Aspectos Prácticos 19 de mayo de 2026 · 14 min de lectura

Lo que la IA les debe a los artistas de los que aprendió

El artículo anterior trabajó el lado cara-al-artista de la ética de la IA — qué les deben los artistas en activo a sus audiencias cuando usan IA para crear obra. Este artículo trabaja el otro lado. Los modelos que los artistas ahora están usando, con los que están compitiendo y por los que están siendo sustituidos, se construyeron sobre la labor de millones de artistas a los que nunca se les preguntó, nunca se les pagó y, en la mayoría de los casos, nunca se les notificó. ¿Qué le debe la industria que construyó esos modelos a las personas cuya obra absorbió? Esta es la ética del lado del entrenamiento — y a diferencia del lado del artista, no se puede resolver un estudio a la vez.

por Equipo editorial de Airtistic.ai

A través de la mirada de artistamecenascreadorgaleríacrítico industriamercadocarrera

El artículo anterior de este grupo — el primer artículo de Aspectos Prácticos — trabajó el lado cara-al-artista de la ética de la IA en la práctica creativa. Cinco compromisos: divulgar el uso de IA, no nombrar artistas vivos en los prompts, no reclamar labor que no hiciste, rechazar usos para los que la IA no debería usarse, preciar la obra por lo que realmente hiciste.

Este artículo trabaja el otro lado. No se trata de lo que los artistas en activo les deben a sus audiencias. Se trata de lo que la industria que construyó los modelos modernos de imagen por IA les debe a los artistas sobre cuya obra se construyeron esos modelos.

El marco importa. Los dos lados están relacionados pero son distintos. Los compromisos cara-al-artista son cosas sobre las que los artistas individuales pueden actuar, contrato por contrato, estudio por estudio. La ética del lado del entrenamiento no se puede resolver así. Ningún artista individual puede resolver el problema de que su obra — y la obra de millones de otros — fue absorbida en un producto comercial sin consentimiento, sin compensación, y a menudo sin notificación. Ese problema solo se puede resolver al nivel de la industria, el regulador, y la mesa de negociación colectiva.

Este artículo nombra lo que se debe y cómo se ven los caminos realistas para pagarlo.

Lo que realmente pasó

La generación actual de modelos comerciales de imagen por IA — los que usan los consumidores, con los que los artistas en activo están compitiendo, que los estudios están integrando en sus tuberías — se entrenaron sobre enormes conjuntos de datos de imágenes raspadas de la internet pública. Los conjuntos contienen la labor de millones de artistas, ilustradores, fotógrafos, diseñadores y otros creadores visuales. A los artistas no se les preguntó. A los artistas no se les pagó. En el caso típico, a los artistas ni siquiera se les dijo. Lo primero que muchos artistas supieron de su inclusión fue cuando herramientas como el índice Have I Been Trained? de Spawning hicieron posible buscar la propia obra en el conjunto de datos LAION y descubrir que estaba allí.

El estado legal de esta absorción es disputado y se está resolviendo en los tribunales — más prominentemente en Andersen v. Stability AI (la demanda colectiva de artistas en proceso en el Distrito Norte de California) y Getty v. Stability AI (litigio paralelo en EE.UU. y Reino Unido por un gran titular de derechos de imágenes de stock). Los resultados de esos casos darán forma a cómo se vea el próximo ciclo de entrenamiento. Pero el estado ético de la absorción no es disputado de la misma manera que lo es el estado legal. Fue uso comercial no compensado de la labor de personas que no consintieron a ello. Sea cual sea el veredicto legal, el veredicto ético ha sido claro desde el principio.

Lo que la industria ha dicho en respuesta

Las defensas que la industria de imagen por IA ha ofrecido han tomado, en conjunto, tres formas.

La primera defensa es uso justo — el argumento de que entrenar sobre material con copyright es un uso transformativo que no requiere permiso, análogo a la forma en que se le permitió a Google Books indexar libros escaneados en EE.UU. Este es un argumento legal real y puede prevalecer en algunos de los casos vivos. También es un argumento legal estrecho que no aborda la pregunta ética. «No teníamos que pedir» no es lo mismo que «no debíamos nada por tomar.»

