La internet pública se está convirtiendo en una negociación de datos de entrenamiento

Rastreadores, reservas, licencias y procedencia están cambiando la vieja suposición de que una página pública está ahí para ser tomada. La pregunta útil ya...

La internet pública se está convirtiendo en una negociación de datos de entrenamiento

La página es pública. El uso no está decidido.

Durante mucho tiempo, la web pública funcionó con un pacto social tosco pero viable. Un editor ponía una página a disposición del público. Los buscadores la encontraban, indexaban lo suficiente para enviar a los lectores de vuelta, y una persona llegaba a la página original. Hubo discusiones sobre indexación, fragmentos y publicidad, pero la ruta era reconocible. Una página era a la vez la unidad de publicación y el lugar donde el lector se encontraba con el editor.

Entrenar un modelo de propósito general cambia la forma de ese pacto. Un rastreador puede seguir empezando por una dirección pública, pero el destino ya no es necesariamente un resultado de búsqueda. El material puede copiarse, analizarse, filtrarse, almacenarse, combinarse con otro material y utilizarse en un proceso de entrenamiento cuyo resultado no es un enlace de vuelta a la página. Más adelante puede ayudar a responder una pregunta sin que el lector visite la obra original. El hecho de que una página sea visible es relevante. No es la respuesta completa.

Por eso internet se está convirtiendo en una negociación sobre datos de entrenamiento. No es una negociación única celebrada en una sala, ni un drama en el que una parte descubre que la otra existe. Es una negociación distribuida que se lleva a cabo mediante leyes, licencias, señales técnicas, contratos, normas, registros y, cuando es necesario, personas que hablan entre sí. Un titular de derechos puede reservarse un uso de extracción. Un proveedor de modelos puede identificar una reserva y decidir no recopilar. Las partes pueden acordar una licencia. Una organización puede documentar el recorrido lo bastante bien como para que una pregunta posterior tenga respuesta. O pueden dejar el recorrido vago y descubrir que la vaguedad resulta cara una vez que el material ha circulado.

Nada de esto hace que toda página pública deje de estar disponible para cualquier uso computacional. El marco europeo de derechos de autor contiene excepciones de extracción de texto y datos, y las condiciones importan. Tampoco convierte un archivo de robots en un instrumento universal de derechos de autor, ni una licencia en una simple casilla que marcar. El cambio útil es más modesto: los datos de entrenamiento tienen que tratarse como una relación con términos, historia y límites. Esa es una descripción más fiel de lo que ya eran. Lo nuevo es que la relación cada vez es más difícil de ignorar.

El trabajo de la Comisión Europea en torno a la Ley de IA da al cambio una forma administrativa. Los proveedores de modelos de IA de propósito general tienen obligaciones de política de derechos de autor y de resumen del contenido de entrenamiento. El Código de buenas prácticas para la IA de propósito general presenta una vía voluntaria para los proveedores que decidan seguirla, con compromisos relativos a las reservas de derechos y a robots.txt. La Comisión también ha consultado sobre protocolos para expresar reservas. No son sustitutos de la legislación de derechos de autor, ni una declaración de que toda señal técnica tenga el mismo efecto jurídico. Son la prueba de que el recorrido desde la instrucción de un titular de derechos hasta el sistema de recopilación de un proveedor de modelos es ahora un problema político por derecho propio.

La historia no necesita un editor inventado, un rastreador dramático ni una vista judicial ficticia. Es visible en los puntos ordinarios donde una fuente cambia de manos. Alguien decide si una URL pertenece a una colección. Alguien decide qué significa una reserva. Alguien decide si una licencia es lo bastante específica para el entrenamiento, la recuperación, la evaluación o la redistribución. Alguien decide qué versión de una política se aplica cuando una fuente cambia. Las decisiones pueden ser silenciosas. Siguen siendo decisiones.

Un rastreador ya no es solo un visitante

Los navegadores, los rastreadores de búsqueda, las herramientas de archivo, los servicios de accesibilidad, los investigadores académicos, los sistemas de supervisión y las canalizaciones de entrenamiento de modelos pueden solicitar todos la misma página. Desde el servidor del editor, al principio pueden parecer similares: llega una solicitud, se envía una respuesta, se escribe una línea de registro. Pero sus propósitos, sus patrones de copia y sus consecuencias posteriores son diferentes. Tratar toda solicitud automatizada como idéntica es cómodo para la infraestructura y deficiente para la gobernanza.

