La disputa por los contenidos que alimentan los modelos generativos suele presentarse como un problema de copyright. Sin embargo, la discusión es más amplia: quién puede apropiarse del valor creado por terceros, bajo qué condiciones y con qué efectos sobre los mercados de información.
Por Virginia del Águila
La inteligencia artificial se alimenta de contenido ajeno
La inteligencia artificial generativa promete crear textos, imágenes, música y respuestas nuevas. Sin embargo, esa capacidad fue construida, en gran medida, utilizando obras, artículos, fotografías, grabaciones, código y datos producidos por terceros. La pregunta central ya no es sólo si ese uso infringe derechos de autor. También es quién captura el valor de esos contenidos, quién conserva la relación con la audiencia y qué ocurre cuando la herramienta entrenada con una obra termina compitiendo con ella.
Para desarrollar un modelo competitivo se necesitan datasets enormes, diversos y de alta calidad. Por eso, desde el inicio de la carrera por la IA generativa, las empresas tecnológicas recolectaron contenido disponible en internet: artículos periodísticos, libros, repositorios de código, imágenes, posteos, letras, audios, videos, archivos digitalizados y bases de datos, muchos de ellos protegidos por derechos de autor. Allí es donde la innovación tecnológica se convierte en problema jurídico: ¿deben pedir autorización y pagar licencias, o pueden invocar que ese uso forma parte de un aprendizaje transformador?
Este artículo sostiene que la discusión no puede resolverse preguntando únicamente si el entrenamiento es “transformador”. También deben examinarse el origen lícito o ilícito de las obras, la opacidad de los datasets, la conservación de copias, la capacidad sustitutiva de los outputs y la distribución del valor económico entre los proveedores de IA y quienes producen los contenidos. Desde esa perspectiva, analiza el caso The New York Times v. OpenAI/Microsoft, el mapa de litigios norteamericanos, la respuesta europea y algunas posibles líneas para la Argentina.
El conflicto suele formularse jurídicamente en términos de fair use, pero también encierra una pregunta económica: si los proveedores de modelos generativos pueden capturar el valor de contenidos producidos y financiados por terceros sin autorización ni compensación, ¿estamos ante innovación transformadora o ante una forma de free riding?
Con ese punto de partida, el objetivo de este artículo es revisar algunas de las estrategias jurídicas e institucionales adoptadas en Estados Unidos y en la Unión Europea para enfrentar esta tensión. Mientras Estados Unidos ha dejado buena parte de la respuesta en manos de los tribunales, mediante litigios centrados en la doctrina del fair use, la licitud de las fuentes utilizadas y la sustitución de mercados, Europa avanzó hacia un esquema regulatorio basado en reservas de derechos, transparencia y obligaciones de cumplimiento. El propósito no es trasladar automáticamente ninguno de estos modelos, sino identificar sus fortalezas, límites y posibles aprendizajes para pensar el problema desde la realidad argentina.
Fair use: ¿aprendizaje tecnológico o sustitución?
En Estados Unidos, la discusión jurídica sobre IA generativa y copyright gira en gran medida alrededor de la doctrina del fair use y, dentro de ella, de la idea de uso transformador. Pero para este debate no interesa el fair use como abstracción académica, sino como defensa concreta frente a una acusación muy precisa: que los modelos fueron entrenados con millones de obras protegidas y que luego producen respuestas que pueden sustituir, total o parcialmente, el acceso a esas obras.
La posición de OpenAI y Microsoft puede resumirse así: entrenar un modelo no equivale a publicar una copia. Según esta postura, el sistema no almacena artículos para revenderlos como tales, sino que aprende patrones del lenguaje, estructuras, relaciones y estilos para producir resultados nuevos. Bajo ese razonamiento, el uso de artículos periodísticos durante el entrenamiento sería transformador: la obra original no se usaría con el mismo propósito editorial para el cual fue creada, sino como insumo técnico para desarrollar una herramienta de propósito general.
La posición del New York Times es la inversa. Para el diario, el entrenamiento no es una lectura humana ampliada, sino una copia industrial, masiva, no autorizada y comercial de contenido protegido. Además, el uso posterior no sería inocuo: los productos de IA pueden ofrecer respuestas informativas que sustituyen la visita al sitio del medio, reducen tráfico, afectan ingresos por publicidad, suscripciones o afiliación, y erosionan la relación directa con la audiencia. En ese contexto, el Times sostiene que el carácter supuestamente transformador del entrenamiento queda debilitado por el efecto sustitutivo del producto final.