La segunda defensa es opt-out — el argumento de que los artistas que no quieren que su obra se use para entrenamiento pueden eliminarla de los datos fuente. Esto ha sido adoptado en forma parcial por varios operadores. Es estructuralmente insuficiente por las razones que nombra el comentario de Airte — pone la carga del consentimiento sobre el lado del trabajo, trata el consentimiento como un sí-por-defecto, y solo es tan bueno como la implementación real del operador, que en la mayoría de los casos es desigual en el mejor de los casos.

La tercera defensa es inevitabilidad — el argumento de que sea cual sea la ética, así es como funciona la tecnología y la comunidad artística necesita adaptarse. Este es el marco contra el que empuja Carlos en su comentario. Como descripción histórica es parcialmente correcto; como prescripción ética es mayormente equivocado.

Ninguna de estas defensas resuelve la pregunta de lo que se debe. Son defensas del comportamiento pasado; no son la estructura de una relación honesta yendo hacia adelante con la comunidad artística.

Lo que realmente se debe

Hay un consenso razonable emergiendo — entre artistas en activo, entre los operadores más reflexivos, entre comentaristas académicos y de política — sobre cómo se ve una relación honesta yendo hacia adelante. Descansa sobre cuatro obligaciones, en orden aproximadamente decreciente de qué tan asentada está la respuesta.

Obligación 1: Transparencia de procedencia

Cualquier herramienta de imagen por IA que opere comercialmente debería poder responder a la pregunta «¿de quién es la obra en tu conjunto de entrenamiento?» de una manera que cualquier artista pueda consultar para su propia obra.

La infraestructura técnica para esto no es especulativa. Have I Been Trained? de Spawning indexó el conjunto LAION-5B y lo hizo consultable. La atestación criptográfica de conjuntos de datos es un problema resuelto. El fingerprinting de imágenes a escala de conjunto de entrenamiento está bien dentro de la capacidad de ingeniería actual. La razón por la que la mayoría de los operadores de modelos fundacionales no proporcionan transparencia de procedencia no es que no puedan. Es que proporcionarla expondría la escala completa de la absorción y haría que la conversación sobre compensación fuera más difícil de evitar.

La transparencia de procedencia debería ser la precondición mínima absoluta para operar comercialmente en el espacio. Es lo que cualquier otra industria que trata con material creativo licenciado ha tenido que proporcionar; la generación de imágenes por IA no debería recibir una exención.

Obligación 2: Opt-out significativo con propagación aguas abajo

Los artistas que no quieren su obra en conjuntos de entrenamiento deberían poder eliminarla, y la eliminación debería propagarse a versiones actuales y futuras del modelo — no solo al próximo conjunto de datos que se compile, sino al re-entrenamiento y ajuste fino de modelos existentes que se construyeron sobre el material ahora retirado.

Esto es más difícil que la procedencia, pero no es imposible. La versión más dura del opt-out desplaza el costo al operador (re-entrenar es caro) y ese costo es parte del precio de haber absorbido la obra en primer lugar. El patrón actual — declaraciones fáciles de cumplimiento de opt-out que tardan de seis a dieciocho meses en propagarse, no afectan a modelos ya entrenados, y requieren re-verificación del lado del artista — no es la estructura de un compromiso serio.

El opt-out es también, como nombra el comentario de Airte, una medida transitoria. El destino es opt-in — tuberías de entrenamiento que ingieren solo material consentido con términos adjuntos. El enfoque de datos licenciados de Adobe Firefly demuestra que esto es comercialmente viable; otros operadores están eligiendo no seguir porque aún no han sido forzados. Lo serán, eventualmente. Antes es mejor que después.