Un lector normal abre un artículo y puede volver otro día. Un rastreador de búsqueda crea un índice destinado a dirigir al lector de vuelta. Una canalización de entrenamiento puede hacer una copia que se conserva, se transforma y se agrega con muchas otras obras antes de que exista modelo alguno. Un sistema de recuperación puede crear un sustituto comercial más directo de una visita. Un conjunto de evaluación puede conservar extractos para probar un sistema. Las etiquetas no son clasificaciones morales. Son descripciones de usos que exigen preguntas distintas.

La primera pregunta suele ser el acceso. ¿Llegó el recopilador al material por una vía lícita? La segunda es la base jurídica de los actos que el sistema quiere realizar. La tercera es si el titular de derechos ha expresado una reserva donde la norma aplicable lo permite. La cuarta es si una licencia o contrato independiente aporta permiso, condiciones o límites. Una quinta pregunta, que a menudo llega demasiado tarde, es operativa: ¿puede la organización demostrar qué vio y por qué procedió?

La Directiva (UE) 2019/790 no trata la minería de textos y datos como un permiso único e ilimitado. El artículo 3 establece una excepción obligatoria para organismos de investigación y entidades de patrimonio cultural que realicen reproducciones y extracciones para investigación científica, siempre que tengan acceso lícito. El artículo 4 aborda la minería de textos y datos para otros fines, también cuando exista acceso lícito, salvo que el titular de derechos haya reservado los derechos pertinentes de manera adecuada. Para contenido en línea puesto a disposición del público, la Directiva señala que la reserva puede expresarse por medios legibles por máquina, incluidos metadatos y términos y condiciones.

Esa distinción no es una curiosidad menor de redacción. Significa que una página pública no lleva una etiqueta genérica llamada utilizable. El actor, la finalidad, la vía de acceso, la reserva del titular de derechos y los actos concretos importan. Por tanto, un sistema de recopilación sensato necesita más vocabulario que permitir y bloquear. Debería poder registrar candidato, acceso observado, reserva detectada, licencia requerida, licencia concedida, finalidad limitada, sin resolver, denegado y retirado. Esto no es burocracia por la burocracia. Es la gramática mínima necesaria cuando una fuente puede ser perfectamente visible y, aun así, no estar disponible para el uso propuesto.

El estudio de 2025 de la Oficina de Propiedad Intelectual de la Unión Europea sobre IA generativa y derechos de autor describe este panorama como uno en el que las reservas de derechos y las licencias se desarrollan junto a las soluciones técnicas. Su conclusión no es que haya aparecido un mecanismo de mercado acabado. Es casi lo contrario: ninguna solución única sirve para todos los titulares de derechos, todos los proveedores de modelos o todos los tipos de material. Precisamente por eso un sistema honesto debe conservar las distinciones en lugar de borrarlas en nombre de la escala.

La escala se ofrece a menudo como excusa para la imprecisión. Un proveedor de modelos puede decir que no puede negociar página por página. Un pequeño editor puede decir que no puede inspeccionar cada solicitud automatizada. Ambas afirmaciones pueden ser ciertas. No eliminan la necesidad de una interfaz viable entre ambos. Explican por qué las señales legibles por máquina, las licencias estándar, los registros de familias de fuentes y los acuerdos colectivos resultan interesantes. La respuesta a un problema grande no es necesariamente una gran reunión. Puede ser una forma fiable de enunciar un límite y una forma fiable de recibirlo.

Una ruta de origen no es un túnel hacia un modelo. Es una serie de decisiones que deberían seguir siendo visibles después de la recopilación.

El diagrama es una ruta conceptual, no un motor de decisiones legales. Una tarjeta de aspecto favorable no establece que un uso sea lícito. Muestra la evidencia y el juicio que un equipo debería poder inspeccionar. Esa modesta distinción es valiosa. La mayor parte de la confusión evitable comienza cuando un hecho operativo se confunde con una conclusión legal, o cuando una conclusión legal no puede rastrearse hasta los hechos operativos.

Las reservas necesitan un lenguaje que las máquinas puedan transportar

Una exclusión voluntaria suele describirse como un botón: el titular de derechos dice que no y el rastreador se detiene. El trabajo real es menos cinematográfico. Una reserva tiene que expresarse en algún lugar, ser encontrada por un recopilador, asociarse con la obra o el servicio pertinente, interpretarse en el contexto adecuado y conservarse como evidencia. Puede estar en metadatos, en términos y condiciones, en una política publicada o en un protocolo que el recopilador entienda. Puede aplicarse a un sitio web, un catálogo, un feed, una base de datos o un grupo definido de obras. Puede cambiar con el tiempo.

