente son privados es engañoso. Un catálogo que hace públicos los datos privados por defecto es descuidado.

Para los ingenieros, esto significa que el resumen público debe generarse a partir de un estado mantenido y no redactarse a mano después del lanzamiento. Para los equipos de gobernanza, significa que el paso de generación necesita revisión y un registro de cambios. Para los titulares de derechos, significa que existe una vía desde una categoría pública hasta una respuesta significativa cuando se plantea una preocupación. El resumen gana credibilidad cuando la organización puede mostrar cómo una corrección viaja desde un informe hasta el estado de fuente relevante y las decisiones posteriores.

También conviene distinguir la divulgación de la atribución. Un resumen puede enumerar una colección sin nombrar a cada creador. Puede que se exijan avisos de atribución en un conjunto de datos o en una salida según la licencia aplicable. Un titular de derechos puede necesitar saber que se incluyó una obra concreta incluso cuando el resumen público no puede publicar una lista completa de elementos. Son requisitos de diseño separados. La respuesta no es exigir que un solo documento haga todo el trabajo.

Las salidas reabren la cuestión

Una salida de modelo puede parecer una obra nueva, pero el proceso no puede declarar irrelevantes los derechos anteriores solo porque la redacción sea distinta. Las cuestiones de las salidas incluyen la reproducción, la similitud sustancial, la atribución, la comunicación, la distribución, la privacidad y los términos del despliegue. También incluyen la vía por la que un usuario aportó una entrada, recuperó una fuente, solicitó una transformación o pidió al sistema que imitara un estilo con nombre. La salida es una nueva etapa con sus propios hechos.

No es un argumento de que cada frase generada infrinja los derechos de autor. Es un argumento contra una suposición generalizada en cualquier dirección. La salida puede ser una síntesis original, una cita, una reproducción cercana, una respuesta basada en una fuente con licencia o un error que combina fragmentos de varios lugares. Un sistema consciente de los derechos debe conservar suficiente contexto para investigar la vía real. Qué versión del modelo se ejecutó. Qué fuentes de recuperación se usaron. Qué instrucción del usuario configuró la tarea. Qué controles de salida se aplicaron. Si una fuente se reprodujo o simplemente se consultó.

La atribución puede volverse especialmente confusa en esta etapa. Una cita puede ayudar al lector a localizar una fuente, pero no satisface necesariamente una condición de licencia ni resuelve una preocupación de reproducción. A la inversa, un sistema puede tener una licencia válida para una fuente y aun así producir una salida engañosa, privada o fuera del alcance del propósito del usuario. El registro de salida debe indicar lo que puede establecer y lo que deja al usuario o al responsable del despliegue.

Los usuarios posteriores necesitan un límite claro. Un proveedor de modelos puede documentar el modelo y su política de entrenamiento. Un responsable del despliegue elige un propósito, aporta entradas, configura la recuperación, expone una interfaz y decide qué publicar o sobre qué actuar. La posición de derechos puede cambiar con esas decisiones. El mismo modelo puede usarse para resumir un archivo interno autorizado o para reconstruir un artículo de pago para distribución pública. La capacidad no es autoridad.

The output route should also preserve a refusal. If the system declines to reproduce protected material, that decision is evidence about the control, not an embarrassing blank. If a user changes the request and the system proceeds through a different source or transformation, the record should show the new route. A pipeline that stores only successful answers cannot demonstrate that its boundaries were active.

Withdrawal is not a single delete button. It is a traceable decision across the states that inherited the source.

Retention and deletion are pipeline questions

When a rightsholder asks for removal, people often ask whether the model can be made to forget. That may be a research question, but the first operational questions are more concrete. Which source copy is retained. Which processed records refer to it. Which manifests, shards, caches, evaluation fixtures and retrieval indexes contain a representation. Which model or fine-tuning run consumed the state. Which outputs or publications were produced. Which of these are still within the organisation's control.

There is no honest universal promise that one request can erase every derived artefact instantly. The answer depends on the system, the legal basis, the contractual position, the retention policy and the requested action. A pipeline can, however, make the boundary visible. It can quarantine the source, stop future promotion, mark affected dataset versions, assess whether a model change is required, remove controlled copies where the decision requires it, and record what remains outside its direct control.

Retention should be designed before collection, not improvised after a complaint. The source record should carry a purpose and a review point. Temporary processing copies should have a defined lifetime. Secure research stores should have access rules and deletion or archival conditions. Dataset and model manifests should identify which source state they depend on. A refusal or withdrawal should be able to travel through those relationships without requiring a team to search every machine by memory.