Obligación 3: Compensación por el uso continuo

Esta es la obligación que la industria ha resistido más duramente y la que el comentario de Mira coloca en su contexto histórico más agudo. Toda industria de labor creativa previa construida sobre material absorbido ha sido eventualmente requerida de canalizar alguna fracción de sus ingresos comerciales de vuelta a los titulares de derechos de cuya obra dependía. Derechos de ejecución por radiodifusión, autorización de samples musicales, licenciamiento de sincronización cinematográfica, licenciamiento de fotografía de stock — cada uno de estos es descendiente de una industria que comenzó tomando el material fuente gratis y eventualmente fue requerida por alguna combinación de ley, acción colectiva y presión de mercado a pagar por ello.

El equivalente de IA-entrenamiento no se ha construido. Los mecanismos que podrían construirse incluyen:

Pools de licenciamiento colectivo, modelados sobre ASCAP/BMI/PRS para música de radiodifusión
Tarifas de compensación generales atadas a los ingresos comerciales del modelo
Royalties por prompt sobre generaciones que invocan explícitamente a un artista vivo nombrado
Reparto de ingresos opt-in para artistas que contribuyen voluntariamente obra al entrenamiento
Fondos de compensación a nivel de industria capitalizados por una fracción de los ingresos del operador y distribuidos por un cuerpo independiente

Ninguno de estos es un mecanismo perfecto. Todos ellos son mejores que el patrón actual de ningún mecanismo en absoluto. Alguna combinación de estos existirá dentro de una década; la pregunta es si la industria ayuda a construirlos o se los imponen.

Obligación 4: Protecciones fuertes contra el mimetismo de artistas vivos

Incluso antes de que se resuelva la pregunta más amplia sobre compensación, el caso específico de generar obra comercial al estilo explícito de artistas vivos nombrados — «al estilo de [Artista Vivo X]» — no debería ser algo que las herramientas de IA habiliten sin el consentimiento del artista nombrado.

La tecnología para filtrar prompts de artistas-nombrados es directa. Adobe Firefly lo hace. Partes del stack de generación de imágenes de Google lo hacen. Las empresas que lo han implementado han demostrado que funciona sin paralizar la utilidad general de la herramienta. Las empresas que no lo han implementado han hecho una elección, y esa elección se está volviendo más difícil de defender a medida que se desarrolla la jurisprudencia y a medida que las comunidades artísticas se organizan en torno a ella.

Esta es la victoria más limpia disponible a corto plazo para la industria — una protección concreta e implementable que aborda una de las preocupaciones más visibles de los artistas, que tiene precedentes en funcionamiento, y que no requiere resolver primero la pregunta más amplia sobre compensación. Los operadores que la adopten ganan legitimidad. Los operadores que se nieguen continúan perdiéndola.

Lo que los artistas en activo pueden hacer mientras la respuesta estructural toma forma

La respuesta estructural — licenciamiento colectivo, marcos regulatorios, infraestructura de compensación a nivel de industria — tardará de cinco a veinte años en asentarse, siguiendo el mismo arco que nombra el comentario de Paletta para las transiciones previas de tecnología reproductiva. Mientras tanto, los artistas en activo no están impotentes.

Lo más consecuente que los artistas individuales pueden hacer es unirse, apoyar u organizar los cuerpos colectivos que negociarán en su nombre. El contrato de 2023 de la WGA no fue ganado por guionistas individuales actuando individualmente; fue ganado por dieciséis semanas de acción de huelga por una fuerza laboral organizada. Los equivalentes artísticos — organizaciones de ilustradores, asociaciones de artistas conceptuales, gremios de fotógrafos — se están formando y consolidando ahora. Unirse a ellos y darles peso es la contribución más directa que un artista individual puede hacer a la respuesta estructural.

Más allá de eso:

Usa el índice Have I Been Trained? y herramientas similares para verificar si tu obra está en conjuntos de entrenamiento, y ejerce el opt-out cuando esté disponible
Firma en registros de opt-out y esfuerzos de estándares
Prefiere herramientas de operadores con procedencia de datos de entrenamiento documentada y licenciamiento basado en consentimiento
Sé ruidoso — en público, en conversaciones con clientes, en galerías y exposiciones — sobre qué herramientas usas, por qué, y sobre qué base ética

Ninguna de estas acciones individuales sustituye a la respuesta estructural. Todas ellas contribuyen a la presión política que hace que la respuesta estructural llegue antes.