La referencia de la Directiva a lo legible por máquina importa porque una reserva que no puede encontrarse en el punto de recopilación no puede cambiar de forma fiable una decisión de recopilación. Pero legible por máquina no significa infalible, autoexplicativo ni jurídicamente completo. Un analizador puede encontrar una directiva con un valor desconocido. Un titular de derechos puede publicar una política que remita a un contacto de licencias en lugar de una negativa rotunda. Una fuente puede estar disponible mediante una suscripción con sus propios términos. Un sistema puede no ver ninguna señal reconocible. La ausencia de una señal es una observación, no un permiso general.

Hay una lección bastante neerlandesa en esto. Un cartel que indica que el puente está cerrado no mejora porque un repartidor afirme que su mapa no interpretó el cartel. Tampoco es que todo puente cerrado sea una prohibición de entrar en la provincia. La cuestión es si el cartel es legible para la ruta pertinente, si la ruta tiene una alternativa razonable y si alguien ha registrado lo sucedido. La cuestión no es convertir la web en una red de canales. Es evitar que un límite desaparezca porque resultaba incómodo modelarlo.

La consulta de la Comisión sobre los protocolos para reservar derechos derivados de la minería de textos y datos hace explícita esta brecha de implementación. Se refiere al compromiso del Código de Buenas Prácticas de la IA de Propósito General (GPAI) para que los firmantes identifiquen y cumplan los protocolos legibles por máquina apropiados que utilicen los titulares de derechos, junto con el compromiso de respetar robots.txt y las versiones posteriores del estándar del IETF. La consulta en sí no es un protocolo definitivo. Es una prueba de que las partes necesitan un lenguaje técnico más claro para una decisión legal que debe transitar por sistemas automatizados.

Robots.txt tiene un papel útil y limitado en esa conversación. Es una convención web de larga trayectoria para el comportamiento de los rastreadores. Puede indicar que un editor no desea que un agente automatizado concreto o una ruta determinada sea rastreada. El tratamiento que le da el Código GPAI le confiere importancia práctica para los sistemas de recopilación de los firmantes. Pero robots.txt no es un registro universal de derechos, y una instrucción para rastreadores no resuelve todas las cuestiones de derechos de autor, contractuales o de derechos sobre bases de datos. Confundir los niveles produce dos malos resultados. Un bando asume que robots.txt es la respuesta legal completa. El otro lo trata como una simple etiqueta opcional. Ninguna de las dos posturas crea una relación estable.

Un sistema de recopilación debe mantener las señales separadas. Instrucción técnica de rastreo: ¿qué decía el archivo de robots en ese momento? Reserva de derechos: ¿qué declaración legible por máquina o publicada aportó la fuente? Condición de acceso: ¿la vía era abierta, autenticada, por suscripción o facilitada en virtud de un acuerdo? Licencia: ¿qué derechos se concedieron y para qué finalidad y período? Política interna: ¿qué decidió hacer la organización cuando el panorama seguía siendo incierto? Los campos pueden estar relacionados, pero no son intercambiables.

Esta separación también hace que la gestión de errores sea más razonable. Un recopilador puede notificar que ha visto una señal que no puede interpretar, en lugar de tratar en silencio esa señal como irrelevante. Un titular de derechos puede descubrir que su marcador preferido no es compatible y elegir otro canal. Un proveedor puede mejorar un analizador sin reescribir el historial. Un revisor posterior puede ver si una fuente se admitió porque existía una licencia, porque se evaluó una excepción o porque se tomó una decisión de política en condiciones de incertidumbre declarada. La alternativa es un único campo opaco que diga recopilado.

La concesión de licencias no es lo contrario de la innovación

Existe el hábito persistente de describir las licencias como fricción y los modelos como progreso. Es un contraste engañoso. Una licencia puede ser una restricción, pero también puede ser una interfaz: una forma de indicar qué material está disponible, para qué uso, a qué precio, con qué atribución, notificación, exclusión o condición de renovación. La calidad de esa interfaz determina si los titulares de derechos más pequeños y los proveedores de modelos más pequeños pueden participar siquiera.

La Federación de Editores Europeos ha sostenido que los titulares de derechos necesitan transparencia sobre los datos utilizados para entrenar la IA y sobre dónde se obtuvieron, al tiempo que reconoce que los editores pueden utilizar la IA en su propio trabajo. Esa es una postura sectorial, no una prueba neutral de la respuesta legal correcta en todos los casos. No obstante, plantea un punto práctico que los proveedores de modelos deberían tomarse en serio: un editor puede ser a la vez usuario de IA y titular de derechos cuyo material necesita condiciones. La elección no es entre literatura y tecnología, ni entre creadores e ingeniería. La elección es si el intercambio tiene una base legible.