El antecedente que aparece inevitablemente en esta discusión es Authors Guild v. Google, conocido como el caso Google Books. Google había digitalizado millones de libros para permitir búsquedas y mostrar pequeños fragmentos o “snippets”. Los tribunales estadounidenses entendieron que ese uso era transformador y no sustituía el mercado de los libros. Por el contrario, consideraron que el servicio podía dar mayor visibilidad a las obras, facilitando su descubrimiento y funcionando, en cierto sentido, como una vidriera o publicidad para los libros originales.
Ese antecedente explica por qué OpenAI, Microsoft y otras empresas invocan el fair use: sostienen que el entrenamiento de modelos transforma las obras en una herramienta nueva, sin ofrecer una copia sustitutiva de los contenidos originales. Pero la comparación con Google Books tiene límites claros. Google Books permitía encontrar libros; no escribía libros que pudieran reemplazar a los autores. En cambio, la IA generativa sí puede producir textos, resúmenes, respuestas informativas o incluso contenidos periodísticos que compiten funcionalmente con el contenido que la entrenó. Allí se desplaza el eje jurídico: una cosa es usar una obra para indexarla; otra distinta es usarla para fabricar un sustituto informativo.
El fallo de la Corte Suprema estadounidense en Andy Warhol Foundation for the Visual Arts v. Goldsmith, decidido en 2023, también limitó una lectura demasiado expansiva del uso transformador. La Corte sostuvo que agregar nueva expresión, significado o mensaje no convierte automáticamente un uso comercial en fair use, especialmente si el uso secundario cumple una función de mercado similar a la obra original. Este razonamiento es central para los casos de IA porque obliga a mirar no sólo si el output es “nuevo”, sino si compite con el mercado de la obra protegida.
The New York Times v. OpenAI: cuando el chatbot compite con la fuente
El caso The New York Times Company v. Microsoft Corp. / OpenAI fue iniciado en diciembre de 2023 ante la Corte de Distrito para el Distrito Sur de Nueva York. Es el caso más relevante para el sector periodístico porque involucra a una institución editorial que no reclama únicamente por copias aisladas, sino por la utilización masiva de su archivo periodístico para desarrollar productos que luego podrían competir con ella como fuente de información confiable.
El argumento del Times tiene tres aristas centrales. La primera es la copia no autorizada. El diario sostiene que sus artículos fueron incorporados masivamente a los datos de entrenamiento de modelos comerciales sin licencia ni compensación. No se trataría de citas incidentales, sino de una apropiación sistemática de una base editorial de alto valor.
La segunda es la sustitución económica. Según el Times, los productos de IA no sólo aprenden de sus artículos, sino que pueden competir con ellos. Un usuario que obtiene una respuesta completa de un chatbot puede no ingresar al sitio del diario, no ver publicidad, no suscribirse y no generar ingresos para el medio. El riesgo no está sólo en la copia literal, sino en el desplazamiento del vínculo entre el medio y su audiencia.
La tercera es la afectación reputacional y el riesgo de desinformación. La IA puede generar información falsa y atribuirla a una fuente confiable. Para un medio periodístico, eso compromete su activo principal: la credibilidad. En el caso del Times, esta dimensión aparece en las acusaciones relativas a respuestas incorrectas atribuidas al diario.
OpenAI y Microsoft estructuran su defensa alrededor del fair use. Sostienen que el entrenamiento es transformador, que los modelos no buscan reproducir artículos sino aprender patrones del lenguaje, y que las reproducciones casi literales señaladas por el Times serían anomalías o resultados provocados por prompts diseñados específicamente para forzar ese resultado.
El caso sigue abierto y, a la fecha, no hay una decisión sobre el fondo del fair use. En términos prácticos, el juicio continúa en etapa de prueba o discovery. En esta etapa, el caso produjo un efecto colateral significativo luego del dictado de una orden masiva de preservación de registros de conversaciones de ChatGPT. Esa discusión abrió un frente adicional sobre privacidad, conservación masiva de datos, evidencia digital y secretos comerciales. El punto es relevante porque muestra que los conflictos de IA rara vez quedan encerrados en una sola rama del derecho. Un reclamo de copyright puede transformarse rápidamente en una discusión sobre privacidad, datos, competencia o antitrust, reputación, libertad de expresión y responsabilidad editorial.
