IA y Propiedad Intelectual: El Ciclo de Vida del Dato y la Minería de Textos y Datos bajo el Prisma del Caso Kneschke vs. LAION

Ricardo Scarpa

ÍNDICE DETALLADO

CAPÍTULO 1: INTRODUCCIÓN Y MARCO METODOLÓGICO

• 1.1. Objeto y Alcance del Estudio
• 1.2. Metodología Multidisciplinar
• 1.3. Justificación y Seguridad Jurídica

CAPÍTULO 2: EL CONTEXTO TECNOLÓGICO: DE LA MINERÍA DE DATOS A LA IA GENERATIVA

• 2.1. Evolución de los Modelos de IA: Del Deep Learning a los Transformers
• 2.2. La Cadena de Datos (Data Chain): Captura, Procesamiento y Curación
• 2.3. Técnicas Analíticas Automatizadas: Definición y Etapas de la TDM
• 2.4. Arquitecturas Avanzadas: Generación Aumentada por Recuperación (RAG)

CAPÍTULO 3: MARCO REGULATORIO EUROPEO: DERECHOS DE AUTOR Y LEY DE IA

• 3.1. La Directiva (UE) 2019/790 (CDSM): Artículos 3 y 4
• 3.2. El Reglamento (UE) 2024/1689 (AI Act): Obligaciones de Transparencia
• 3.3. Requisitos Legales de la Reserva de Derechos (Opt-out)

CAPÍTULO 4: ANÁLISIS DEL CASO KNESCHKE VS. LAION: UN HITO JURISPRUDENCIAL

• 4.1. Antecedentes y Hechos del Litigio
• 4.2. Interpretación de la Excepción de Investigación Científica (§ 60d UrhG)
• 4.3. El Debate sobre la Comercialidad y el Propósito de Investigación
• 4.4. La Doctrina sobre el Opt-out en Lenguaje Natural

CAPÍTULO 5: IMPLEMENTACIÓN TÉCNICA DE LOS LÍMITES LEGALES

• 5.1. Protocolos de Gestión de Entrada: REP, TDMRep y ai.txt
• 5.2. Trazabilidad y Procedencia: Soft-binding (ISCC) vs. Hard-binding (C2PA)
• 5.3. Medidas de Mitigación en el Output: Marcas de Agua y Huellas Digitales

CAPÍTULO 6: VALORACIÓN CRÍTICA Y PERSPECTIVAS DE FUTURO

• 6.1. Divergencias en las Transposiciones Nacionales: El Caso de España
• 6.2. La Paradoja de la Transparencia y el Secreto Comercial
• 6.3. Hacia un Mercado de Datos Licenciados y Remunerados
• 6.4. Conclusión Final: El Papel Institucional de las Oficinas de PI

CAPÍTULO 1: INTRODUCCIÓN Y MARCO METODOLÓGICO

1.1. Objeto y Alcance del Estudio

El problema central identificado en la presente investigación es la tensión irreconciliable entre la protección de la propiedad intelectual y el fomento de la innovación tecnológica en el ámbito de la IA generativa. Como se destaca en el informe de la EUIPO (2025) sobre el desarrollo de la IA generativa desde una perspectiva de derecho de autor, existe un conflicto de intereses contrapuestos: los titulares de derechos consideran que el uso de sus obras para entrenar modelos sin consentimiento es un acto lesivo, mientras que los desarrolladores sostienen que el entrenamiento es una técnica analítica amparada por límites legales.
Esta interacción es compleja y se manifiesta en tres frentes:

• Perspectiva Técnica: Basada en el procesamiento masivo de contenidos mediante la Minería de Textos y Datos (TDM), donde, según investigaciones de Carlini et al. (2023), existe el riesgo de que los modelos memoricen secuencias de entrenamiento y produzcan "regurgitaciones" o reproducciones explícitas de la obra original en el output.

• Perspectiva Legal: Centrada en los Artículos 3 y 4 de la Directiva (UE) 2019/790 (CDSM), que distinguen entre la minería para investigación científica y fines comerciales, con importantes implicaciones para el diseño de modelos de negocio en el sector de la IA.

1.2. Metodología Multidisciplinar

El análisis adopta un enfoque híbrido técnico-jurídico, integrando herramientas de análisis de datos con principios hermenéuticos para evaluar la viabilidad de las excepciones de TDM. Se basa en el marco regulatorio europeo, con especial énfasis en la transposición alemana (UrhG) y española (LPI), y se complementa con casos jurisprudenciales recientes como Kneschke vs. LAION (2025).