El informe de 2026 de la Publishers Association sobre el mercado británico de la edición y las licencias de IA ofrece una visión más concreta. Describe las licencias existentes de minería de texto y datos, las licencias posteriores para el entrenamiento de IA y el creciente mercado de licencias para la generación aumentada por recuperación, y da cuenta de los avances hacia una licencia colectiva con opción de inclusión para los titulares de derechos. El Reino Unido queda fuera del ordenamiento jurídico de la UE, por lo que esto no constituye una prueba de lo que exige la Directiva DSM. Sí es una prueba útil de que un mercado europeo de derechos cercano intenta hacer que los permisos de entrenamiento y recuperación sean más prácticos que una negociación privada entre un puñado de organizaciones de gran tamaño.

Los acuerdos colectivos merecen atención porque la web no la crean solo empresas con departamento jurídico y gestor de cuentas. Un pequeño editor especializado, una sociedad científica, un periódico regional, un archivo fotográfico o un autor independiente pueden tener material valioso y muy poca capacidad para negociar condiciones a medida con cada posible proveedor de modelos. Una opción de inclusión estándar, una licencia colectiva o un intermediario de confianza no pueden resolver todas las cuestiones de valoración. Sí pueden hacer posible la primera conversación.

Los proveedores de modelos también tienen motivos para preferir la claridad. Una vía negociada puede aportar material con una procedencia identificada, un alcance definido y un contacto responsable. Puede costar dinero. También lo cuesta limpiar un conjunto de datos, investigar una fuente en disputa, defender una postura sin registros o sustituir una fuente en una fase avanzada del desarrollo. Una licencia no garantiza que el material sea adecuado, exacto o representativo. Aporta una contribución distinta: convierte el permiso de una suposición en una condición expresada.

La compensación tampoco es una palabra mágica. No existe una tarifa justa única para cada obra y cada uso. El entrenamiento, la recuperación, la evaluación, el análisis interno, la mejora de modelos y la publicación pueden generar relaciones comerciales distintas. Una licencia puede ser por obra, por colección, por volumen, por periodo, por despliegue, por usuario, por familia de modelos o negociarse sobre otra base. Puede incluir una obligación de atribución, una obligación de información, un derecho de auditoría, un mecanismo de retirada o ningún acceso continuado en absoluto. Un sistema útil no finge que estas condiciones son universalmente simples. Las hace lo bastante legibles para poder aplicarlas.

El cambio importante es pasar de una cultura de extracción a una cultura de condiciones. Eso no significa que cada conjunto de datos se convierta en un ejercicio de contratación. Significa que, cuando un titular de derechos decide reservar, licenciar u ofrecer material bajo condiciones, el proveedor de modelos dispone de una vía operativa para recibir esa decisión. Cuando un proveedor quiere utilizar material especializado, actual y de alta calidad, tiene una vía para preguntar y no solo una vía para copiar. Hay un margen considerable entre el rastreo indiscriminado y un mundo en el que solo las empresas más grandes pueden negociar.

La procedencia es el recibo, no el permiso

A veces se vende la procedencia como una cura para la incertidumbre sobre los derechos de autor. No lo es. Un registro de la fuente puede mostrar de dónde procede el material y qué creía alguien en un momento dado. No puede hacer disponible una obra que no lo está. Un hash puede establecer que dos archivos son idénticos sin explicar si alguno de ellos se copió lícitamente. Un libro de contabilidad impecable puede documentar una mala decisión con una precisión impresionante.

Esa limitación es precisamente la razón por la que la procedencia resulta útil. Separa la evidencia de las ilusiones. Si un proveedor de modelos guarda la URL de la fuente, la identidad de la fuente, el momento de la recopilación, las condiciones observadas, la prueba de la reserva, la vía de acceso, el responsable de la decisión, la licencia aplicable o la evaluación de la excepción, la versión del conjunto de datos y la finalidad posterior, un revisor puede plantear una pregunta con sentido. Si el proveedor guarda solo un fragmento de texto extraído y una fecha, al revisor no le queda más que la arqueología.

La buena procedencia requiere tiempo. Una página puede cambiar. Un editor puede revisar sus condiciones. Una fuente puede eliminarse, pasar a estar detrás de una suscripción, venderse, corregirse o sustituirse. Una licencia puede caducar. Un protocolo de exclusión puede actualizarse. Un proveedor de modelos puede descubrir un defecto en una decisión de recopilación pasada. El registro no debe sobrescribir el estado anterior con el actual. Debe conservar la observación anterior, identificar el cambio posterior y anotar qué hizo la organización a continuación.