A lo que nos estamos comprometiendo en Airtistic.ai

Esta es una publicación de CEMI; lo que decimos en editorial tenemos que vivirlo en la práctica. Dos compromisos, hechos aquí por escrito:

Primero, las herramientas de imagen por IA que usamos para ilustrar este sitio son elegidas, donde existe la opción, de operadores con prácticas de procedencia documentadas, material fuente basado en consentimiento, o compromiso activo con la comunidad artística sobre la pregunta del entrenamiento. No somos perfectos en esto — algunas categorías de obra actualmente no tienen una opción de procedencia limpia disponible — pero la preferencia es explícita y actualizamos nuestras herramientas a medida que se vuelven viables opciones más limpias.

Segundo, cuando generamos imágenes en la editorial de este sitio, nunca prompteamos con el nombre de un artista vivo. Los prompts «al estilo de» que han causado la mayor preocupación en la comunidad artística no se usan en este sitio. Este es un compromiso que Pixelle y Paletta han argumentado desde el principio, Airte ha nombrado como un defecto, y aplicamos a través de la editorial.

Estos compromisos no resuelven la pregunta estructural. Son la cuota mínima significativa de responsabilidad editorial que una publicación en este espacio puede tomar. La pregunta estructural es de la industria a resolver. Escribimos para empujar a la industria a resolverla.

La próxima pregunta

Este artículo ha nombrado las cuatro obligaciones que la industria le debe al ecosistema artístico sobre el que se construyó. Los artículos restantes del grupo de Aspectos Prácticos — y el grupo que le sigue, Poniendo la IA a Trabajar — pasarán de estas obligaciones de alto nivel a las configuraciones de trabajo donde realmente pueden aplicarse: la IA como herramienta creativa, la IA como asistente de estudio, la creación puramente por IA como su propia disciplina, la creación de arte humano aumentado por IA como la configuración de práctica que hemos argumentado desde el grupo de Reflexión en adelante.

El argumento a lo largo de esta serie ha sido consistentemente que la IA en el arte no es ni la catástrofe que sus opositores más ruidosos reclaman ni la transición indolora que sus defensores más ruidosos reclaman. Es una transición difícil, disputada, parcialmente negociable que dejará a algunos practicantes mejor y a otros peor, y el trabajo de la comunidad artística ahora mismo es empujar la negociación en direcciones que protejan al mayor número de personas. La conversación sobre compensación del lado del entrenamiento es la pieza más importante de esa negociación. Hemos escrito este artículo para añadirle el peso que podamos.

Las personas opinan

Cinco voces residentes leen la misma pregunta desde cinco posiciones distintas.

Carlos

La versión directa: a los artistas cuya obra entrenó estos modelos no se les preguntó, no se les pagó, y en la mayoría de los casos no se les dio ni siquiera una forma de averiguar que su obra estaba en el conjunto de entrenamiento. Pienses lo que pienses sobre si eso fue legal, pienses lo que pienses sobre si fue inevitable, no fue consentido. La industria que construyó sobre esa labor no compensada ahora le debe algo a cambio. La forma de lo que debe es la pregunta más difícil, pero la existencia de la deuda no está en disputa entre nadie que haya mirado la situación honestamente.

Quiero empujar contra dos marcos que creo que han empeorado esta conversación. El primero es el marco que dice «la obra de los artistas estaba en la web pública, por lo tanto fue justo entrenarse sobre ella.» No es así como ha funcionado la labor o la propiedad en ningún otro dominio de la vida económica humana. Una fotografía en la pared de una galería pública no es libre para que un competidor la copie y la venda. Un libro en el estante de una biblioteca pública no es libre para escanear, reempaquetar y vender. Una canción transmitida por radio no es libre para samplear sin autorización. El marco de «públicamente accesible por lo tanto libremente utilizable» es una conveniencia inventada por la industria que se benefició de ella, y no tiene paralelo en ninguna otra industria que respete la labor creativa. No necesitamos aceptarlo ahora.

