Recientemente se ha generado un amplio debate sobre la posibilidad de desarrollar modelos de inteligencia artificial (IA) sin infringir los derechos de autor. La postura dominante en el ámbito tecnológico ha sido afirmar que entrenar grandes modelos de lenguaje, como los que sustentan los chatbots o generadores de imágenes actuales, requiere inevitablemente el uso de materiales protegidos. Esta práctica, común entre diversas compañías tecnológicas y otros actores relevantes, ha dado lugar a numerosas demandas judiciales por presuntas vulneraciones a la propiedad intelectual.
Uno de los factores clave que han puesto a la inteligencia artificial en el centro de la conversación pública es el lanzamiento del sistema ChatGPT, un modelo de IA accesible para el público general que permite mantener conversaciones coherentes y resolver tareas complejas.
Sin embargo, han surgido recientemente iniciativas orientadas a facilitar el entrenamiento ético y legal de estos modelos. En este contexto, un grupo de investigadores publicó una extensa base de datos denominada Common Corpus, compuesta exclusivamente por contenidos escritos de dominio público y cuyo volumen es equiparable al de otros conjuntos de datos tradicionalmente utilizados para entrenar modelos generativos avanzados. Dicha base fue puesta a disposición en Hugging Face, una reconocida plataforma de inteligencia artificial de código abierto.
Pese a estas iniciativas positivas, Common Corpus también enfrenta limitaciones considerables, ya que buena parte de su contenido está desactualizado debido a las restricciones temporales relacionadas con los derechos de autor. Por ejemplo, en Estados Unidos, las obras suelen pasar al dominio público solo setenta años después del fallecimiento de su autor, lo que limita significativamente la disponibilidad de contenidos contemporáneos.
Por otra parte, la Oficina de Derechos de Autor de Estados Unidos ha declarado recientemente que algunas imágenes generadas por IA no pueden considerarse obras originales creadas por un autor humano, lo cual las excluye de la protección mediante derechos de autor. Entre sus argumentos destaca que la generación automatizada de imágenes produce resultados impredecibles y no atribuibles claramente a una persona física o jurídica concreta.
En definitiva, aunque existe una postura extendida según la cual es imposible desarrollar modelos avanzados de IA sin recurrir a material protegido por derechos de autor, recientes esfuerzos demuestran que, al menos parcialmente, es posible avanzar hacia la creación ética y legal de estos modelos mediante bases de datos cuidadosamente seleccionadas con contenidos exclusivamente de dominio público.