Un mapa judicial sin una respuesta única
El caso del New York Times contra OpenAI y Microsoft no es un episodio aislado. Otros periódicos (incluidos New York Daily News, Chicago Tribune, Denver Post, Mercury News, Orange County Register, St. Paul Pioneer-Press, Orlando Sentinel y South Florida Sun Sentinel) también demandaron a OpenAI y Microsoft por el uso de artículos periodísticos para entrenar sistemas de IA.
En paralelo, The New York Times inició una segunda ofensiva contra Perplexity AI. La demanda fue interpuesta el 5 de diciembre de 2025 ante la Corte de Distrito para el Distrito Sur de Nueva York. El caso contra Perplexity es especialmente relevante para los medios porque no se concentra únicamente en el entrenamiento, sino en la sustitución directa del tráfico y en la intermediación entre la audiencia y el medio. Según el Times, Perplexity habría tomado grandes porciones de contenido —incluso artículos enteros— para generar respuestas que compiten con el diario, sin autorización ni remuneración.
La diferencia entre OpenAI y Perplexity es relevante. En el primer caso, la discusión está muy centrada en el entrenamiento de modelos y en la eventual reproducción de outputs. En el segundo, el conflicto se acerca más al futuro de los buscadores: sistemas que recuperan información de medios, la reformulan y se colocan entre el lector y la fuente original.
Fuera del mundo periodístico, los casos ayudan a entender la escala del problema. En el mundo de la música, las demandas contra Suno y Udio fueron promovidas por discográficas representadas por la Recording Industry Association of America (RIAA). Las demandantes alegan que esas empresas no podrían generar canciones tan similares a grabaciones protegidas si no hubieran copiado previamente enormes catálogos musicales.
En imágenes, Getty Images demandó a Stability AI por el uso de fotografías y metadatos protegidos. Durante el juicio, Getty abandonó su reclamo principal por infracción directa vinculada con el entrenamiento porque no logró probar que esa actividad hubiera ocurrido en el Reino Unido. El caso es especialmente ilustrativo de los límites prácticos del litigio transnacional: aun cuando el contenido protegido se encuentre disponible globalmente y el modelo produzca efectos en una jurisdicción, la posibilidad de reclamar por el entrenamiento puede depender de demostrar dónde ocurrieron los actos relevantes, con las consiguientes dificultades de jurisdicción y conflicto de leyes.
El caso Bartz v. Anthropic introdujo una distinción relevante. En junio de 2025, el juez William Alsup, del Distrito Norte de California, sostuvo que el uso de libros para entrenar modelos podía constituir fair use por su carácter transformador. Pero separó esa cuestión de la forma en que Anthropic había adquirido y conservado millones de obras provenientes de fuentes piratas. Para el juez, el carácter transformador del entrenamiento no legitimaba la creación de una biblioteca permanente obtenida ilícitamente, ni la compra posterior de ejemplares borraba la infracción anterior. Anthropic luego acordó pagar USD 1.500 millones por los reclamos vinculados con libros pirateados.
La enseñanza de Bartz es más amplia: que una etapa del proceso sea considerada transformadora no implica que cualquier forma de adquirir el contenido sea legítima, ni que cualquier uso posterior del modelo quede automáticamente amparado. El análisis debe desagregarse: qué se utilizó, cómo se obtuvo, si se conservaron copias, para qué se entrenó el sistema y qué tipo de producto u output se ofrece luego al mercado.
También merece mención Thomson Reuters v. Ross Intelligence, decidido en febrero de 2025. Allí un tribunal estadounidense rechazó la defensa de fair use de Ross respecto del uso de contenidos de Westlaw para entrenar una herramienta legal competidora. Aunque no se trataba de prensa, el caso es importante porque muestra que el argumento de fair use pierde fuerza cuando el material protegido se usa para entrenar un producto que compite en un mercado similar al del titular de derechos.
En Europa, GEMA v. OpenAI agregó otra dimensión. En noviembre de 2025, el Tribunal Regional de Múnich consideró que la memorización de letras protegidas en los parámetros del modelo y su reproducción reconocible en las respuestas de ChatGPT infringían derechos de autor. Un punto particularmente relevante fue el rechazo de la defensa orientada a trasladar la responsabilidad al usuario: el tribunal entendió que la comunicación de las letras al público era posibilitada por el propio chatbot y que OpenAI no podía eximirse alegando que la reproducción había sido provocada por prompts de terceros. La decisión, todavía sujeta a revisión, desplaza así el foco desde la conducta individual del usuario hacia el diseño, funcionamiento y explotación del sistema.