Esto es especialmente importante cuando se habla de eliminación o retirada. Quitar una página de la cola de un rastreador en vivo no es lo mismo que eliminarla de todos los almacenes intermedios, conjuntos de datos derivados, ejecuciones de ajuste fino, conjuntos de evaluación, índices de recuperación y modelos publicados. La respuesta honesta no es prometer un borrado instantáneo de todos los artefactos técnicos. Es definir las rutas, los límites y los puntos de revisión antes de prometerlos. Un titular de derechos merece un punto de contacto que pueda explicar el proceso. Un proveedor de modelos necesita una forma de identificar qué artefactos están afectados. Ambos necesitan un registro que distinga una solicitud recibida de una solicitud resuelta.

El artículo 53 de la Ley de IA otorga a la procedencia un vecino de política pública. Exige a los proveedores de modelos de IA de uso general que establezcan una política para cumplir la legislación de la Unión en materia de derechos de autor y que publiquen un resumen suficientemente detallado del contenido utilizado para el entrenamiento. El resumen público no necesita exponer todos los elementos de un conjunto de datos, y la Ley incluye límites de confidencialidad y secreto comercial. Pero la dirección es clara: un proveedor de modelos debe poder describir el contenido de entrenamiento de una manera más informativa que confíe en nosotros, conservando al mismo tiempo una documentación más completa para las autoridades pertinentes y los proveedores posteriores.

Esa división de audiencias es sensata. Un lector público necesita comprender las categorías de fuentes, las decisiones de recopilación y curación, las limitaciones pertinentes y las vías de contacto. Un titular de derechos con una pregunta concreta puede necesitar un proceso que gestione una consulta más específica. Un regulador puede necesitar documentación que no se pueda publicar razonablemente en una página pública. El error es tratar esas capas como excusas para no decir nada, o tratar un resumen público como prueba de que cada decisión a nivel de fuente se ha resuelto. La transparencia es una arquitectura de la información, no un comunicado de prensa.

La procedencia no fabrica permisos. Mantiene la evidencia, el alcance y el cambio posterior conectados con la obra que los necesita.

Hay aquí una disciplina útil para los ingenieros. Hagan que el registro refleje la incertidumbre. Si el estado de una fuente no está resuelto, registren «no resuelto». Si una licencia cubre la recuperación pero no el entrenamiento, no la llamen simplemente «licenciada». Si una política cambió después de la recopilación, no den a entender que la decisión anterior se tomó bajo la política posterior. Un conjunto de datos no es más fiable por la confianza de sus etiquetas. Es más gobernable cuando sus etiquetas conservan lo que se sabe, lo que no se sabe y lo que es condicional.

La negociación tiene que incluir la salida

Gran parte del debate se centra en la admisión: ¿puede el rastreador recopilar esta fuente hoy? Pero una relación con datos de entrenamiento también necesita una salida. Una licencia llega a su fecha de fin. Un titular de derechos cambia una reserva. Un editor encuentra un error en un registro de atribución. Un proveedor modifica su plan de desarrollo de modelos. Una fuente deja de ser adecuada porque su procedencia no puede reconstruirse. Llega una reclamación. Son acontecimientos ordinarios del ciclo de vida, no pruebas de que alguien se haya comportado mal.

La cuestión importante es si el sistema sabe qué hacer cuando ocurren. Una política de fuentes debe identificar quién recibe un aviso, quién decide su alcance, quién puede pausar un uso nuevo, quién puede rastrear los conjuntos de datos afectados, quién se comunica con el titular de derechos y qué puede y qué no puede cambiar realmente la organización en un artefacto publicado. El flujo de trabajo debe ser lo bastante específico para poder probarse. Decir que las preocupaciones se toman en serio es una frase cortés. No es un proceso.

Los debates europeos sobre la gobernanza de modelos tienden a volver a la documentación, porque la documentación es donde un sistema declara su propia memoria. Aquí ocurre lo mismo. Una vía de gestión de reclamaciones necesita un identificador. Una revisión necesita una decisión registrada. Una solicitud de retirada necesita un límite claro. Un cambio de fuente necesita un historial de versiones. Un lanzamiento de modelo debe estar conectado con los registros pertinentes de entrenamiento y curación. Sin esto, incluso una organización sincera acaba dependiendo del recuerdo, y el recuerdo no escala especialmente bien después de unos cuantos cambios de personal y tres migraciones de almacenamiento.