1.3. Justificación y Seguridad Jurídica

La necesidad de este estudio surge de la opacidad en la cadena de datos de la IA, donde la falta de trazabilidad genera incertidumbre jurídica para titulares y desarrolladores. El objetivo es proporcionar una hoja de ruta para un "ciclo de vida del dato" que cumpla con la reserva de derechos (opt-out) y las obligaciones de transparencia del AI Act.

CAPÍTULO 2: EL CONTEXTO TECNOLÓGICO: DE LA MINERÍA DE DATOS A LA IA GENERATIVA

2.1. Evolución de los Modelos de IA: Del Deep Learning a los Transformers

Los modelos de IA generativa, como Stable Diffusion o GPT-4, se entrenan mediante técnicas de deep learning que requieren datasets masivos. Los transformers, introducidos por Vaswani et al. (2017), permiten el procesamiento paralelo de secuencias, facilitando la extracción de patrones complejos de textos e imágenes.

2.2. La Cadena de Datos (Data Chain): Captura, Procesamiento y Curación

La cadena de datos comienza con la captura masiva de contenidos web mediante crawlers, seguida de procesamiento (filtrado, normalización) y curación (eliminación de duplicados, enriquecimiento). Conjuntos como LAION-5B contienen 5.850 millones de pares imagen-texto, indexando URLs para entrenamiento.

2.3. Técnicas Analíticas Automatizadas: Definición y Etapas de la TDM

La TDM se define como cualquier proceso automatizado que analiza datos digitales para generar conocimiento. Sus etapas incluyen extracción, análisis y síntesis, con riesgos de "regurgitación" si los modelos memorizan datos de entrenamiento.

2.4. Arquitecturas Avanzadas: Generación Aumentada por Recuperación (RAG)

RAG mitiga alucinaciones consultando bases de datos externas durante la inferencia, mejorando la precisión. Sin embargo, no resuelve problemas de procedencia en el entrenamiento inicial.

CAPÍTULO 3: MARCO REGULATORIO EUROPEO: DERECHOS DE AUTOR Y LEY DE IA

3.1. La Directiva (UE) 2019/790 (CDSM): Artículos 3 y 4

El Artículo 3 permite TDM para investigación científica sin opt-out, mientras el Artículo 4 permite opt-out para TDM comercial. La transposición varía: Alemania (§ 60d UrhG) excluye fines comerciales, España (Art. 13 LPI) permite opt-out en lenguaje natural.

3.2. El Reglamento (UE) 2024/1689 (AI Act): Obligaciones de Transparencia

El AI Act impone transparencia en datos de entrenamiento para modelos generales, obligando a divulgar resúmenes de datasets protegidos por derechos de autor.

3.3. Requisitos Legales de la Reserva de Derechos (Opt-out)

El opt-out debe ser machine-readable (e.g. robots.txt, TDMRep), pero el Tribunal de Hamburgo acepta lenguaje natural si es detectable. No aplica retroactivamente a datos ya minados.

CAPÍTULO 4: ANÁLISIS DEL CASO KNESCHKE VS. LAION: UN HITO JURISPRUDENCIAL

4.1. Antecedentes y Hechos del Litigio

El fotógrafo Robert Kneschke demandó a LAION por usar su foto en el dataset LAION-5B sin consentimiento, alegando violación de derechos de autor.

4.2. Interpretación de la Excepción de Investigación Científica (§ 60d UrhG)

El tribunal rechazó que LAION fuera "científica" al distribuir el dataset para fines comerciales, invalidando la excepción.

4.3. El Debate sobre la Comercialidad y el Propósito de Investigación

LAION argumentó propósito no comercial, pero el tribunal priorizó el impacto económico sobre el titular.

4.4. La Doctrina sobre el Opt-out en Lenguaje Natural

El opt-out en términos generales (lenguaje natural) fue válido, incluso sin machine-readable, estableciendo jurisprudencia.

CAPÍTULO 5: IMPLEMENTACIÓN TÉCNICA DE LOS LÍMITES LEGALES

5.1. Protocolos de Gestión de Entrada: REP, TDMRep y ai.txt

REP permite opt-out en robots.txt, TDMRep en metadatos, ai.txt en archivos de sitio.

