The Atlantic abre un buscador para los 21 millones de canciones usadas para entrenar IA

Alex Reisner, periodista de The Atlantic, ha publicado los resultados de una investigación: identificó cuatro conjuntos de datos de música que empresas tecnológicas usaron para entrenar modelos de IA generativa. Además, hizo que las cuatro bases fueran consultables públicamente. Ahora cualquiera puede comprobar si sus canciones acabaron en los datos de entrenamiento.

Lo que encontró Reisner

Los dos conjuntos más grandes impresionan por su escala: uno contiene 12 millones de pistas y el otro, 9 millones. En total, son 21 millones de archivos musicales solo en dos bases. Los otros dos conjuntos son más modestos, pero igualmente relevantes: cada uno incluye más de 100 000 grabaciones. En conjunto, es un volumen colosal de contenido, buena parte del patrimonio musical que se puede recopilar de forma automática.

Los cuatro conjuntos se han descargado miles de veces. No es posible identificar con exactitud a los usuarios, pero Google y Stability AI confirmaron oficialmente en sus publicaciones científicas que trabajaron con estos datos. Es una prueba documental: empresas con capitalizaciones de miles de millones se apoyaron en las mismas fuentes que ahora son públicas.

De dónde sale esta música

Las fuentes de los conjuntos difieren en su estatus legal, y aquí empieza lo más importante:

• Free Music Archive es gratuito para escucha personal, pero el uso comercial y la creación de obras derivadas están restringidos
• Parte de las pistas se publicó con licencias Creative Commons, aunque las condiciones concretas varían de una pista a otra
• Algunos materiales están protegidos por derechos de autor estándar, sin excepciones ni salvedades
• Todas las bases estaban técnicamente disponibles para su descarga sin restricciones
• Ninguna empresa de IA ha revelado públicamente la composición exacta de sus conjuntos de entrenamiento musical

La brecha entre «técnicamente disponible para descargar» y «legalmente utilizable para el entrenamiento comercial de IA» es precisamente el terreno jurídico en el que se libran ahora demandas en todo el mundo.

Una herramienta para los titulares de derechos

The Atlantic ha lanzado un buscador público en las cuatro bases. Cualquier músico, productor, sello o editorial puede introducir su nombre o los títulos de sus pistas y saber si ese contenido formó parte del corpus de entrenamiento.

Esto importa en la práctica. Las demandas contra empresas de IA, entre ellas Suno, Udio, OpenAI, Stability AI y otras, ya están en los tribunales, pero los demandantes carecían hasta ahora de un modo fiable de probar el uso de obras concretas. La base pública de The Atlantic puede servir como prueba en estos casos.

La investigación de Reisner continúa una serie de revelaciones de los últimos años. Primero se supo del uso masivo de libros sin permiso (el conjunto Books3), después de textos de la web abierta (Common Crawl). Ahora le toca a la música. La lógica es la misma: las empresas de IA recopilaron todo lo que estaba técnicamente disponible, sin preguntarse por su estatus legal.

Qué significa

La publicación de The Atlantic lleva la disputa sobre derechos de autor en la IA de lo abstracto a lo concreto: estos son los datos, estas son las empresas, estas son las pistas. Para los músicos, es la primera herramienta pública de verificación. Para las empresas de IA, es una señal de que cada vez resulta más difícil mantener la opacidad sobre los datos de entrenamiento.