Tú entrenaste la IA. Las grandes tecnológicas cobraron

El 24 de enero de 1956, American Telephone and Telegraph Company era la mayor empresa privada del mundo.

Sus ingresos equivalían a casi 2% del PIB de Estados Unidos. Empleaba a 746,000 personas. Era dueña de Bell Labs, la mítica división de investigación que ya había producido el transistor, la célula solar, la teoría de la información y la radioastronomía, además de tender el primer cable telefónico transatlántico. En las décadas siguientes, sumaría a su larga lista de hitos científicos UNIX, la telefonía celular moderna, el sensor de imagen CCD y el primer satélite de comunicaciones activo. Este tramo singular de producción intelectual allanó el camino para que los científicos de Bell terminaran acumulando cinco premios Turing y 10 premios Nobel. Según muchas métricas, la vida como monopolio regulado le fue muy bien a AT&T.

Sin embargo, al final de ese día, AT&T había cedido los derechos exclusivos de sus 7,820 patentes vigentes, sin regalías, a cualquier empresa estadounidense que las solicitara. AT&T también licenciaría cualquier patente futura que presentara a “tarifas razonables”. Un tesoro de propiedad intelectual de vanguardia se abrió de golpe e irrevocablemente al mercado libre.

Las autoridades antimonopolio presentaron inicialmente el acuerdo como un triunfo. El Departamento de Justicia lo llamó una gran victoria, y un abogado del organismo lo calificó de “milagroso”. Pese a que AT&T ya llevaba décadas existiendo como monopolio regulado, con rendimientos limitados a un relativamente conservador ~7% anual (para los estándares actuales), los reguladores habían impulsado y establecido un conjunto adicional de restricciones sin precedentes para frenar el poder monopólico de AT&T.

Sin embargo, pronto la opinión pública empezó a cambiar. Business Week calificó el decreto de conciliación como “apenas una palmada en la muñeca”. Un subcomité del Congreso lo consideraría más tarde “una mancha en la historia de la aplicación de las leyes antimonopolio” por su percibida indulgencia con las cadenas de suministro exclusivas y la integración vertical de AT&T. Tanto los usuarios, que subsidiaban el enorme presupuesto de investigación de AT&T a través de sus tarifas, como buena parte del gobierno federal, creían que esta concentración económica sin precedentes seguía siendo demasiado peligrosa para que la República la tolerara sin más.

El ahora infame decreto de patentes de 1956 fue solo la mitad de un acuerdo negociado durante siete años entre AT&T y el gobierno federal. AT&T quería seguir fabricando equipos telefónicos a través de su filial Western Electric, pero los reguladores creían que esa integración vertical estaba bloqueando la competencia en la industria. El propio gobierno federal estaba tan dividido al respecto que el secretario de Defensa bajo el presidente Eisenhower, Charles Wilson, suplicó a los litigantes que separar a AT&T de Western Electric era “contrario a los intereses vitales de nuestra nación”.

La segunda mitad del acuerdo prohibía a Bell dedicarse a cualquier negocio que no fuera telecomunicaciones. Un análisis posterior del registro histórico reveló que 69% de las patentes de Bell tenían poco que ver con las telecomunicaciones. Más bien abarcaban química, computación, semiconductores, metalurgia, iluminación, óptica y más.

Las dos mitades del acuerdo combinadas garantizaron que este rico corpus intelectual (aproximadamente 1.3% de todas las patentes vigentes en Estados Unidos en ese momento) quedara disponible de forma gratuita casi de la noche a la mañana, con la garantía del Tío Sam de que el lobo legal no llamaría a la puerta. En apenas unos años, estas patentes liberadas generarían un valor estimado de 5,700 millones de dólares en patentes derivadas fuera de la industria de las telecomunicaciones. Unos 3,500 millones de ese valor provinieron de patentes registradas por empresas jóvenes, startups.

Una ramificación célebre de esa explosión de startups pasó por Shockley Semiconductor, luego Fairchild Semiconductor, y finalmente desembocó en la legendaria empresa conocida como Intel. El cofundador de Intel, Gordon Moore (el de la Ley de Moore), describiría más tarde esta cascada de innovación impulsada por el decreto de conciliación como “uno de los desarrollos más importantes para la industria comercial de semiconductores”:

“[Permitió] que la industria de semiconductores mercantil realmente despegara en Estados Unidos. Hay una conexión directa entre las políticas de licenciamiento liberal de Bell Labs y personas como Gordon Teal, que dejó Bell Labs para fundar Texas Instruments, y William Shockley, que hizo lo mismo para fundar Shockley Semiconductor en Palo Alto. Esto dio inicio al crecimiento de Silicon Valley.”

