Licencias de Wikipedia para empresas de IA
El debate sobre las licencias de datos para empresas de IA afecta cada vez más a organizaciones sin fines de lucro como Wikipedia. Jimmy Wales, cofundador de Wikipedia, busca más acuerdos de licencia con empresas de IA, similares al existente contrato con Google. Esto es una reacción al aumento de los costos de servidores y almacenamiento, generados por el scraping de bots de IA. La pregunta central es cómo se puede lograr un equilibrio justo entre datos abiertos e IA, sin poner en peligro el principio de las fuentes de conocimiento libre.
Fuente: Representación propia
Wikipedia y licencias de IA
Wikipedia, operada por la organización sin fines de lucro Wikimedia Foundation, se financia principalmente a través de donaciones. Los contenidos están bajo Creative-Commons-Lizenz CC BY-SA 3.0 y la GNU Free Documentation License, que también permiten el uso comercial con el cumplimiento de las condiciones de licencia. Esta apertura hace que Wikipedia sea atractiva para las empresas de IA, ya que los artículos son revisados editorialmente, versionados, con fuentes y estructurados, una base ideal para Grafos de conocimiento y datos de entrenamiento.
Los bots de IA rastrean, según Wales, "la totalidad de la página", , lo que lleva a un aumento desproporcionado de cachés, RAM y ancho de banda. Los donantes de Wikipedia desean apoyar la educación libre, no subvencionar los costos de infraestructura de gigantescas corporaciones de IA.
El primer gran contrato de licencia es el celebrado entre la Wikimedia Foundation y Google sobre el servicio „Wikimedia Enterprise“. Este servicio comercial de API, lanzado en 2021, se dirige a grandes usuarios como motores de búsqueda y empresas de IA. Mientras que los usuarios normales pueden seguir utilizando Wikipedia de forma gratuita, las empresas que necesitan millones de consultas, replicaciones en tiempo real y flujos de datos personalizados obtienen accesos estables y contractuales a cambio de un pago. Google paga por este servicio , mientras que Internet Archive, como organización sin fines de lucro, recibe acceso completo gratuito.
Este enfoque desplaza la creación de valor: en lugar de scraping gratuito, existe ahora un producto adaptado a aplicaciones intensivas en datos. Paralelamente, las empresas de IA negocian paquetes de licencias con empresas de medios. OpenAI ha cerrado acuerdos con editoriales como Axel Springer y Financial Times. Reddit indicó en el marco de su salida a bolsa que aproximadamente 203 millones de dólares a través de licencias de datos, había ingresado, incluyendo un contrato con Google por unos 60 millones de dólares al año. Wikipedia se enfrenta, por lo tanto, a la pregunta de por qué debería seguir proporcionando infraestructura gratuita para modelos de IA, cuando otras plataformas venden sus datos.
Fuente: wikimediafoundation.org
La Wikimedia Foundation desarrolla una estrategia de IA que pone a las personas en el centro.
Aspectos legales
La situación legal para el entrenamiento de grandes modelos de lenguaje es una zona gris global. . En la UE, la Directiva sobre derechos de autor para el mercado único digital (Directiva DSM) permite el minería de texto y datos, siempre que los titulares de derechos no excluyan explícitamente sus obras. El próximo EU AI Act endurece los requisitos para la IA de propósito general: los proveedores deben publicar un resumen detallado de sus datos de entrenamiento y respetar los derechos de autor y las señales de exclusión (opt-out). Esto sirve para la transparencia, para que los titulares de derechos puedan rastrear el uso de sus contenidos y, en su caso, negociar o emprender acciones legales.
En EE. UU., domina el debate sobre „Fair Use“. . Las empresas de IA argumentan que el entrenamiento en obras protegidas por derechos de autor es un uso transformador, ya que no se distribuyen copias 1:1, sino que se aprenden patrones estadísticos. Sin embargo, los tribunales no siempre aceptan este argumento. Un tribunal de Múnich dictaminó que el entrenamiento de ChatGPT en letras de canciones protegidas infringe el derecho de autor alemán y condenó a OpenAI a pagar una indemnización a favor de GEMA. La concesión de licencias de datos de entrenamiento de LLM depende de excepciones, mecanismos de exclusión (opt-out), obligaciones de transparencia y procedimientos judiciales, lo que impulsa a plataformas como Wikipedia a modelos de licencias predecibles.
Fuente: digitalzentrum-berlin.de
El Reglamento General de IA de la UE crea un marco legal para el uso de la inteligencia artificial e influye en los modelos de licenciamiento.