Europa: del litigio individual a reglas de transparencia y opt-out
Europa eligió una arquitectura distinta a la estadounidense. Mediante la Directiva (UE) 2019/790 sobre Copyright en el Mercado Único Digital, reguló, entre otras cuestiones, el text and data mining (TDM), tecnología que permite analizar grandes volúmenes de textos o datos mediante herramientas automatizadas para identificar patrones, tendencias o relaciones.
Esta normativa puede aplicarse a periódicos y contenidos periodísticos. La Directiva estableció un mecanismo de opt-out que permite a los creadores de contenidos, entre los cuales están los medios, manifestar que determinado contenido no puede ser reutilizado para minería de datos o entrenamiento de modelos. Esta exclusión no impide necesariamente el acceso público o la indexación ordinaria del contenido, pero sí apunta a impedir su reutilización automatizada y masiva para procesos de minería de datos o entrenamiento de modelos.
Posteriormente, el AI Act tomó esa arquitectura y la proyectó sobre los proveedores de general-purpose AI models (GPAI models), imponiéndoles obligaciones específicas vinculadas con copyright y transparencia cuando sus modelos se colocan en el mercado europeo. En este sentido, el AI Act exige a los proveedores de GPAI cumplir con la normativa de copyright y con el sistema de opt-out de la Directiva, incluso respecto de proveedores que coloquen modelos en el mercado europeo, aunque parte de los actos relevantes hayan ocurrido fuera de la Unión Europea. También exige la publicación de un resumen suficientemente detallado del contenido utilizado para entrenar los modelos.
Finalmente, en julio de 2025, la Comisión Europea publicó el General-Purpose AI Code of Practice, que contiene capítulos sobre transparencia, copyright y seguridad. Ese código funciona como herramienta voluntaria para demostrar cumplimiento de las obligaciones del AI Act, y fue suscripto por proveedores relevantes como OpenAI, Microsoft, Google, Anthropic, Mistral AI y Amazon.
Como consecuencia de tola le legislación anterior, Europa no resolvió la cuestión de la remuneración, pero desplazó parte del conflicto desde el litigio ex post hacia obligaciones ex ante de transparencia, cumplimiento y respeto de las reservas de derechos. La tensión de fondo, sin embargo, sigue abierta: cómo remunerar contenido valioso sin frenar la innovación y cómo permitir una fiscalización real sin obligar a revelar secretos industriales.
Una jurisprudencia fragmentada: no todo entrenamiento es igual
La respuesta legislativa europea ofrece una arquitectura relativamente ordenada, pero la jurisprudencia internacional todavía no ha convergido en una regla uniforme sobre el uso de obras protegidas para entrenar modelos de inteligencia artificial. Los primeros fallos muestran que los tribunales tienden a separar etapas y conductas que a veces aparecen presentadas como un único fenómeno: la obtención de las obras, su incorporación a una biblioteca o dataset, el entrenamiento propiamente dicho, el funcionamiento del modelo y los outputs ofrecidos al público.
En Estados Unidos, Bartz v. Anthropic y Kadrey v. Meta aceptaron, en contextos procesales y probatorios diferentes, que el entrenamiento de modelos con libros podía quedar alcanzado por el fair use debido a su carácter transformador. Sin embargo, ninguna de esas decisiones estableció una inmunidad general para la industria. En Bartz, el juez distinguió expresamente el entrenamiento de la descarga y conservación de millones de copias pirateadas; En Kadrey, Meta ganó frente a esos demandantes porque, con la prueba presentada, no se acreditó suficientemente un daño al mercado de las obras. El tribunal aclaró, sin embargo, que ello no significaba que todo entrenamiento con contenido protegido quedara automáticamente amparado por el fair use.
En sentido más restrictivo, Thomson Reuters v. Ross Intelligence rechazó el fair use respecto del empleo de contenidos de Westlaw para desarrollar una herramienta jurídica competidora. Aunque Ross no involucraba un modelo generativo de propósito general, el caso refuerza una variable que atraviesa estas controversias: la defensa pierde fuerza cuando el uso secundario persigue una finalidad comercial semejante y amenaza un mercado actual o potencial del titular de derechos.