5.2. Trazabilidad y Procedencia: Soft-binding (ISCC) vs. Hard-binding (C2PA)

ISCC usa huellas digitales externas, C2PA criptografía embebida para rastrear origen de datos.

5.3. Medidas de Mitigación en el Output: Marcas de Agua y Huellas Digitales

Marcas de agua invisibles (e.g. Stable Diffusion) y huellas digitales detectan outputs generados por IA.

CAPÍTULO 6: VALORACIÓN CRÍTICA AND PERSPECTIVAS DE FUTURO

6.1. Divergencias en las Transposiciones Nacionales: El Caso de España

España permite opt-out en lenguaje natural, pero falta claridad en implementación técnica.

6.2. La Paradoja de la Transparencia y el Secreto Comercial

El AI Act exige transparencia, pero choca con el secreto comercial de datasets.

6.3. Hacia un Mercado de Datos Licenciados y Remunerados

Futuro: Licencias pagadas para datasets, con modelos como Adobe Firefly.

6.4. Conclusión Final: El Papel Institucional de las Oficinas de PI

Oficinas como EUIPO deben liderar estandarización de opt-out y trazabilidad.

GLOSARIO DE TÉRMINOS TÉCNICOS Y LEGALES

• Common Crawl: Dataset web más grande del mundo, que sirve como cimiento textual para el entrenamiento de la mayoría de los modelos de lenguaje (LLM).
• LAION-5B: Conjunto de datos masivo que contiene 5.850 millones de pares de imagen-texto, funcionando técnicamente como un índice de hipervínculos para entrenar modelos de IA generativa de imágenes.

3. Marco Legal y Propiedad Intelectual

• Reserva de Derechos (Opt-out): Decisión activa del titular de derechos para excluir sus obras de la excepción general de minería de datos comercial bajo el Artículo 4 de la Directiva CDSM. Para contenido en línea, esta reserva solo es válida si se realiza por medios de lectura mecánica.
• Lectura Mecánica (Machine-readable): Formato estructurado de tal manera que el software de rastreo pueda identificarlo, interpretarlo y procesarlo de forma autónoma sin intervención humana. El Tribunal Regional Superior de Hamburgo distingue entre la "detectabilidad" de un texto y su "interpretabilidad" por procesos automatizados.
• Acceso Lícito: Requisito previo para beneficiarse de las excepciones de TDM, definido como el acceso obtenido con el consentimiento del titular o mediante suscripciones, excluyendo terminantemente el uso de contenido pirata.
• Lavado de Datos (Data Laundering): Fenómeno donde se explotan las excepciones de minería para investigación científica (Art. 3 CDSM), que no permiten oposición del autor, para construir bases de datos que luego son utilizadas por entidades comerciales bajo el régimen del Artículo 4.
• Regla de los Tres Pasos: Estándar internacional del derecho de autor que establece que las excepciones solo pueden aplicarse en casos concretos que no entren en conflicto con la explotación normal de la obra ni perjudiquen injustificadamente los intereses del titular.

4. Arquitecturas y Soluciones Técnicas

• Generación Aumentada por Recuperación (RAG): Técnica que combina los modelos generativos con mecanismos externos de recuperación de documentos para proporcionar respuestas más actualizadas y contextualmente ricas. Actúa como un sistema de "búsqueda en memoria" en tiempo real durante la fase de inferencia.
• Transformador (Transformer): Arquitectura de red neuronal diseñada para datos secuenciales que utiliza mecanismos de auto-atención para procesar todos los elementos de una secuencia simultáneamente.
• Marcas de Agua (Watermarking): Técnica para incrustar información o metadatos de forma intrínseca en el propio contenido (imagen, audio o texto), pudiendo ser visible o invisible.
• Huellas Digitales (Fingerprinting): Generación de un identificador único basado en las características del archivo que permite compararlo con bases de datos externas para identificar obras protegidas sin alterar el archivo original.
• ISCC (International Standard Content Code): Estándar de huella digital que utiliza una vinculación suave (soft-binding) para asociar metadatos de derechos a los archivos de forma externa, permitiendo recuperar la información incluso si los metadatos internos son borrados.
• C2PA: Estándar de vinculación fuerte (hard-binding) que utiliza criptografía para incrustar un manifiesto de procedencia directamente dentro del contenedor del archivo.