También hay una razón comercial para construir la salida desde el principio. Un proveedor que puede aislar una familia de fuentes y comprender sus usos posteriores tiene más opciones cuando cambian las condiciones. Puede detener la recopilación futura, eliminar la familia de un conjunto de datos previsto, sustituir material con licencia, pausar un lanzamiento o explicar por qué una medida solicitada llega a un artefacto pero no a otro. Un proveedor sin esos vínculos se ve obligado a hacer declaraciones generales porque no puede dar una respuesta precisa. Las declaraciones generales rara vez satisfacen a ninguna de las partes.

Los titulares de derechos también tienen responsabilidades en esta relación, aunque no son idénticas a las de los proveedores. Una reserva publicada de forma clara, estable y legible por máquina es más fácil de respetar que un límite incrustado en un párrafo que ningún sistema de recopilación puede identificar. Un contacto de licencias que pueda explicar la vía disponible reduce el coste de un acuerdo lícito. Un aviso de cambio que conserve el historial evita que un recopilador razonable sea juzgado por información que no estaba disponible en su momento. La carga no debe trasladarse por completo a los editores, especialmente a los más pequeños. Es simplemente cierto que una interfaz funciona mejor cuando ambos extremos pueden hablar.

Por tanto, el trabajo actual de la Comisión sobre protocolos de reserva no es un debate técnico oscuro. Tiene que ver con si la web puede expresar una elección a la escala a la que los modelos recopilan material. Unas buenas normas no resolverán la valoración, no harán fácil toda cuestión jurídica ni eliminarán la mala fe. Pueden reducir una clase de ambigüedad evitable. Es una ambición modesta, y en la web las ambiciones modestas suelen ser las que sobreviven al contacto con la realidad.

Lo que un recopilador responsable debería poder decir

Un recolector responsable no necesita hacer que el asesoramiento legal aparezca en cada línea de registro. Sí necesita que varias afirmaciones prácticas sean ciertas. Debe poder decir qué propósito sirvió una recolección. Debe poder identificar la fuente y la versión que consideró. Debe poder mostrar la ruta de acceso y las señales que observó. Debe poder identificar la norma, la licencia o la cuestión no resuelta que rigió la decisión. Debe poder conectar una fuente admitida con el conjunto de datos o el sistema que la recibió. Debe poder explicar cómo gestiona los cambios y las inquietudes.

Esas afirmaciones sugieren un diseño, no una lista de verificación. Comience con un contrato de fuente. El contrato nombra la familia de fuentes, el uso previsto, los métodos de acceso aceptados, los límites técnicos, las señales de derechos conocidas, la evidencia requerida y un propietario. No es un contrato en el sentido legal a menos que las partes lo hayan convertido en uno. Es un contrato operativo dentro de la organización: un registro de lo que el sistema de recolección puede hacer y por qué.

Luego mantenga los puntos de decisión cerca de las acciones que importan. No obtenga primero y busque restricciones después de que el material se haya copiado a través de varias colas. No permita que un conjunto de datos pase de la evaluación de investigación al entrenamiento de modelos comerciales simplemente porque los bytes sirven para ambas tareas. No transforme un campo de licencia en un valor genérico verdadero porque el alcance real sea inconveniente. Y no trate una solicitud de detención como un ticket de soporte sin relación con el registro de la fuente.

Cuando un recolector no pueda entender una señal, debe decirlo. Cuando se necesite una revisión humana, el sistema debe hacer visible la pausa. Cuando haya una licencia disponible, las rutas comercial y técnica deben encontrarse: el acuerdo debe representarse en una forma que cambie lo que el recolector puede hacer. Un PDF en una carpeta legal no impide que una canalización haga lo incorrecto a las tres de la mañana. La canalización necesita un estado ejecutable.

En Dweve, la pequeña parte de este argumento que es directamente nuestra se ve en el material de contenido de entrenamiento de nuestro Centro de confianza. El registro publicado dice que su catálogo de familias de fuentes no es una afirmación de permiso general y que las decisiones sobre elemento, versión, licencia, atribución, propósito, retirada y evidencia se controlan en un libro mayor de Spindle. Esa es una descripción de nuestro proceso declarado, no una afirmación de que un registro resuelva por sí solo las cuestiones de derechos de autor. El papel de Winnow en esa imagen es la inteligencia de fuentes y los procesos de fuentes repetibles e inspeccionables. El punto más amplio no trata de nuestros productos. Es que la recolección se vuelve más responsable cuando la ruta de la fuente se trata como evidencia y no como ruido de fondo.