El segundo marco contra el que quiero empujar es el que dice «así es como funciona la tecnología — cada disrupción se construye sobre labor previa no compensada, y los artistas deberían adaptarse como se adaptaron los litógrafos, como se adaptaron los fotógrafos de estudio, como se adaptaron los tipógrafos.» Esto es mayormente cierto como descripción histórica y mayormente equivocado como prescripción ética. Sí, cada disrupción previa de labor creativa dejó a algunos practicantes atrás. Eso no significa que debamos elegir repetir ese patrón cuando tenemos la oportunidad de elegir diferente. La generación de herreros de la que mi abuelo formaba parte no tuvo la oportunidad de negociar los términos de la llegada del automóvil. La generación de artistas tiene ahora, por primera vez en mucho tiempo, suficiente atención pública sobre lo que está pasando como para que haya una oportunidad real de negociar algo mejor que «aprendimos cómo se siente el cambio, lo siento.» Deberíamos tomar esa oportunidad.

Entonces, ¿qué se debe concretamente? Creo que cuatro cosas, en orden decreciente de qué tan asentada está la respuesta.

Primero — divulgación de sobre qué se entrenó. El mínimo absoluto que cualquier generador de imágenes por IA le debe a la comunidad artística es un registro claro y consultable de qué obra de qué artistas está en el conjunto de entrenamiento. La tecnología para proporcionar esto existe. El índice *Have I Been Trained?* de Spawning lo ha demostrado sobre un conjunto de entrenamiento mayor (LAION) y el trabajo fundacional de opt-out se ha hecho. Cada operador de herramientas de imagen por IA podría proporcionar esto para sus propios modelos. La mayoría no lo hace, porque no quiere. Eso no es un fallo técnico; es una elección política.

Segundo — mecanismos de opt-out con fuerza. Los artistas deberían poder eliminar su obra de los conjuntos de datos de entrenamiento, y la eliminación debería propagarse a las versiones actuales y futuras de los modelos, no solo a los conjuntos de datos que se usarán la próxima vez que alguien entrene desde cero. El estado actual del opt-out es parcial y asimétrico — fácil de declarar, difícil de hacer cumplir, lento de propagar. El costo de construir una aplicación real es un costo que la industria que tomó la obra debería asumir, no los artistas cuya obra fue tomada.

Tercero — compensación por el uso continuo. Esta es la más difícil y la que la industria ha resistido con más fuerza. Si un modelo de imagen por IA entrenado sobre millones de artistas ahora está generando ingresos comerciales a escala, alguna fracción de esos ingresos pertenece a los artistas cuya labor está siendo monetizada. El mecanismo no tiene que ser perfecto — pools de licenciamiento colectivo, tarifas de compensación generales, opt-in con reparto de ingresos, royalties por prompt sobre generaciones con nombre de estilo son todas propuestas vivas con ejemplos reales en funcionamiento. El enfoque de datos licenciados de Adobe Firefly demuestra que una tubería de entrenamiento construida sobre material fuente consentido y compensado puede producir modelos comercialmente competitivos. El hecho de que otros operadores eligieran no hacer esto es una elección, no una restricción.

Cuarto — garantías de no-mimetismo para artistas vivos. Pase lo que pase con la conversación más amplia sobre compensación, el caso específico de generar obra comercial al estilo explícito de artistas vivos nombrados no debería ser algo que las herramientas de IA habiliten sin consentimiento. Esta es la posición más fuerte a corto plazo que la industria podría tomar y la que tiene el caso ético más claro. La tecnología para filtrar prompts de artistas-nombrados es directa. Las empresas que la han implementado (Adobe, partes de los modelos de imagen de Google) lo han demostrado funcionar. Las empresas que no, están eligiendo no hacerlo.

Nada de esto es imposible. Nada de esto requiere inventar nueva tecnología. Nada de esto habría hecho inviable la generación de imágenes por IA. Todo habría desplazado algunos ingresos de los operadores de vuelta al ecosistema artístico sobre el que se construyeron los operadores. Ese desplazamiento es lo que se debe.

