Si la industria musical consigue establecer una remuneración por el uso de obras en el entrenamiento de modelos de inteligencia artificial generativa, la siguiente pregunta será inmediata: ¿cómo se reparte?
Desde un punto de vista teórico, repartir exigiría saber qué música alimentó cada modelo y en qué medida contribuyó al resultado. Este white paper analiza las tecnologías que hoy existen o están en desarrollo para responder a esas dos preguntas, y evalúa su viabilidad práctica teniendo en cuenta la posición clave que ocupan los desarrolladores de modelos.
Partimos de la base de que no existe a día de hoy una tecnología lista para identificar de forma autónoma y determinista qué obras se usaron para entrenar un modelo y repartir proporcionalmente a escala de millones de grabaciones. Las técnicas más prometedoras (inferencia de membresía, funciones de influencia, machine unlearning) son prototipos de laboratorio que, además, requieren en su mayoría acceso a los parámetros internos del modelo. Sin la cooperación de los desarrolladores, las opciones técnicas de una entidad de gestión son muy limitadas.
La regulación europea ya obliga a los proveedores de modelos de propósito general a publicar información sobre sus datos de entrenamiento (art. 53) [14], aunque el nivel de detalle exigido hoy, un resumen estructurado y no un inventario obra por obra, es insuficiente para un reparto proporcional. El sector musical, a través de CISAC, GESAC e IFPI, presiona para reforzar
estas obligaciones.
Varias entidades de gestión europeas exploran pilotos técnicos. BumaStemra (Países Bajos) colabora con la startup AIxchange en un modelo de “Creative Weight Attribution”; GEMA (Alemania) ha llevado a los tribunales a OpenAI y Suno; SACEM (Francia) ha activado reservas de derechos sobre text and data mining. Ninguna tiene un sistema de atribución de entrenamiento en producción.
En este contexto, GenAIe, la Unidad de Análisis sobre IA y Música en la era digital de AIE, formula una serie de recomendaciones estratégicas articuladas en tres ejes:
- El impulso de medidas regulatorias para ampliar las obligaciones de transparencia y activar mecanismos efectivos de reserva de derechos en materia de TDM.
- El desarrollo de pilotos técnicos de inferencia a nivel de catálogo en colaboración con socios europeos.
- La construcción de una infraestructura de repertorio y auditoría que permita aprovechar cualquier avance técnico o regulatorio futuro, en coordinación con iniciativas y estándares a nivel europeo e internacional.