Una generación de científicos brillantes, subsidiados públicamente, construyó uno de los clústeres de genio técnico más impactantes que el mundo haya visto jamás. Bell generó patentes, inventó productos y se convirtió en el epicentro indiscutido de la ciencia de frontera estadounidense durante décadas. Pero, ¿cómo?

Sedimento

Imagina un arrozal cuidadosamente diseñado, aterrazado por agricultores meticulosos que pasaron años diseñando con precisión un entorno fértil. Parece solo un campo inundado, pero resulta que el arroz es uno de los pocos cultivos importantes que tolera raíces sumergidas. Como la mayoría de las malas hierbas tampoco toleran la sumersión, el agua se encarga de eliminarlas. La inundación deliberada también corta el oxígeno necesario para la descomposición orgánica, por lo que el suelo retiene más nutrientes en lugar de quemarlos como lo hace un campo seco y aireado. Y el lodo cálido y encharcado triplica su función como excelente hábitat para microbios fijadores de nitrógeno. Un arrozal bien cuidado se fertiliza en gran medida a sí mismo, temporada tras temporada, a veces durante siglos. Este humilde charco de barro es uno de los sistemas de cultivo más productivos que los seres humanos hayan diseñado jamás.

La posición económica única de AT&T como monopolio creó las condiciones para la cultura de experimentación deliberada, exploración paciente y cosecha diferida de Bell Labs. Bell se nutría de una base de ingresos nacional enorme y estable, que no había que rejustificar en cada ciclo presupuestario. Los reguladores estadounidenses fijaban esta base de ingresos a través de los precios de AT&T mediante un cálculo de rendimiento porcentual fijo sobre el capital que invertía en la red. Aquí, capital invertido significa centrales, cables, edificios y similares.

En una empresa normal, la investigación es un costo que se minimiza, pero no en AT&T. Cada dólar gastado en investigación en Bell Labs cumplía dos funciones a la vez. Primero y ante todo, era un costo sin riesgo y recuperable, subsidiado por los usuarios telefónicos estadounidenses bajo contrato. Segundo, era una fuente de nueva tecnología intensiva en capital para que AT&T construyera y desplegara. Ese gasto de capital ampliaba la propia base tarifaria sobre la que se calculaba su rendimiento garantizado. Cuanto más dinero se gastaba en estas nuevas tecnologías, mayor era la ganancia absoluta obtenida con el mismo rendimiento regulado de ~7%.

Este arreglo funcionó muy bien para todas las partes durante décadas, pero no es necesariamente replicable. Tampoco es obvio que debamos siquiera intentar recrearlo, porque también tuvo costos reales. La sobreinversión ineficiente, la falta de disciplina de precios y, sobre todo, el incentivo a acaparar inventos detrás de un muro monopólico, perjudicaron a los usuarios.

Pero durante gran parte del siglo XX, estas ganancias garantizadas sí crearon, objetivamente, un extenso arrozal en el que una innovación tecnológica tras otra pudo florecer.

La ciencia de frontera hoy se ve distinta. Está arraigada en pesos de modelos y GPU. Está inundada de gasto en tokens y bucles agénticos. Florece en centros de datos.

Aunque la investigación asistida por IA todavía es un campo joven, las estadísticas de uso muestran que algo grande está sucediendo dentro y alrededor de los principales laboratorios de IA. Personas serias están usando esta nueva tecnología para resolver problemas reales, a veces clases enteras de problemas que antes eran irresolubles. Estructuras de proteínas, matemáticas de investigación, diseño de materiales, descubrimiento de fármacos y análisis de sistemas complejos son solo algunos de los campos donde los modelos de IA están mejorando tangiblemente la capacidad de los investigadores para superar los obstáculos científicos de la humanidad. Pero, ¿de dónde sale esta rica tierra?

No es realmente un secreto. OpenAI dice que “se basa principalmente en información disponible públicamente para enseñar a [sus] modelos a ser útiles”. Anthropic intentó construir una “biblioteca central de ‘todos los libros del mundo'” para entrenar sus modelos. El propio Sam Altman explica que sus modelos de frontera se entrenan con “la experiencia colectiva, el conocimiento y los aprendizajes de la humanidad”.

Quita los eufemismos y te queda la cruda realidad de que estas capacidades sin precedentes se ensamblaron a partir de la autoexpresión de cada persona en el planeta que alguna vez escribió algo.

Y el producto construido a partir de esa realidad (al menos según los propios ingresos, proyecciones y cifras de uso de los laboratorios de frontera) es lo más valioso construido en una generación. Quizás en la historia.

La tasa de ingresos anualizada de Anthropic pasó de 87 millones de dólares en enero de 2024 a 1,000 millones a fin de año, creció aproximadamente diez veces durante 2025 y, en mayo de 2026, alcanzó los 47,000 millones de dólares. Esto la convierte en la empresa de software empresarial de crecimiento más acelerado de la historia. OpenAI no se queda muy atrás. Se estima que 80% de la fuerza laboral estadounidense ocupa hoy un puesto donde alguna parte del trabajo está expuesta a estos modelos. Todo este impacto fue posible gracias a entrenamientos de varias semanas sobre un corpus de datos medido en vidas de miles de millones de personas.