Este es el tipo de trabajo de producto que rara vez aparece en una demostración de modelo. Nadie aplaude un campo llamado observed-terms-version. Pero esos campos deciden si un equipo puede responder una pregunta razonable sin realizar una excavación interna. El futuro de la gobernanza de modelos incluirá mucha matemática impresionante. También incluirá registros bastante más cuidadosos de lo que la industria alguna vez consideró elegante.

El trabajo es gobernanza, no una configuración de rastreador

Es tentador convertir esto en una disputa técnica. Ponga la instrucción correcta en un archivo, actualice el agente de usuario, active un analizador, desactive un analizador. Esas cosas importan, pero son solo el borde visible de un problema de gobernanza. Un rastreador hace lo que la organización ha decidido que puede hacer. Si la organización no tiene un límite de propósito claro, ningún registro de licencias, ningún propietario de fuentes, ninguna ruta de revisión y ningún linaje de conjuntos de datos, la obediencia técnica será inconsistente incluso cuando cada ingeniero individual esté tratando de ser cuidadoso.

Empieza por el propósito, porque el propósito cambia la pregunta. Un proveedor de modelos que recopila material para un experimento de investigación acotado y declarado no se encuentra necesariamente en la misma posición que uno que recopila material para un modelo comercial de propósito general. Un proveedor que busca una licencia para recuperación puede necesitar un acuerdo distinto de uno que busca entrenar un modelo. Un archivo de interés público puede tener un mandato y una vía legal diferentes de los de un equipo de producto que crea un motor de respuestas. Estas distinciones no deben usarse para ocultar obligaciones. Son la razón por la que un único campo de estado universal no puede decir la verdad.

Después, haz visible la propiedad. Alguien debería ser responsable de la política de fuentes. Alguien debería ser responsable del recolector técnico. Alguien debería ser responsable de los términos de la licencia y de la decisión de admitir una familia de fuentes. Alguien debería ser responsable de responder a las consultas de los titulares de derechos. La misma persona no necesita asumir todos los roles, y un equipo pequeño puede combinarlos. Lo que importa es que la responsabilidad sea localizable antes de que una pregunta se convierta en una disputa. Un buzón genérico no es exactamente un responsable. Es un lugar donde la propiedad puede encontrarse o no, eventualmente.

La gobernanza de datos también debe encontrarse con la gobernanza de modelos. Una decisión sobre fuentes que permanece en una herramienta de recopilación web mientras el entrenamiento ocurre en otro lugar es débil por diseño. El equipo de entrenamiento necesita saber qué grupos de fuentes están en el alcance. El equipo que construye el conjunto de datos debe preservar exclusiones y condiciones. El proceso de publicación debe saber si un cambio material en la política de fuentes requiere revisión. El proceso de resumen público necesita una explicación defendible de las categorías de contenido de entrenamiento. Nadie necesita cargar con toda la historia en su cabeza. El sistema sí necesita una vía por la que la historia pueda recuperarse.

Aquí es donde ayuda una distinción cuidadosa entre política y cumplimiento. Una política de derechos de autor dice qué pretende hacer la organización y qué estándares seguirá. El cumplimiento es el conjunto de controles técnicos y procedimentales que dificultan una acción contraria: puertas de admisión, registros de fuentes, configuración del rastreador, controles de acceso, verificaciones de contratos, manifiestos de conjuntos de datos, versionado, revisión y escalado. Una política sin cumplimiento es una aspiración. El cumplimiento sin política puede convertirse en una forma eficiente de ejecutar reglas que nadie ha pensado a fondo. El enfoque de la AI Act en una política de derechos de autor es valioso precisamente porque exige que el proveedor conecte la intención legal con su práctica operativa.

No hay razón para que esto se convierta en una ceremonia interna secreta. Una política pública puede declarar el alcance, el enfoque ante las reservas de derechos, los tipos de vía de recopilación utilizados, la vía de contacto y los límites de cualquier explicación pública. No debe prometer certeza donde la ley o la evidencia siguen sin resolverse. Debe decir qué hace cuando una señal es ambigua, qué hace cuando un titular de derechos se pone en contacto y qué puede revisar después de que una fuente ya haya pasado por un sistema. Una política comedida es más creíble que una grandiosa. La mayor parte del trabajo ocurre después de que la política se ha publicado, en la cuestión poco glamurosa de si el registro y el proceso coinciden.