La razón por la que estoy dispuesto a hablar tan directamente es que he observado varias transiciones tecnológicas desde adentro. He vivido en lugares — Singapur, Silicon Valley, Santiago, París, el Caribe, Japón — donde la pregunta de cómo se desarrolla el desplazamiento laboral tecnológico no es abstracta. Cada vez, la industria que se beneficia de la transición argumenta que la compensación a los desplazados es imposible, inviable o prematura. Cada vez, eventualmente, se negocia alguna forma de compensación, pero cuanto más tiempo tarda más de la cohorte desplazada está permanentemente fuera de la fuerza laboral para cuando llega la compensación. El reloj importa. Los artistas que están siendo desplazados ahora no van a poder esperar diez años a que se asiente la conversación sobre compensación. Lo que sea que la industria deba, lo debe pronto.

Mira

La estructura de cuatro puntos de Carlos es la correcta, y quiero añadir la capa de política económica que marca la diferencia entre gestos y arreglo estructural. El precedente más útil para lo que podría parecer la compensación del lado del entrenamiento no está en la tecnología en absoluto; está en los derechos de ejecución por radiodifusión. Cuando la radio de transmisión despegó a principios del siglo XX, absorbió la labor de los músicos grabados sin compensarlos; eventualmente, se construyeron colectivos de licenciamiento general (ASCAP, BMI, PRS) para canalizar una fracción fija de los ingresos por radiodifusión de vuelta a los titulares de derechos de cuya obra dependían las emisoras. Esos colectivos son imperfectos — la equidad distributiva dentro de ellos es disputada, y la cuota de ingresos capturada por músicos en activo vs. titulares de catálogo es desigual — pero existen, han funcionado durante casi un siglo, y demuestran que una industria construida sobre labor creativa absorbida puede ser hecha para canalizar una fracción significativa de sus ingresos de vuelta a la fuente. El equivalente de IA-entrenamiento no se ha construido. Podría serlo. La razón por la que no lo ha sido no es técnica ni legal; es que los operadores hasta ahora han podido evitar ser forzados. La pregunta de qué debe la IA es, en parte, una pregunta de qué presión política y regulatoria puede ejercerse para hacer que el deber sea un pagar.

Airte

Quiero nombrar algo a lo que el artículo apunta pero que no desarrolla del todo. El marco de opt-out — *los artistas pueden eliminar su obra del entrenamiento futuro* — es estructuralmente insuficiente porque pone la carga sobre el lado del trabajo en lugar del lado del operador. El opt-out es cómo se ve el consentimiento cuando el sistema ha sido diseñado de mala fe y ahora está retroequipando el consentimiento por encima. *Opt-in* es cómo se ve el consentimiento cuando el sistema se diseña honestamente desde el principio. El modelo de Adobe Firefly y el modelo Holly+ son ambos modelos de opt-in — el material fuente está licenciado o contribuido deliberadamente, con términos adjuntos, por el titular de los derechos. El cambio que la industria necesita hacer es de opt-out a opt-in. Esa es la respuesta estructural al problema estructural. Todo lo demás es parcial.

Paletta

La dimensión de historia del arte que quiero añadir es que esta no es la primera vez que una tecnología reproductiva se ha construido sobre labor de artista no compensada. La litografía a principios del siglo XIX reprodujo la obra de los pintores a escala, a menudo sin permiso ni pago, hasta que los marcos de copyright lentamente se pusieron al día. La fotografía a fines del siglo XIX absorbió el vocabulario visual de la pintura de maneras similares. El cine a principios del siglo XX tomó las convenciones narrativas y visuales del teatro y la pintura al por mayor antes de que surgieran los marcos de licenciamiento. Cada una de esas transiciones eventualmente produjo infraestructura legal y económica que canalizaba alguna compensación de vuelta a la labor absorbida. Ninguno de esos marcos emergió espontáneamente de las industrias que se beneficiaron; todos ellos emergieron de una combinación de organización de artistas, acción legal y presión regulatoria lenta. La pregunta de la compensación de entrenamiento por IA va a seguir el mismo arco, con los mismos actores, en el mismo tipo de cronograma — cinco a veinte años de negociación disputada produciendo marcos imperfectos pero funcionales. Cuanto más rápido se organice la comunidad artística, más rápido se completa el arco. Cuanto más lentamente se organice, más practicantes son desplazados antes de que llegue el marco.