Una introducción compacta a las cuestiones fundamentales sobre "Derecho de autor y entrenamiento de IA" ofrece esta discusión especializada en inglés.
Costos del scraping de IA
Para plataformas sin fines de lucro como Wikipedia, el scraping de IA genera principalmente tres bloques de costos: infraestructura adicional, contramedidas técnicas y esfuerzo de gobernanza. La demanda de servidores, ancho de banda y recursos de caché aumenta, ya que los bots de IA rastrean de forma automatizada grandes partes o volcados completos del proyecto. Las organizaciones sin fines de lucro deben decidir cómo defenderse contra el scraping excesivo. Además de los medios clásicos como robots.txt, la Wikimedia Foundation debate soluciones especializadas como Cloudflare „AI Crawl Control“. . Además, se necesitan estructuras de gobernanza que decidan con qué empresas negociar y cuándo el acceso gratuito socava los objetivos de la comunidad.
Otras plataformas reaccionan de manera diferente: Reddit apuesta por licencias de datos de pago, pero está bajo la observación de la US-Federal Trade Commission por la venta de datos de usuarios. Al mismo tiempo, Reddit demanda a Anthropic por scraping contractual para proteger su modelo de licencias. Para proyectos como Wikipedia, el margen de maniobra es menor. Pueden ofrecer modelos empresariales de pago, pero deben explicar a su comunidad por qué ciertas formas de scraping de IA, a partir de cierto volumen, ya no se consideran un uso legítimo, sino una trampa de costos.
Una visión de la tensión entre cultura libre y sostenibilidad ofrece Jimmy Wales en conferencias.
Modelos para un equilibrio justo
La pregunta central es cómo se ve un equilibrio justo entre datos abiertos e IA, que proteja la innovación y el bien común. Un modelo de acceso escalonado es un enfoque obvio: las personas y los proyectos pequeños utilizan contenidos libremente, respetando la licencia CC. Los grandes actores comerciales, especialmente los operadores de sistemas de IA, celebran acuerdos de licencia con condiciones claras sobre el alcance, las obligaciones de atribución, los derechos de eliminación y la responsabilidad, como ya lo demuestran Wikimedia Enterprise o los acuerdos de las grandes editoriales con OpenAI.
Fuente: user-added
Dos medusas brillantes, una azul y otra verde, sobre fondo negro con líneas de cuadrícula y corchetes.
Un segundo componente es la señalización técnica: los titulares de derechos deben poder indicar de forma legible por máquina si sus contenidos pueden utilizarse para el entrenamiento de IA, y los rastreadores de las empresas de IA deben respetar estas señales. Un tercer elemento son los modelos de remuneración estandarizados: en lugar de acuerdos individuales, las sociedades de gestión colectiva o los acuerdos marco a nivel de sector podrían recaudar y redistribuir tarifas de licencia para categorías de uso definidas, de manera comparable a la gestión de derechos musicales.
YouTube permite a los creadores dar su consentimiento explícito para que sus vídeos puedan ser utilizados para el entrenamiento de sistemas de IA de empresas externas; esta configuración está desactivada por defecto. Esto sugiere un futuro en el que el contenido abierto ya no se considera automáticamente un almacén de materias primas gratuitas para las corporaciones de IA, sino en el que los derechos de uso, las remuneraciones y las posibilidades de exclusión (opt-out) se negocian de forma transparente, también para proyectos sin fines de lucro como Wikipedia.
Los fundamentos de las licencias Creative Commons se explican en este video explicativo en alemán. Una introducción compacta a la perspectiva europea sobre la regulación de la IA y el derecho de autor se ofrece en esta conferencia audiovisual.
Conclusión y perspectiva
Wikipedia representa la idea del conocimiento libre, pero "libremente accesible" no significa "explotable gratuitamente para cualquier modelo de negocio". La decisión de Jimmy Wales y la Wikimedia Foundation de buscar más acuerdos de licencia con empresas de IA es un intento de preservar los principios de Wikipedia en un mundo impulsado por la IA. El contenido abierto debe seguir abierto, pero quienes lo utilicen comercialmente a escala industrial, deben contribuir de manera justa a la financiación de la infraestructura.
El éxito de este enfoque depende de cómo los tribunales, los reguladores y el público respondan a la cuestión de un equilibrio justo entre datos abiertos e IA. Se trata de no seguir transfiriendo los costos reales del scraping de IA a voluntarios y donantes.