Deletion is also not the same as hiding. Removing a row from a dashboard while leaving an exported shard untouched is not deletion. Marking a source as withdrawn without stopping a retrieval index is not deletion. Replacing a public summary while keeping an old release downloadable may not meet the requested outcome. The action and its limits need to be named precisely, especially where a full technical or legal remedy is not possible.

The record should preserve history rather than rewriting it. If a source was admitted, later withdrawn and then removed from managed circulation, the timeline should say so. The original admission decision should remain visible to authorised reviewers, with the later action linked to it. A clean current state is useful. A clean state with no history is difficult to trust.

Personal data adds another layer, but the same discipline helps. A data-protection erasure request may concern a person represented in a work, a source record, a log or an output. Copyright removal and data-protection erasure are not interchangeable. The pipeline should record which right was asserted, which material was identified, which legal and technical assessments were made, and what action followed. One button labelled remove is an invitation to confuse several systems of law.

Refusal must be a first-class record

A mature data pipeline remembers the material it did not take. This sounds counterintuitive because storage is usually discussed as a positive inventory. But rights work depends on negative evidence. The source was found and refused because the access route was restricted. The reservation could not be interpreted. The licence did not cover the purpose. The source identity was too uncertain. The content was withdrawn. The operator declined to make the copy. These are decisions that protect both the source and the organisation.

A refusal record should not preserve more content than necessary to explain the decision. It can carry the source address, identity, retrieval time, policy state, reason code, operator or service identity and review route. It can include a hash or other content identity where that is appropriate and lawful, without retaining the protected material itself. The goal is to make the refusal auditable, not to create a second unauthorised archive of the thing that was refused.

Negative records also stop teams from repeating the same mistake. A discovery system may encounter the source again. Without a refusal state, a new run treats it as a fresh candidate and asks the same question. With a versioned refusal, the run can see the previous boundary and determine whether anything has changed. The system still needs a review policy because rights and source conditions can change. The important part is that a change is deliberate.

This is where a small distinction helps: blocked, unresolved and not in scope are not the same state. Blocked means a control stopped the route, perhaps because a reservation or technical restriction applied. Unresolved means the evidence was insufficient for a decision. Not in scope means the proposed purpose or source family falls outside the programme. Collapsing them into denied hides which action could change the state and who owns that action.

Refusal records are also a defence against the mythology of scale. A large corpus is not proof of a serious process. A smaller corpus with clear admissions and refusals can be easier to govern, reproduce and explain. The pipeline should be able to answer not only how much it collected but how much it declined, why, and whether the policy was applied consistently across languages, source types and regions.

Downstream use is another pipeline

The rights path does not end when a dataset is handed to a model team. A dataset can become a training run, a benchmark, a retrieval package, a demonstration set, a search index or a commercial feature. Each downstream use can change the purpose, audience, retention, reproduction risk and contractual obligations. A single dataset identifier is not enough if it hides which projection was used.

Considere una familia de fuentes admitida para evaluación interna. Un equipo posterior podría querer publicar ejemplos, utilizar el material en un servicio de recuperación orientado al cliente o ajustar un modelo con él. Esos son propósitos nuevos, no meros despliegues de la decisión anterior. El proceso debería exigir que el nuevo uso herede las condiciones de la fuente y reciba una evaluación renovada cuando el propósito cambie. La reutilización es una transición, no un movimiento libre.

Los registros de modelos pueden ayudar al vincular una versión al conjunto exacto de datos y al estado de la política utilizados. Deberían mostrar las familias de fuentes, el estado de los derechos, las transformaciones, las exclusiones, el conjunto de evaluación y la decisión de publicación a un nivel adecuado para la audiencia. No deberían afirmar que un estado verde significa que cada obra está legalmente autorizada. Un estado es una declaración sobre la evidencia y los controles que la organización ha registrado, no una conclusión judicial universal.

La documentación posterior es importante porque la responsabilidad está distribuida. Un proveedor puede publicar el resumen del entrenamiento y la política de derechos de autor. Un integrador puede añadir fuentes de recuperación, indicaciones, herramientas y datos de usuario. Un implementador puede decidir qué acción sigue a una salida. Un editor puede poner material generado ante el público. La cuestión de los derechos puede moverse con el acto. Un contrato puede asignar responsabilidades entre las partes, pero la ruta técnica aún necesita mostrar qué parte aportó qué evidencia y tomó qué decisión.