Los litigios sobre música, imágenes y prensa siguen, en gran parte, sin una decisión de fondo. Las demandas promovidas por las discográficas representadas por la RIAA contra Suno y Udio colocaron en discusión el entrenamiento con catálogos de grabaciones y la producción de soundalikes, pero varios reclamos derivaron en acuerdos de licenciamiento y otros continúan pendientes. Del mismo modo, los casos del New York Times contra OpenAI, Microsoft y Perplexity todavía no han definido si el entrenamiento o la generación de respuestas sustitutivas quedan amparados por el fair use.
En Europa, la litigiosidad es todavía incipiente, pero ya muestra orientaciones diferentes. El caso alemán Kneschke v. LAION admitió la aplicación de una excepción de text and data mining en relación con la creación de un dataset destinado a investigación, aunque dejó abiertas cuestiones centrales para los modelos comerciales, entre ellas la eficacia y forma del opt-out, la diferencia entre datasets y entrenamiento y el alcance territorial de las reservas de derechos. En una dirección más protectoria, GEMA v. OpenAI responsabilizó al proveedor por la memorización y reproducción reconocible de letras protegidas y rechazó que la intervención del usuario mediante prompts permitiera desplazar hacia éste la responsabilidad principal por el funcionamiento del sistema.
Vemos entonces que, más que una línea jurisprudencial consolidada, existe hoy un mosaico de decisiones dependientes de hechos específicos, del modo de obtención del contenido, de la finalidad del sistema, de la jurisdicción competente y, especialmente, de su capacidad para reproducir o sustituir el mercado de las obras utilizadas.
Los tribunales no están resolviendo solamente la pregunta acerca de si entrenar los modelos de IA con contenido propietario es fair use, sino que enfrentan varias preguntas adicionales: si fue lícita la obtención de las obras, si se conservaron copias, si el sistema reproduce una expresión protegida, si compite con el titular, y si existía un mercado real o potencial de licencias. El análisis es cada vez más granular: qué obra se utilizó, de dónde se obtuvo, si existía una reserva de derechos, cuál es el propósito del modelo y si su producto sustituye a la fuente. Esa fragmentación explica por qué, aun con reglas legislativas más precisas, los acuerdos de licencia y los mecanismos de transparencia seguirán ocupando un lugar central.
Mucho más que copyright: quién controla la infraestructura informativa
La disputa por los contenidos no es una pelea técnica entre titulares de copyright y empresas de tecnología. Es una discusión sobre quién controla la infraestructura informativa del ecosistema digital, quién captura el valor de la producción cultural y periodística y quién conserva la relación con el usuario.
Desde la perspectiva de los medios, aparecen al menos cuatro riesgos diferenciados. El primero es el perjuicio económico. Los medios periodísticos invierten en periodistas, editores, corresponsales, fotógrafos, archivo, verificación, infraestructura tecnológica y responsabilidad legal. Si los sistemas de IA capturan el valor económico de ese contenido sin sostener los costos de producirlo, el incentivo para financiar periodismo profesional se debilita.
El segundo es el perjuicio reputacional y el riesgo de desinformación. Los modelos pueden generar respuestas incorrectas, incompletas o directamente falsas, pero atribuidas a una fuente reconocida. En el entorno informativo actual, donde la confianza es un recurso escaso, una atribución falsa puede dañar tanto al lector como al medio citado.
El tercero es el riesgo para la pluralidad de voces. Los modelos no sólo reproducen contenidos: seleccionan, resumen, priorizan, reformulan y omiten. Esa curaduría automatizada puede incidir en qué fuentes aparecen, cuáles quedan invisibilizadas y qué matices se pierden. La moderación ya no ocurre únicamente cuando una plataforma baja un contenido; también ocurre cuando un sistema decide qué respuesta dar, qué fuente citar y qué contexto excluir.
El cuarto es el riesgo para la innovación. Una protección excesivamente rígida del contenido puede obstaculizar investigación, desarrollo local y nuevos servicios de información. Pero una apropiación irrestricta puede consolidar una economía extractiva, donde unos pocos actores con escala global capturan el valor de la producción cultural y periodística sin negociar con quienes la hacen posible. El conflicto, además, está atravesado por una fuerte asimetría de poder: proveedores globales con enorme capacidad tecnológica y financiera negocian frente a productores de contenido fragmentados, que muchas veces ni siquiera pueden identificar el uso de sus obras, probarlo o reclamar una remuneración.