Esto es la captura privada del genio público.

Un modelo de frontera es la compresión de una enorme cantidad de datos de entrenamiento en pesos numéricos. Resulta asombroso siquiera pensar en la colección combinada de libros, foros, repositorios de código, manuales, artículos, registros de chat, transcripciones, casos judiciales, ensayos, secciones de comentarios, artículos, tutoriales y cada pensamiento errante rastreable por el ejército de arañas de los laboratorios de frontera que recorren internet y más allá. En cierto modo, su incomprensibilidad es casi como una armadura psíquica. Es demasiado grande para entenderlo directamente.

Piensa en un delta de río salvaje. A medida que el agua fluye desde las tierras altas hacia el mar, erosiona el terreno por el que pasa y arrastra los restos corriente abajo como sedimento. Limo, arena, arcilla y todo tipo de material orgánico, arrancado de cada rincón de afluentes y riberas, desde campos arados hasta laderas escarpadas, terminan acumulados en el delta. Así también la riqueza de cada vida que el río sostiene a su paso. Toda una cuenca continental que se arremolina, se acumula y finalmente se asienta en su desembocadura. El vasto volumen de material dispar se combina en el delta para formar algo exuberante, extraño y vivo.

¿Y qué es la suma de todo el conocimiento humano sino esto? Cada conjunto de letras extraído de las páginas de la historia (los tokens literales que ingiere un modelo de IA) es un solo grano de limo depositado por el río siempre fluyente de la exploración del hombre. Acumula suficientes granos y comprenderás el movimiento de las estrellas. Observa el lodo el tiempo suficiente y verás las estructuras de la lógica misma. La transubstanciación que hace el modelo de lenguaje del suelo aluvial en respuestas es la gran cosecha de la sociedad que lo cultivó.

Pero resta la tierra y no queda delta. Resta el corpus y no queda cosecha. No queda nada.

El modelo no aprendió a razonar en el vacío. Absorbió la racionalidad observando racionalidad una y otra y otra vez. Sus capacidades de generalización son consecuencia de cada ejemplo, corrección y argumento que asimiló. Una decisión humana en algún lugar de los ecos de la historia, la cultura y la ciencia sentó las bases de la respuesta del chatbot de hoy. Esta inteligencia cultivada crece del sedimento del sentido humano, pero no hay aquí ningún sedimento que no haya sido depositado por alguien.

Muchos de esos alguien ya están muertos. Escribieron los textos antiguos, pusieron a prueba la ciencia básica y registraron la historia del mundo desde la antigüedad para beneficio de quienes seguimos aquí. Pero muchos de esos alguien están vivos. Son quienes escriben el código funcional que el modelo escupe. Son quienes empujan esa ciencia básica más allá de su frontera. Son quienes organizan, investigan, actúan y reaccionan ante el flujo infinito de la actualidad. Cualquier respuesta pertinente a hoy fue tomada prestada de alguien.

De hecho, tú eres uno de esos alguien. Literalmente.

Tu publicación de las 2 de la madrugada. Esa respuesta elocuente al ensayo de un desconocido. La crítica mordaz que dejaste sobre un restaurante. Tus pies de foto, comentarios, chistes internos y todas tus conversaciones públicas. Cada contribución que hiciste alguna vez a la corriente infinitamente ramificada de la comunicación digital, grande o pequeña, se ha asentado en algún lugar del delta.

El delta del río Nilo alimentó a Egipto durante 5,000 años. Las regiones del Mekong y el Ganges todavía alimentan a cientos de millones hoy. No es casualidad que toda cuna de civilización deba su formación, en todo o en parte, a las llanuras de inundación y deltas de grandes ríos. Estas zonas sostuvieron a la humanidad durante sus eras más primitivas con poco más que la riqueza inherente de sus materiales crudos. Esta tierra pide a gritos estallar de vida, y sin embargo la tierra de cultivo más rica del planeta es, casi sin excepción, accidental.

Lo mismo pasa con internet.

Los innumerables habitantes digitales de la superautopista de la información no nos propusimos crear un corpus de entrenamiento. Escribimos para nosotros mismos y unos para otros. Bromeamos, discutimos, enseñamos, nos quejamos, coqueteamos y depuramos código hasta llegar a esta masa agregada de material relacional en bruto, ahora cosechada por el capital privado. El campo de la economía (que también está en el corpus) tiene un vocabulario para esto.