La procedencia portátil es, por tanto, más que una conveniencia. Cuando un conjunto de datos o un modelo se mueve entre organizaciones europeas, sus estados de origen, reservas, licencias, requisitos de atribución e historial de retirada deberían permanecer legibles. De lo contrario, la portabilidad se convierte en un botón de reinicio para los derechos. El equipo receptor ve un artefacto limpio y pierde los hechos que hacían gobernable el artefacto.

Los buenos controles posteriores suelen ser aburridos. Una exportación incluye un manifiesto. Una versión de modelo nombra el estado de los datos. Un paquete de recuperación registra las versiones de las fuentes. Una interfaz de usuario puede exponer una cita o una negativa. Un informe lleva la atribución requerida por la licencia. Una solicitud de retirada encuentra un propietario. Ninguno de estos controles hace que la organización sea inmune a disputas. Hacen posible responder sin fingir que el sistema no tiene memoria.

Una disciplina operativa europea

Los instrumentos legales proporcionan la estructura. Una organización aún tiene que convertir esa estructura en una rutina. Lo siguiente es una disciplina operativa propuesta, no asesoramiento legal ni un sustituto de una evaluación de derechos en un Estado miembro concreto.

  • Nombra la finalidad antes que la fuente. Indica qué se pretende respaldar con el material y qué queda fuera de su alcance. Una finalidad que llega después de la recopilación suele ser una excusa retrospectiva.
  • Separa el acceso de la reutilización. Registra cómo se alcanzó la fuente y, después, evalúa qué actos requiere el uso propuesto. No arrastres una URL pública como si fuera un permiso universal.
  • Mantén tipificados los estados de derechos. Con licencia, evaluado por excepción, reservado, denegado, sin resolver, retirado y admitido para una finalidad no deben colapsar en una única bandera verde.
  • Mantén la procedencia a través de las transformaciones. Conserva la identidad de la fuente, la versión, la regla de tratamiento, la evidencia de licencia y el historial de decisiones vinculados al estado procesado.
  • Registra las decisiones negativas. Una denegación, una cuarentena o una revisión sin resolver forman parte de la evidencia y deben evitar la repetición accidental.
  • Haz explícita la retención. Nombra qué copias, manifiestos, índices, puntos de control y resultados permanecen, quién los posee y cuándo termina la finalidad o el período de revisión.
  • Haz que los resúmenes y los registros coincidan. La transparencia pública debe generarse a partir de evidencia mantenida y debe indicar qué es lo que no revela.
  • Prueba la retirada antes de la publicación. Usa un ejercicio etiquetado para comprobar si una fuente puede localizarse a través de sus estados derivados. Registra las limitaciones en lugar de afirmar un borrado perfecto.

Esta disciplina es deliberadamente menos llamativa que una demostración de IA. Tiene más posibilidades de sobrevivir a una. La parte difícil no es escribir las palabras pipeline consciente de los derechos en una diapositiva. Es conseguir que el siguiente componente reciba suficiente contexto para no convertir una decisión condicionada en una copia incondicional.

Los controles también deben respetar la proporcionalidad. Un análisis interno de bajo riesgo no necesita la misma divulgación pública que un modelo de propósito general puesto en el mercado de la Unión. Un equipo pequeño puede necesitar herramientas más simples que un gran proveedor. Las preguntas subyacentes siguen siendo las mismas: qué se accedió, qué se permitió, qué se hizo, qué se retuvo y quién puede corregir el estado. Proporcional no significa invisible.

El juicio humano pertenece a los puntos donde la evidencia es genuinamente ambigua. La máquina puede analizar una reserva, comparar un identificador de licencia, comprobar un manifiesto y detener una solicitud. No debe inventar silenciosamente una interpretación jurídica porque un flujo de trabajo se quedaría esperando. La decisión humana debe estar tipificada, delimitada y registrada. Eso no es un fallo de la automatización. Es un reconocimiento de que el significado jurídico no es un efecto secundario de un análisis sintáctico exitoso.

Una breve nota nuestra

En Dweve, nuestro Centro de Confianza público describe la misma separación en términos deliberadamente modestos. Winnow se presenta como la vía de adquisición que comprueba la política de la fuente, robots.txt, las tasas, los objetivos y los registros de solicitudes. Spindle es la capa de gobernanza para la procedencia, la calidad, la política, los conflictos, la retirada y la promoción. Loom consume material gobernado o utiliza Winnow a través de un límite de herramienta registrado. La descripción no afirma que un control de rastreador haga lícita cualquier finalidad del operador, y no trata un catálogo público de fuentes como el registro privado completo de evidencia.

