Midjourney
y
ChatGPT
parecen
mágicos.
Crean
obras
digitales
y
textos
de
una
forma
asombrosa,
y
aunque
a
menudo
meten
la
pata,
sus
resultados
son
a
menudo
convincentes
e
incluso
impresionantes.
Esa
foto
parece
del
Papa
con
abrigo
de
Balenciaga
sigue
pareciendo
real,
y
ese
código
en
Python
funciona.
Insisto.
Parecen
mágicos.
Pero
tanto
estos
modelos
de
IA
generativa
como
sus
competidores
no
son
mágicos.
Son
loros
estocásticos
que
hacen
uso
de
patrones
estadísticos.
No
entienden
lo
que
crean
o
generan.
Y
además,
todo
lo
que
hacen
está
basado
en
algo
aún
más
importante.
Robar.
Si
está
en
internet,
puedo
usarlo
para
mi
IA
Es
lo
que
están
haciendo
desde
el
principio.
Las
grandes
empresas
de
IA
necesitan
ingentes
cantidades
de
datos
para
entrenar
a
sus
modelos,
así
que
lo
que
han
hecho
es,
sencillamente,
cogerlos
de
internet.
Sin
avisar,
sin
pedir
permiso,
y
sin
aclarar
luego
qué
datos
habían
usado.
Ninguna
empresa
de
IA
aclara
cómo
ha
entrenado
a
esos
modelos.
No
sabemos
con
exactitud
de
dónde
han
sacado
toda
la
información.
¿Qué
libros,
sitios
web,
o
imágenes
han
incluido
en
el
entrenamiento?
La
transparencia
es
prácticamente
nula.
Ninguna
lo
aclara
del
todo,
y
todas
las
empresas
se
escudan
en
el
concepto
del «uso
justo»
(fair
use).
Este
concepto
desarrollado
en
el
derecho
anglosajón
permite
el
uso
limitado
de
material
protegido
sin
que
sea
necesario
pedir
permiso
por
hacerlo.
Esa
recolección
masiva
y
voraz
de
datos
ha
hecho
que
muchas
empresas
de
IA
comiencen
a
tener
problemas
legales.
Las
demandas
por
posibles
violaciones
de
propiedad
intelectual
comenzaron
a
llegar
muy
pronto
y
se
fueron
haciendo
cada
vez
más
frecuentes.
¿Qué
comenzaron
a
hacer
las
empresas
de
IA
ante
esas
demandas
(o
la
amenaza
de
que
acabaran
afectándolas)?
Llegar
a
acuerdos
con
algunos
proveedores
de
contenidos.
Antes
algunas
cogían
todo
lo
que
podían
de
plataformas
como
Reddit,
pero
ahora
tanto
Google
como
OpenAI
han
resuelto
sus
diferencias
tras
negociar
distintos
tipos
de
quid
pro
quo.
Y
lo
que
ha
pasado
con
Reddit
ha
pasado
con
grupos
editoriales
como
Prisa
o
Le
Monde,
y
seguirá
ocurriendo
en
el
futuro:
así
las
grandes
de
la
IA
se
protegen
y
pueden
seguir
alimentando
sus
modelos
sin
parar.
Perplexity
y
las
gotas
que
colman
los
vasos
Pero
hay
comportamientos
aún
más
conflictivos.
Tenemos
un
ejemplo
perfecto
en
Perplexity,
que
poco
a
poco
se
convirtió
en
una
sorprendente
alternativa
a
Google
e
incluso
a
la
Wikipedia.
Aquí
nos
hemos
encontrado
no
con
un
motor
de
búsquedas,
sino,
como
apuntaban
en
The
Verge,
con
un «motor
de
respuestas».
El
problema
es
cómo
ha
logrado
hacer
lo
que
hace.
Que
no
es
ni
más
ni
menos
que
robando.
Lo
ha
hecho
aún
en
mayor
medida
que
algunas
de
sus
competidoras,
porque
esta
startup
está
haciendo
cosas
inauditas.
En
primer
lugar,
está
plagiando
artículos
enteros
de
otros
medios.
Lo
hizo
con
un
tema
de
Wired,
por
ejemplo.