Para categorizar cualquier recurso, los economistas hacen dos preguntas: ¿es excluible? y ¿es rival? Dicho de forma más sencilla: ¿se puede impedir que la gente lo use? Y ¿el uso de una persona disminuye lo que queda disponible para los demás?

Hay salvedades y subcategorías, pero esta prueba simple nos da un mapa. Si un bien es excluible y rival, es un bien privado. Piensa en un sándwich. Si me lo como, desaparece, y la ley me protege de los ladrones de sándwiches.

Si un bien es excluible pero mayormente no rival, es un bien de club. Una suscripción a Netflix es un bien de club. Si yo veo una película, tú también puedes verla, pero solo si ambos pagamos por el acceso.

Si un bien es difícil de excluir y es rival, es un bien de acervo común. Un pastizal es el ejemplo clásico. Muchos agricultores pueden acceder al pastizal, y aunque una vaca pastando no destruye el campo, si se agregan suficientes vacas terminarán royendo la hierba hasta dejar solo tierra. Este es el célebre problema de la “tragedia de los comunes”.

Finalmente, si un bien es difícil de excluir y no es rival, es un bien público. Las farolas son bienes públicos. Una vez iluminada la calle, todos podemos caminar bajo esa luz, y que yo lo haga no oscurece la calle para ti.

Los bienes privados y de club suelen estar gobernados por actores con fines de lucro y el sistema legal en el que operan. Los bienes públicos son gobernados principalmente por gobiernos o por nadie, y los bienes de acervo común tienden a existir en un espacio liminal donde todos buscan el beneficio y nadie quiere asumir los costos de mantenimiento.

Los laboratorios de frontera generalmente argumentan que los datos en internet están disponibles para el entrenamiento bajo regímenes de derechos de autor de uso justo (fair use). En términos económicos, este argumento implica que internet es un bien público.

El rastreo, la ingesta y el uso masivo de datos de internet para el entrenamiento no destruyen esos datos originales. Cada entrada de blog, cada tuit y cada guerra de comentarios siguen ahí y, en su mayoría, siguen siendo accesibles. Nadie los posee claramente.

¿La plataforma en la que publicas es dueña de tus publicaciones? ¿Compartes la propiedad con la plataforma? ¿Puede cambiar esta relación con el tiempo? Al fin y al cabo, lo publicaste gratis en internet.

Excepto que conceder acceso no es lo mismo que otorgar licencia. Un carné de biblioteca te da acceso a leer un libro, no a fotocopiar toda la biblioteca. Comprar un pase para un parque nacional no otorga derechos de tala. Visitar una tienda abierta no te da derecho a robar su inventario. El acceso público a un trabajo en internet no otorga automáticamente derechos de uso.

Y hay un segundo problema, más profundo, con el argumento de “lo publicaste, aceptaste esto”. Hasta hace muy poco, el caso de uso del entrenamiento de LLM no existía y no podía haber sido razonablemente previsto por quien publicaba en línea. Un bloguero de 2008 no pudo haber consentido que su trabajo se usara para entrenar un modelo de lenguaje hoy, porque eso era inconcebible en ese momento. El consentimiento no puede asignarse hacia atrás en el tiempo, y mucho menos para una trama de ciencia ficción que se volvió realidad.

El campo de batalla legal actual para los LLM es una historia de no resolución. Curiosamente, pese a nuestra intuición moral, el acceso y el consentimiento son irrelevantes para la defensa legal principal de los laboratorios de frontera, basada en el “uso justo”. En cambio, los tribunales evalúan cuatro criterios al fallar sobre una defensa de uso justo. Analizan el propósito del uso del material con derechos de autor, la naturaleza de la obra, la cantidad utilizada y el efecto sobre el mercado de la obra original.

En la práctica, estos cuatro criterios de uso justo generalmente se reducen a dos preguntas importantes: ¿la nueva obra es transformadora? Y ¿perjudica el mercado de la obra original?

En junio de 2025, el juez William Alsup, juez principal del Tribunal de Distrito de Estados Unidos para el Distrito Norte de California, falló en el caso Bartz contra Anthropic que entrenar con libros adquiridos legalmente era “esencialmente transformador”, pero que construir una biblioteca a partir de libros pirateados era “inherente e irremediablemente infractor”. Con esta victoria mixta, Anthropic enfrentó una exposición teórica de hasta 70,000 millones de dólares en daños por derechos de autor y rápidamente resolvió el caso pagando 1,500 millones de dólares unos meses después. Es el mayor acuerdo por derechos de autor en la historia de Estados Unidos (hasta ahora) y no otorgó licencias futuras a Anthropic ni aclaró ninguna ley de cara al futuro.