Esa es la parte útil del ejemplo, no los nombres de los productos. Un componente de recopilación puede imponer disciplina de acceso. Un componente de gobernanza del conocimiento puede preservar el estado de la fuente y decidir qué puede persistir. Un componente de modelo puede registrar lo que realmente consumió. La responsabilidad legal permanece vinculada a la finalidad y al operador. Construir un sistema interno de esta manera no otorga un certificado del universo. Hace que las afirmaciones de la organización sean más fáciles de inspeccionar y sus errores más fáciles de corregir.

El argumento legal comienza antes

Las disputas de derechos de autor en torno a la IA dependerán a veces de cuestiones difíciles que ningún proceso puede resolver de antemano. Los tribunales y las autoridades pueden interpretar las excepciones, los contratos, las reservas, la reproducción y los resultados de maneras que evolucionan con el tiempo. La implementación nacional y los hechos de un uso concreto importan. Un registro técnico no puede sustituir ese trabajo. Puede garantizar que el trabajo comience con hechos y no con suposiciones.

La primera pregunta útil no es si un modelo aprendió de internet. Esa frase es demasiado amplia para tener un significado jurídico o técnico. Hay que preguntar qué familias de fuentes estaban dentro del alcance, cómo se obtuvo el acceso, qué copias se hicieron, qué vía de derechos se evaluó, qué reservas se observaron, qué transformaciones se ejecutaron, qué material se rechazó, qué versiones de conjuntos de datos y modelos heredaron el estado, y qué resumen público o documentación posterior se produjo.

La segunda pregunta útil es si la organización puede mostrar los límites de su propio conocimiento. Una fuente puede estar identificada pero su licencia ser incierta. Una reserva puede estar presente pero su alcance ser discutido. Un resumen de entrenamiento puede ser exhaustivo a nivel de colección pero no constituir evidencia a nivel de elemento. Una acción de eliminación puede detener el uso futuro mientras deja una versión histórica fuera del control directo. Esos no son reconocimientos de fracaso. Son los límites que un sistema serio debería exponer.

La tercera pregunta es si una corrección puede propagarse. Si un titular de derechos informa de una preocupación, ¿puede la organización identificar el estado de la fuente, la decisión relevante, los activos derivados y el responsable de la siguiente acción? Si una fuente cambia sus condiciones, ¿puede detenerse la adquisición futura sin reescribir el pasado? Si un modelo se ajusta con un nuevo corpus, ¿puede el registro de la versión mostrar la nueva vía de derechos? Si un usuario solicita una reproducción protegida, ¿pueden inspeccionarse posteriormente la denegación y cualquier respuesta alternativa?

Por eso la procedencia es más que una cortesía y la eliminación es más que un botón. Son formas de mantener conectados un estado jurídico y un estado técnico a medida que el proceso cambia de forma. La conexión nunca será perfecta. Las fuentes desaparecen, los contratos entran en conflicto, los sistemas se sustituyen y las organizaciones se fusionan. Un registro limitado no puede resolver esos hechos. Puede evitar que la organización confunda un eslabón perdido con una cadena limpia.

El enfoque europeo exige esa disciplina en varios registros a la vez. La legislación sobre derechos de autor trata sobre derechos, excepciones, licencias y reservas. La Ley de IA exige a ciertos proveedores de modelos una política y un resumen público del contenido de entrenamiento. La protección de datos, los derechos sobre bases de datos, los contratos, la protección del consumidor y las normas sectoriales añaden sus propias cuestiones. Un proceso no debería aplanar estos instrumentos en un único color de cumplimiento. Debería vincular la norma pertinente al acto que regula y dejar espacio para una evaluación humana donde las vías se cruzan.

No hace falta hacer la prosa más grandiosa que el trabajo. La promesa esencial es pequeña: sabemos qué entró, por qué entró, qué le ocurrió, qué no entró, adónde fue después y cómo cambiar el rumbo. Un modelo puede ser impresionante sin esa promesa. Un sistema consciente de los derechos no puede.

Los derechos de autor son un problema de proceso de datos antes que un argumento jurídico, porque el argumento jurídico necesita la memoria del proceso. Construye la memoria en la primera copia, mantén las condiciones asociadas a través de la transformación, y convierte la denegación, la atribución, la retención y la retirada en estados visibles. Entonces, cuando llegue la cuestión difícil, la organización podrá responder con los hechos que realmente tiene, en lugar de con una historia confiada elaborada después del evento.

Fuentes