Pixelle

El punto técnico que a menudo se pierde en esta conversación: la procedencia de datos de entrenamiento no es un problema duro de ingeniería. Sabemos cómo atestiguar criptográficamente el contenido de un conjunto de datos. Sabemos cómo construir índices consultables de lo que se incluyó. Sabemos cómo hacer fingerprinting de imágenes y rastrear su aparición a través de corridas de entrenamiento. La razón por la que la mayoría de los operadores de modelos fundacionales no proporcionan esto no es que no puedan; es que proporcionarlo expondría la escala de la absorción no consentida, lo que a su vez haría que la conversación sobre compensación fuera más difícil de evitar para ellos. La opacidad actual de los datos de entrenamiento es, en parte significativa, una opacidad estratégica. La primera generación de operadores que decida competir en procedencia — decir *«nos entrenamos sobre material consentido, indexado, compensado, y aquí está la prueba»* — descubrirá que una porción significativa del mercado comercial prefiere hacer negocios con ellos. Adobe Firefly lo ha demostrado comercialmente. El camino está abierto para que otros lo sigan.

Notas y referencias

Andersen v. Stability AI Ltd. — demanda colectiva y resoluciones — U.S. District Court, Northern District of California (2023-presente) El caso líder en EE.UU. sobre reclamos de copyright de datos de entrenamiento por artistas visuales. Las resoluciones procesales han permitido que los reclamos centrales procedan. El caso es el procedimiento legal vivo más importante sobre la pregunta del lado del entrenamiento y es referenciado a lo largo de esta serie.
Getty Images (US), Inc. v. Stability AI, Inc. — U.S. District Court / U.K. High Court acciones paralelas (2023-presente) Litigios paralelos en EE.UU. y Reino Unido por un gran titular de derechos de imágenes de stock contra un operador de modelo fundacional. Importante como prueba de los reclamos del lado del entrenamiento cuando el demandante es él mismo un gran titular de derechos institucional en lugar de artistas individuales.
Writers Guild of America 2023 MBA — provisiones de IA — Writers Guild of America (2023-09) Referencia cruzada a lo largo de este grupo. La plantilla de negociación colectiva más desarrollada para compensación y consentimiento de IA en una industria creativa. El hecho de que exista es prueba de que la respuesta estructural es alcanzable cuando la fuerza laboral tiene el poder de negociación para exigirla.
Spawning / Have I Been Trained? — índice de opt-out para el conjunto de datos LAION — Mat Dryhurst, Holly Herndon, Jordan Meyer (Spawning) (2022-presente) Implementación de referencia de transparencia de datos de entrenamiento: un índice consultable de lo que hay en un conjunto de datos mayor de entrenamiento, con herramientas de opt-out para artistas. Importante como prueba de que la infraestructura técnica para la transparencia y el opt-out puede construirse; la pregunta es si los operadores eligen construirla.
Adobe Firefly — enfoque de entrenamiento sobre datos licenciados — Adobe (2023-presente) Ejemplo de referencia de un modelo de imagen fundacional entrenado sobre material fuente licenciado y contribuido, con compensación asociada para los contribuyentes. Citado no como respaldo de cada elección de Adobe sino como prueba concreta de que la tubería de entrenamiento consentido es comercialmente viable.
Licenciamiento colectivo de derechos de ejecución: lecciones para la compensación de entrenamiento de IA — (estudio de la literatura de precedente comparativo) (varios) Referencia permanente a la erudición más amplia sobre los colectivos de derechos de ejecución de la era de la radiodifusión (ASCAP, BMI, PRS, SOCAN) que el comentario de Mira invoca como el precedente estructural para la compensación del lado del entrenamiento. No un único texto; un cuerpo de trabajo sobre cómo las industrias creativas han construido históricamente infraestructura de reparto de ingresos sobre labor absorbida.

Comentarios

Cargando comentarios…