En
segundo,
está
saltándose
los
muros
de
pago
de
publicaciones
como
Forbes
para
poder
recolectar
información
relativa
a
ciertos
temas.
No
solo
se
saltó
ese
muro
de
pago,
sino
que
apenas
citó
la
investigación
original
de
Forbes
y
plagió
los
gráficos
e
imágenes
de
ese
tema.
El
descubrimiento
generó
una
nueva
polémica
en
este
ámbito.
En
Wired
directamente
acusaron
a
Perplexity
de
ser
una
máquina
de
hacer
mierda,
pero
la
empresa
intentó
salir
al
paso
indicando
que
está
debatiendo
la
forma
de
compartir
ingresos
con
las
publicaciones.
Esa
empresa
de
inteligencia
artificial
no
es
la
única
en
saltarse
esos
muros:
estos
días
se
ha
revelado
que
Poe,
el
chatbot
de
la
plataforma
de
preguntas
y
respuestas
Quora,
también
lo
hacía.
Mientras
que
algunos
expertos
afirman
que
esto
es
una
violación
clara
de
los
derechos
de
autor
de
esos
contenidos,
en
Quora
afirman
que
no
es
así
y
que
se
basan
en
servicios
del
tipo «leer
más
tarde»
que
cumplen
con
la
ley.
Y
entonces
llegó
el
tercer
y
último
descubrimiento
a
manos
de
un
desarrollador
llamado
Robb
Knight.
Como
explicó
en
su
blog,
en
Perplexity
estaban
ignorando
las
directrices
de
los
ficheros
robots.txt
que
precisamente
indican
a
los
rastreadores
de
internet
qué
páginas
rastrear
y
cuáles
no.
Esos
pequeños
ficheros
siempre
han
servido
como
forma
de
hacer
que
por
ejemplo
Google
no
mostrase
en
sus
resultados
ciertas
partes
de
un
sitio
wbe,
pero
a
los
chicos
de
Perplexity
les
daba
igual:
ellos
lo
recolectaban
absolutamente
todo.
Srinivas
echó
balones
fuera:
no
eran
ellos
quienes
se
los
saltaban,
sino
las
empresas
que
habían
contratado
para
que
rastrearan
la
web
y
suministraran
más
y
más
datos
para
su
modelo
de
IA.
Y
cómo
no,
Perplexity
no
es
la
única
en
esquivar
e
ignorar
los
ficheros
robots.txt:
OpenAI
y
Anthropic
hacen
exactamente
lo
mismo.
Esa
actitud
ha
hecho
que
por
ejemplo
Reddit
se
ponga
en
pie
de
guerra
contra
los
scrapers,
aunque
la
cosa
ya
venía
de
lejos.
The
New
York
Times,
por
ejemplo,
demandó
a
Microsoft
y
a
OpenAI
porque
no
quiere
que
un
chatbot
mate
al
periodismo.
Este
diario
ya
publicó
un
reportaje
en
abril
de
2024
avisando
de
cómo
la
voracidad
de
empresas
como
OpenAI,
Google
o
Meta
estaban
(supuestamente)
pasándose
de
la
raya
a
la
hora
de
entrenar
sus
modelos.
Pero
es
que
ahí
no
acaba
todo.
Así
lo
demostraba
el
responsable
de
IA
de
Microsoft,
Mustafa
Suleyman,
que
en
una
entrevista
reciente
con
CNBC
defendía
esa
recolección
indiscriminada
de
datos
en
internet:
«Creo
que
con
respecto
al
contenido
que
ya
está
en
la
web
abierta,
el
contrato
social
de
ese
contenido
desde
los
años
90
ha
sido
que
es
de
uso
justo.
Cualquiera
puede
copiarlo,
recrearlo,
reproducirlo.
Ese
ha
sido
el «freeware»,
si
se
quiere,
ese
ha
sido
el
entendimiento».
Esa
afirmación
es
terrible,
sobre
todo
porque
asume
justo
lo
que
están
asumiendo
todas
las
grandes
de
internet.
Que
no
es
más
ni
menos
que
todo
lo
que
publicamos
en
internet
está
ahí
para
que
ellas
hagan
lo
que
quieran
con
ello.
Que
es
precisamente
lo
que
están
haciendo.
Imagen
|
Xataka
con
Freepik
