Con noticias diarias sobre la inteligencia artificial, su potencial y sus posibles amenazas, a menudo pasa sin demasiado debate que todo ese avance se ha construido y se construye sobre el consumo masivo de propiedad intelectual. La recolección masiva e indiscriminada de fotos, textos, libros, artículos periodísticos y código fuente para alimentar los sistemas del lenguaje ha llevado a marcas de referencia, como OpenAI, a enfrentar litigios en los tribunales federales de Estados Unidos y en organismos regulatorios de Europa y Australia.
La controversia radica en la fase que se conoce como ‘preentrenamiento’. Para que un algoritmo de arquitectura como el que mueve a ChatGPT prediga secuencias de palabras con fluidez humana, tiene que poder procesar miles de millones de tokens extraídos del espacio digital abierto. Durante años, los desarrolladores operaron bajo el supuesto de que el scrapping de datos web constituía un uso legítimo (fair use), según la legislación estadounidense. Hoy, la mirada sobre el particular ha cambiado y cada vez más personas —y legislaciones— tienden a verla, simplemente, como extractivismo digital que monetiza el trabajo ajeno sin permiso, recompensa o atribución.
El grupo de medios News Corp cerró un acuerdo con OpenAI valorado en más de 250 millones de dólares para permitir el acceso de sus sistemas a los archivos de cabeceras como The Wall Street Journal y The Times. Un camino opuesto tomó The New York Times, que interpuso una demanda judicial para exigir la destrucción de cualquier modelo entrenado con sus artículos. El argumento del diario neoyorquino apunta a la sustitución directa del mercado: los chatbots no solo consumen la información, sino que sintetizan las exclusivas del periódico y las entregan al usuario final, anulando en el proceso el tráfico directo hacia la fuente original.
El Dr. Brent Hecht, director de Ciencia Aplicada de Microsoft, afirmó que el trabajo de OpenAI bien podría ser “el mayor robo de mano de obra en la historia de la humanidad ” y que podría crear un círculo vicioso. Engadget cita a Nick Turley, empleado de OpenAI, quien declaró que esa práctica representa una “amenaza existencial para las editoriales”.
Digámoslo como es: el imperio de la IA generativa se construyó sobre insumos que nunca compró. Y pese a antecedentes como los citados, no parece que haya aprendido a funcionar de otra manera. Peor aún, dado que una vasta porción del contenido en la Internet actual ha sido generado por IA, las empresas van a tener cada vez más problemas para entrenar a sus modelos con datos puros, o se arriesgan a un tipo de ‘autofagia’ que degrada su calidad.
Solo así se explican cosas como que Amazon, que construyó su marca, justamente, vendiendo libros, hoy lidere un proceso industrial de digitalización destructiva y procesamiento de datos para alimentar sus modelos de inteligencia artificial. Primero, compra grandes cantidades de libros físicos, incluidos textos antiguos o de circulación limitada, a través de canales comerciales y mercados de libros usados como Biblio, en los que los compradores pueden ocultar su identidad.
La disputa legal en torno a este tema va mucho más allá de los libros y alcanza la privacidad de los usuarios particulares. Millones de interacciones diarias con las plataformas de conversación sirvieron para refinamiento mediante aprendizaje por refuerzo con retroalimentación humana. Cuentas personales, registros médicos redactados sin precaución en las cajas de texto y secretos comerciales subidos a las herramientas por empleados incautos terminaron integrados en el flujo de procesamiento. Múltiples reguladores europeos de protección de datos, basados en el Reglamento General de Protección de Datos, sancionaron y advirtieron a los proveedores por carecer de una base legal legítima para el procesamiento de información personal sin el consentimiento explícito de los interesados.
Frente a todo esto, los gigantes de la tecnología adoptaron dos estrategias: La primera es la firma de licencias privadas de contenido con editoriales, bancos de imágenes y redes de foros como Reddit, que cotizó sus datos —¿nuestros datos?— de entrenamiento en 60 millones de dólares anuales con Google. La segunda es el desarrollo de datos sintéticos, es decir, información generada por otros sistemas de inteligencia artificial para alimentar a las futuras generaciones de modelos. Como decía, esta última opción presenta limitaciones técnicas probadas.
Si los tribunales deciden que el entrenamiento algorítmico no califica dentro del uso legítimo, el costo de entrada para construir modelos avanzados aumentará drásticamente, y eventualmente solo las corporaciones con suficiente capacidad financiera podrán comprar catálogos enteros de conocimiento. Por el contrario, un fallo favorable a las empresas desarrolladoras establecerá un precedente donde cualquier obra expuesta en la red pública podrá convertirse de forma gratuita en materia prima comercial para sistemas de IA.