En un fallo relacionado, Kadrey contra Meta, el juez Chhabria, del mismo distrito judicial de Estados Unidos, consideró igualmente transformador el entrenamiento de LLM y, a regañadientes, dictaminó que la evidencia de daño al mercado era insuficiente. En su fallo, criticó a los demandantes por presentar casi ninguna evidencia de dilución de mercado y sugirió que la capacidad de los LLM de inundar un mercado con trabajo de IA similar a los datos de entrenamiento “hará que los demandantes ganen decisivamente el cuarto factor (y por tanto ganen la cuestión de uso justo en general) en casos como este”.

Complicando aún más la discusión, la Oficina de Derechos de Autor de Estados Unidos emitió en 2025 un informe no vinculante que concluye que la disponibilidad pública no permite por sí sola el entrenamiento de modelos bajo uso justo.

Al momento de escribir esto, no existe un estándar legal establecido para medir la dilución de mercado provocada por los LLM, pero esto está listo para convertirse en una gran confrontación en futuras decisiones judiciales. Ya hay docenas de demandas y disputas de políticas públicas poniendo a prueba las defensas cambiantes de los laboratorios de frontera sobre los datos de entrenamiento.

La defensa más seductora de los laboratorios también es la más simple. “Es solo leer” es un argumento común entre los tecnólogos que defienden el entrenamiento de modelos de IA, y es un argumento convincente. Todo escritor vivo está construido a partir de los libros que consumió. Nadie le manda un cheque a la herencia de Hemingway por haberse inspirado en El viejo y el mar. Si el modelo es solo otro lector, debe lo que debe cualquier lector: nada.

Una persona que lee 10,000 libros a lo largo de su vida se convierte en un escritor más, que trabaja a velocidad humana, publica a volumen humano y devuelve su sedimento al delta un grano a la vez.

Un modelo que lee todo se convierte en una imprenta que imprime más imprentas. Produce trabajo a volumen industrial, entrena a sus sucesores y compite con los mismos escritores que consumió, con solo presionar un botón. La inspiración nunca diluyó un mercado, pero la impresión sí lo hace.

La invención de la imprenta de Gutenberg alrededor del año 1440 llevó finalmente a la aprobación del Estatuto de Ana en 1710. Un cartel de poderosos editores de libros presionó al Parlamento británico para restaurar sus derechos monopólicos sobre el comercio del libro, y el Parlamento, en cambio, otorgó ese derecho a los autores como propietarios legales. Los actores establecidos pidieron protección y los representantes del pueblo entregaron la propiedad a los creadores.

Este estatuto sentó las bases de la ley de derechos de autor moderna. Antes de la imprenta, esto no era realmente necesario porque la piratería masiva era prácticamente imposible. El nuevo panorama tecnológico desató una cascada de reproducción que desbordó sistemas legales diseñados para los problemas de una época anterior, pero ese ajuste de cuentas tardó más de dos siglos y medio en resolverse.

La imprenta que imprime más imprentas no nos dejará esperar tanto.

Arruinar el delta

A primera vista, el rico delta fluvial que contiene los depósitos del conocimiento colectivo de la humanidad sí parece ser un bien público. Que los laboratorios de frontera rastreen e ingieran el enorme cuerpo sedimentario de internet no destruye los materiales originales en un sentido literal. Los tribunales ya han empezado a fallar en esa dirección, pero, como ocurre con muchos fallos legales, esto es correcto en un sentido estrecho y pasa por alto por completo el punto central.

Una comprensión plana de la cuestión del corpus de entrenamiento malinterpreta cómo interactúan realmente las capas funcionales de internet y sus participantes. Hasta ahora hemos analizado solo la capa de texto. Las páginas web, artículos, publicaciones, comentarios y todo lo demás que los laboratorios de frontera rastrearon hacia un corpus de entrenamiento son una pieza obvia, pero hay muchas otras capas de internet, y son ellas las que hacen posible que exista la capa de texto.

Además de las capas técnicas obvias, como la capa de protocolo o de acceso, debemos considerar también la capa de descubrimiento, la capa de atención, la capa de contribución y la capa de integridad de internet, junto con el flujo de comportamiento entre ellas. La utilidad continua de internet depende de que la gente encuentre, interactúe, contribuya y, en última instancia, crea en el valor de lo que accede en línea.

Cuando se enmarca como un corpus estático, no resulta obvio que internet resulte dañado por los entrenamientos de IA. Ciertamente no se daña de la misma manera en que demasiadas vacas pueden dañar la hierba de un pastizal.

Lo que en realidad se daña es el sistema complejo que evolucionó para enriquecer ese corpus en primer lugar. Internet es una pila de bienes públicos, de club y de acervo común interconectados. Distintas capas reaccionan y se refuerzan entre sí para que el conjunto tenga valor, pero eso también lo hace vulnerable a los daños específicos que introducen los LLM. Un diluvio de basura generada por IA ya está obligando a los editores de Wikipedia a rastrear artículos y citas fabricadas, inundando el sistema de reseñas de la App Store de Apple con envíos de bajo esfuerzo y copias, y amenaza con desbordar cada gran plataforma social basada en texto.