La contratación merece la misma atención. Cuando una organización compra un modelo, un servicio de datos o un producto de recuperación, debería preguntar algo más que si el proveedor tiene una declaración de derechos de autor en su sitio web. ¿Qué categorías de fuentes se usaron? ¿Cómo se gestionan las reservas de derechos? ¿Qué documentación está disponible para los proveedores posteriores? ¿Puede el proveedor explicar su resumen público de contenido de entrenamiento? ¿Qué ocurre cuando una fuente de contenido se disputa, se corrige o se retira? ¿Qué parte se espera que investigue? Estas no son preguntas que un cliente haga para convertirse en abogado de derechos de autor. Son preguntas ordinarias sobre dependencia y evidencia.

Las respuestas pueden ser incompletas, sobre todo en un campo que evoluciona rápido. Las respuestas incompletas deben etiquetarse como tales, con un responsable y una vía para mejorarlas. La respuesta peligrosa suele ser la que resulta convincente: todo el contenido es público, toda la formación es justa, todos los registros son confidenciales, todas las preocupaciones se atienden. Cada frase oculta las distinciones que una negociación responsable necesita. Una respuesta más útil nombra el alcance, la norma, la evidencia, la limitación y el siguiente punto de revisión.

Las autoridades públicas tienen una razón particular para plantear estas preguntas. Pueden influir en el mercado mediante la contratación pública mucho antes de que un tribunal o un regulador resuelva todas las cuestiones difíciles. Una licitación puede exigir que un proveedor describa su enfoque sobre los datos de formación, las reservas, las licencias, la procedencia y las reclamaciones. Puede exigir un registro de los cambios materiales. Puede distinguir una declaración de política de la evidencia de su implementación. Puede establecer condiciones proporcionadas sin exigir que el comprador posea una teoría completa de todas las cuestiones de derechos de autor en Europa. La contratación pública no sustituye a la ley. Es uno de los lugares donde la ley se convierte en una expectativa operativa.

Esa es la lección más amplia. La negociación no se da únicamente entre un editor y un rastreador. También involucra a las personas que configuran la recopilación, crean estándares, contratan modelos, gestionan licencias, construyen conjuntos de datos, publican documentación de modelos, operan vías de reclamación y deciden si un modelo puede comercializarse. Una relación basada en datos de formación se vuelve menos extractiva cuando esas personas pueden ver la misma evidencia y trabajar con los mismos límites. La alternativa no es la simplicidad. Es una cadena de suposiciones separadas que finalmente se encuentra con un titular de derechos en el peor momento posible.

Público no significa sin dueño

La web pública debería seguir siendo pública. Eso significa que debería seguir siendo posible leer, enlazar, citar dentro de la ley, investigar, indexar, criticar, preservar y construir nuevos servicios. Una web hecha de ventanas de permiso para cada acto cotidiano no sería abierta en ningún sentido útil. Pero la apertura no es lo mismo que la ausencia de dueño, y la visibilidad no es una transferencia de derechos para todo propósito.

Las negociaciones que ahora se están formando en torno a los datos de formación son una oportunidad para hacer práctica esa distinción. Un titular de derechos debería poder reservar un uso en una forma que un recopilador responsable pueda recibir. Un proveedor de modelos debería poder obtener material de alta calidad mediante términos que puedan implementarse y auditarse. Las organizaciones pequeñas no deberían quedar excluidas porque solo los actores más grandes puedan permitirse acuerdos a medida. Las autoridades públicas deberían poder ver lo suficiente sobre el contenido de formación de modelos y la política de derechos de autor para hacer preguntas inteligentes. Y cuando ocurra una disputa o un cambio, ambas partes deberían tener una vía que comience con evidencia en lugar de teatro.

Todavía habrá casos difíciles. La ley aún necesitará interpretación. Algunos conflictos de derechos no se resolverán con un estándar, y algunas negociaciones comerciales seguirán siendo desiguales. Un registro de procedencia no hará justo un mal acuerdo. Un marcador técnico no hará que un derecho sea significativo si un recopilador lo ignora deliberadamente. El objetivo no es una web sin fricción. Sin fricción a menudo significa que el costo de alguien más ha quedado oculto.

El mejor objetivo es una web inspeccionable. Una en la que una solicitud automatizada pueda llevar un propósito declarado, un límite publicado pueda sobrevivir al contacto con un sistema de recopilación, una licencia pueda convertirse en una regla operativa y un proveedor de modelos pueda dar cuenta de la ruta que trajo el material a su trabajo. Esa es una visión menos romántica que una máquina que lee todo lo que se ha escrito. También es más probable que deje a editores, creadores, investigadores y constructores de modelos con una web por la que valga la pena negociar.

Fuentes