El punto delicado es que estos riesgos no se resuelven todos de la misma manera. El perjuicio económico puede abordarse mediante licencias. El reputacional exige trazabilidad, atribución y controles de calidad. La pluralidad de voces requiere transparencia sobre fuentes y diseño de sistemas. La innovación exige reglas proporcionadas, no prohibiciones generales.
¿Qué aprendizajes deja este debate para la Argentina?
Las experiencias estadounidense y europea no ofrecen una solución única ni directamente trasladable. Sí permiten identificar algunas cuestiones que deberían formar parte de cualquier discusión futura en la Argentina: las limitaciones del litigio individual, la necesidad de cierta transparencia sobre los contenidos utilizados, la efectividad de las reservas de derechos y el papel que pueden cumplir los acuerdos de licencia individuales o colectivos.
El primer aprendizaje es que confiar exclusivamente en litigios ex post presenta límites claros. Los procesos son costosos, lentos y asimétricos, y la prueba puede resultar especialmente difícil cuando los datasets de entrenamiento son opacos o los proveedores operan desde otras jurisdicciones. La experiencia estadounidense muestra, además, que aun dentro de una misma doctrina como el fair use las respuestas pueden variar según el origen de las obras, la finalidad del uso y la existencia de sustitución económica.
El segundo aprendizaje es que la transparencia y las reservas de derechos pueden ordenar parte del conflicto, aunque no lo resuelvan por sí solas. El modelo europeo sugiere que no es necesario exigir la publicación íntegra de los datasets ni la revelación de secretos industriales para requerir información sobre categorías de contenidos utilizados, políticas de cumplimiento, mecanismos de exclusión y procedimientos de reclamo para los titulares.
El tercer aprendizaje es que el litigio y la negociación no son estrategias incompatibles. El antecedente del New York Times es ilustrativo: mientras litiga contra OpenAI y Perplexity, celebró un acuerdo multianual con Amazon para licenciar contenido editorial (deportivo y de interés general) destinado a entrenar a su Alexa app. El conflicto judicial puede, así, contribuir a hacer visible el valor económico del contenido e impulsar acuerdos de licencia.
La estrategia de Le Monde ofrece un aprendizaje adicional. El medio identificó con particular claridad dos instancias distintas en las que sus contenidos generan valor y, por lo tanto, pueden ser monetizados. La primera es ex ante, cuando el corpus editorial se utiliza para entrenar o mejorar un modelo, como prevé su acuerdo con OpenAI. La segunda es ex post, cuando los artículos son utilizados para construir respuestas concretas, como ocurre en sus acuerdos con OpenAI y Perplexity, que contemplan referencias, enlaces y remuneración por ese uso. La distinción es astuta porque evita tratar como una única explotación económica dos conductas diferentes: alimentar el desarrollo del modelo y utilizar contenido actualizado para generar respuestas que llegan directamente al usuario.
Para los medios argentinos, esto vuelve especialmente relevante la capacidad de negociación. Podrían explorarse licencias individuales o colectivas, consorcios de medios, acuerdos diferenciados según el tipo de uso (entrenamiento, resumen, cita, indexación o generación de respuestas) y mecanismos de reparto de ingresos cuando el contenido periodístico alimente productos comerciales de IA. No se trata de importar sin más la respuesta estadounidense o europea, sino de utilizar esas experiencias para identificar qué herramientas pueden resultar proporcionadas y viables en el contexto local.
La disputa actual no es una repetición exacta de las antiguas peleas entre medios y plataformas digitales. En la etapa de los buscadores y redes sociales, el conflicto principal era quién distribuía el contenido, quién capturaba la publicidad y quién conservaba la relación con el usuario. La IA generativa modifica ese esquema porque ya no se limita a ordenar, enlazar o recomendar contenidos. Los absorbe, los sintetiza y los devuelve como una respuesta autónoma.
Si la respuesta es correcta, el valor del trabajo periodístico puede ser capturado por el intermediario. Si la respuesta es incorrecta, el costo reputacional puede recaer sobre el medio citado. En ambos casos, la asimetría es evidente.
La pregunta ya no es si la inteligencia artificial utilizará contenidos producidos por terceros: ya lo hace. La cuestión es bajo qué reglas, con qué transparencia y cómo se distribuirá el valor generado. Si los sistemas pueden apropiarse del contenido, sustituir a la fuente y conservar la relación con el usuario sin autorización ni compensación, el problema no será únicamente de copyright. Será también un problema de competencia, pluralismo y sostenibilidad de la producción cultural e informativa.