Ningún creador humano puede competir con el volumen bruto de producción generativa que trabaja para desbordar nuestros algoritmos y nuestra capacidad de atención. Aquí, las capas de internet se comportan menos como un pastizal y más como una carretera o una bandeja de entrada de correo. No son rivales hasta cierto umbral, y luego se vuelven catastróficamente rivales.

En consecuencia, el incentivo para participar genuinamente en la web disminuye con cada variación de IA de un derivado de un tuit de un derivado. ¿Para qué crear y compartir cosas en línea si no te van a ver, no puedes competir con las 10,000 variaciones de perros de IA bailando música electrónica alegre, y cuando por fin haces algo genuinamente impresionante los primeros comentarios te acusan de ser IA? La capacidad de las herramientas de IA generativa para inundar cualquier rincón de la web con contenido, basura o no, a costo marginal prácticamente nulo, podría ser el último pedal pegado al piso del autobús del Spam-para-Todos-Para-Siempre que salió de la estación allá por los años 90.

Este es un momento importante. La cosecha ingenua de la fértil capa del corpus es un ataque directo contra las mismas personas que la hicieron posible. Es probable que algunas partes de la web ya se hayan roto. Si jugamos mal esta partida, todo internet podría romperse de forma irreparable.

Sin embargo, no carecemos de herramientas para ayudarnos aquí. Ya sabemos cómo proteger un bien común. Elinor Ostrom ganó el Premio Nobel en 2009 por documentar cómo los pastizales alpinos suizos, los bosques japoneses y las redes de riego españolas compartieron de forma sostenible sus bienes comunes durante siglos. Ella identificó ocho condiciones para que los bienes comunes perduren: límites claros sobre quién puede usarlo, reglas adaptadas a las condiciones locales, que las personas afectadas tengan voz en esas reglas, monitoreo por partes responsables ante los usuarios, sanciones graduales por el uso excesivo, formas accesibles de resolver disputas, reconocimiento del derecho de la comunidad a organizarse, y una gobernanza anidada en distintas escalas.

Si sometemos a internet a esta lista de verificación, casi ninguna de las ocho condiciones se cumple. Sus límites son difusos, alimentados por todos y vigilados por nadie. Las personas que lo llenan no tienen voz en cómo se gobierna. Sus reglas son poco claras y solo se litigan esporádicamente, y solo por un puñado de actores bien capitalizados. La supervisión es escasa donde existe, siempre retroactiva y nunca proactiva. No hay monitoreo, ni sanción gradual, ni un espacio compartido para resolver disputas. No es, en el sentido preciso de Ostrom, un bien común gobernado en absoluto. Es un bien de acervo común al que le desconectaron el enchufe.

Por eso estamos en este lío. Al igual que en la era del río Cuyahoga rebosante y el arroyo Buffalo Creek anegado de lodo tóxico, estamos ante un desastre de vertido cibernético-industrial a punto de arruinar todo el delta.

Colapso de la atribución

El río todavía fluye, por ahora. Sigue asentándose sedimento fresco en el delta, la capa del corpus sigue creciendo y los laboratorios siguen rastreando. Y mientras rastrean, siguen comprimiendo el colosal delta de internet en conjuntos fijos de pesos, pero este ritual continuo revela otro problema. Esta vez es un problema de valor, no de calidad. En concreto, el problema de quién cobra por qué valor.

Según los laboratorios de frontera, todos estos miles de millones de puntos de datos rastreados son, de alguna manera, individualmente inútiles, pero colectivamente valen billones.

Con “inútiles” quieren decir que ninguna obra rastreada individualmente es necesaria en el conjunto de entrenamiento. Quita cualquier pieza y el modelo apenas lo nota. Por lo tanto, ninguna obra individual importa realmente. Por lo tanto, ninguna obra individual merece un pago.

Pero si logramos cerrar la boca abierta el tiempo suficiente para masticar lo que nos están dando, podemos ver que los puntos de datos individuales claramente no carecen de valor. Es un truco retórico: la doble moral de un detective autoproclamado que declara “como no podemos determinar exactamente cuántas joyas se robaron, no se pueden presentar cargos”. Salvo que ellos también son el ladrón. Y acaban de abrir una joyería.

Este “ay, disculpen” es, por supuesto, absurdo. Las malas prácticas contables no borran la clara transferencia de valor, especialmente cuando esa contabilidad es imposible desde un punto de vista legal, porque la ley de derechos de autor se diseñó para vigilar la copia discreta. Los precedentes judiciales asumen infractores que copian obras enumerables de partes identificables. El entrenamiento de modelos de lenguaje es la absorción estadística de miles de millones de obras a la vez. Es una forma distinta con la misma esencia moral, pero como el mecanismo de extracción es nuevo, el instrumento legal aún no logra asirlo (por ahora).

Pero aún más preocupante es que los intentos de contabilidad cuantitativa podrían ser matemáticamente incoherentes. El método formal líder para valorar un dato de entrenamiento es el valor de Shapley, que promedia la contribución marginal de un dato en cada orden posible en que podría aparecer. Pero ese número no es una propiedad de la obra en sí. Es una función de la relación de la obra con todas las demás obras del conjunto de entrenamiento. El mismo documento en un conjunto de entrenamiento distinto tendrá un valor de Shapley distinto. Entrena el mismo modelo dos veces y, como el entrenamiento es estocástico, el valor de Shapley podría cambiar de una ejecución a otra.

Los investigadores ni siquiera coinciden en que Shapley sea la métrica de contribución correcta, y calcular valores de Shapley reales para modelos a escala de frontera es computacionalmente inviable. Estos modelos pueden tardar semanas en entrenarse una sola vez; una contabilidad exacta de Shapley requeriría reentrenamientos con combinaciones imposibles de datos. Así que, a día de hoy, no existe un esquema de valoración objetivo para calcular la participación específica de ninguna obra que no terminara litigado hasta el olvido en cuanto se implementara.

La atribución individual para el entrenamiento de LLM a escala de frontera no funcionará en el futuro previsible. No se puede pagar a las personas en proporción a su contribución porque no existe una participación específica y administrable. Esta es la raíz del engaño. Los laboratorios interpretan este hecho como “si no podemos atribuir, entonces no debemos nada”.

Yo sostengo que significa que no se puede pagar de forma proporcional, pero que el pago se sigue debiendo.

Pagar por el genio público

Aquí está la verdadera forma del problema: los individuos crean obras singulares, pero nunca en aislamiento. Internet es comunitario por naturaleza. Tanto la colaboración como el conflicto alimentan el conjunto.

Las ramas crecen más fuertes cuando se podan. La tierra más rica se forma a partir de la putrefacción. Las enredaderas trepan por contacto. Las mentes afines polinizan ideas entre sí, mientras depredadores y presas se hacen correr más rápido unos a otros. Esta masa bulliciosa de basura y brillantez es valiosa precisamente por las variadas relaciones que cada pieza tiene con las demás. En la distancia viva entre ellas, la cognición humana brota, florece y da fruto. Pese al romanticismo del genio solitario, internet es un trabajo de equipo.

Y si no puedes identificar al jugador más valioso, le pagas al equipo.

Ese pago es una regalía. Es una contabilidad en dólares y centavos del genio público que los LLM extraen de lo mejor y lo peor de nosotros. Llamémosla la Regalía del Corpus.

Los laboratorios de frontera pagarían una parte fija de sus ingresos brutos a un fondo público. El fondo pagaría a cada estadounidense elegible la misma cantidad cada año. Cualquier mecanismo más ingenioso que este reintroduce el problema de la medición, y muere diez mil muertes a fuerza de disputas en los tribunales.

Propongo un mecanismo estadounidense porque los regímenes internacionales se construyen a partir de compromisos nacionales. Estados Unidos no es el único público con un derecho legítimo, pero en la práctica tiene el peso regulatorio para establecer la primera política duradera. Es posible que mercados más pequeños no puedan imponer regalías paralelas sin expulsar a los laboratorios de frontera de sus jurisdicciones, lo que convierte a un régimen estadounidense insignia en el probable ancla de una futura solución global.

A medida que los LLM se fusionan con internet y reconfiguran los incentivos de la expresión humana, una regalía se convierte en la única respuesta coherente a la pregunta de cómo compensar una contribución colectiva y no atribuible. Los laboratorios de frontera no pueden seguir cosechando internet sin restricciones. Deben reponer las fuentes originarias que alimentan el fértil delta del que dependen sus modelos, o internet se volverá irreconocible en una década.

Ya hemos construido versiones más pequeñas de esta maquinaria antes. Cuando entidades privadas se benefician de recursos compartidos, reconocemos que el público tiene derecho a una parte de las ganancias.

El Fondo Permanente de Alaska sigue esta misma intuición. Cada residente elegible recibe una parte de la riqueza de los recursos que ningún residente individual podría reclamar por sí solo. Como no podemos medir con fiabilidad cuánto valen las palabras de una persona en particular para un modelo, la distribución debería reflejar el fracaso de la atribución en lugar de fingir que lo resuelve.

Cuando los reclamos individuales son demasiado numerosos para valorarlos uno por uno, no fingimos que carecen de valor, y cuando entidades privadas dañan espacios públicos, declaramos que son responsables de esa destrucción. Después de un siglo de ríos en llamas, el Congreso creó el programa Superfund en 1980 y entregó la factura de la limpieza a los contaminadores, por vertidos que eran legales en el momento en que ocurrieron. Nadie tuvo que rastrear qué barril envenenó qué pozo. Las industrias que se beneficiaron de los residuos tóxicos pagaron por restaurar el terreno.

Algunos dirán que el precedente de Bell aboga por abrir los pesos de los modelos, no por emitir cheques, pero los remedios siguen la forma de la herida. En el caso de Bell, los competidores fueron perjudicados por el bloqueo intelectual, así que el remedio fue el acceso. Hoy, los contribuyentes son perjudicados por la extracción de valor intelectual. De ahí que el pago sea el remedio que repare a los perjudicados.

La Regalía del Corpus puede ser pequeña al principio. Quizás apenas suficiente para un paquete extra de cervezas al año, pero el monto importa menos que la posición que confiere. Le muestra al público que es algo más que materia prima explotada para entrenar modelos de lenguaje cada vez más grandes. Si los laboratorios tienen razón sobre lo que están construyendo, el dinero para cervezas se convierte en dinero para el mercado, que se convierte en dinero para el alquiler, y crece junto con los laboratorios y sus ingresos. Si los laboratorios están equivocados, no será porque una regalía mató el modelo de negocio.

Las vidas, discusiones, preguntas, chistes, correcciones y creaciones de la gente común ayudan a sostener el corpus que esos modelos consumen, y esto los incorpora de forma proactiva en lugar de parasitaria. O el corpus es esencial, o no lo es. Si lo es, tiene un precio, y las industrias pagan por insumos esenciales todos los días. Los propios laboratorios ya lo han admitido en sus acuerdos de licencia con Reddit, News Corp, The Associated Press y otros.

Esto no es asistencia social, porque la asistencia social asume que las empresas subsidian al público, cuando el subsidio va en sentido contrario. No es caridad, porque la caridad implica que no se recibió nada a cambio. No es un impuesto, porque un impuesto trata el excedente como propiedad de la empresa sujeta a un reclamo público. Esto es restitución.

El término legal para esta forma de problema es enriquecimiento injusto, pero la versión del derecho consuetudinario es demasiado pequeña para lo que tenemos hoy delante. En el derecho ordinario, el enriquecimiento injusto pregunta si una parte se benefició a expensas de otra bajo circunstancias que hacen inequitativo que se quede con todo el beneficio.

Los laboratorios de frontera han recibido ese beneficio al convertir un corpus no compensado, masivamente agregado y generado públicamente, en valor privado de infraestructura crítica, mientras amenazan las condiciones bajo las cuales ese corpus se renueva. Lo han hecho a una escala y un nivel de dispersión que la litigación individual no puede valorar de manera sensata. El tamaño del problema nos dice que el remedio debe ser colectivo.

Una regalía pagada sobre el valor arraigado en el corpus público es una devolución. Lo que fluye de vuelta a internet se debe, no se regala. Esto es una regalía sobre el genio público.

Una regalía es solo parte de la solución. Es una pieza de un sistema más amplio de contribución y sostenimiento. No reemplaza los reclamos de derechos de autor ni los contratos de licencia privados. Esos pueden y deben seguir existiendo donde la propiedad es identificable. La regalía resuelve la larga cola no atribuible de creatividad que no puede organizarse, negociar ni litigar su entrada al mercado de licencias.

Lo que están haciendo los laboratorios no es nuevo en su naturaleza, solo en su escala. Esto es la captura privada del genio público a escala civilizatoria. Esto no debería sorprendernos. Las entidades corporativas construidas sobre el apoyo público a menudo intentan privatizar las ganancias mientras socializan las condiciones que las hicieron posibles. Organizaciones especiales han abusado antes de su estatus especial de esta manera. La diferencia es que esta vez la clase afectada es todo el mundo a la vez.

Quizás hemos estado construyendo hacia esto desde que grabamos las primeras marcas en arcilla hace más de 5,000 años. Nos hemos registrado, recopilado y categorizado hasta la fragilidad. Una vez que cada pensamiento externalizado, cada palabra escrita, cada diagrama, floritura y giro de frase puede convertirse en un genio mecánico, ¿quién podría resistir la tentación de vendérselo de vuelta a la gente que lo suministró?

Por eso el público necesita un derecho. Los laboratorios de frontera buscan cada vez más el privilegio y el poder de un servicio de utilidad pública sin aceptar las obligaciones públicas que eso conlleva. Una Regalía del Corpus restaura parte del equilibrio en ese trato, permitiendo que el público cobre una parte de la riqueza que hizo posible. El público ya carga con las desventajas del mundo que estos modelos están creando, y merece parte de las ventajas. La Regalía del Corpus asegura que las chispas dispersas de brillantez de la humanidad tengan algo en juego en lo que ayudaron a crear.