Una demanda que no debería haber hecho falta

El 29 de junio de 2026 un juez del Distrito Sur de Nueva York dijo a Sony Music que no podía sumar más de 30.000 grabaciones sonoras al pleito que ya mantenía contra Udio. Tres semanas después Sony las presentó de todos modos, en una demanda aparte. El escrito tuvo entrada el 20 de julio e invoca 30.117 grabaciones.

En lo procesal no tiene nada de llamativo. Que un tribunal se niegue a ampliar un pleito no extingue las pretensiones, solo obliga al demandante a abrir un segundo frente. Lo que merece la atención de un directivo es la aritmética que viene detrás. La demanda inicial ponía en disputa 333 grabaciones. Allí la indemnización legal tasada tenía un techo de unos 50 millones de dólares, alrededor de 46 millones de euros. Con 30.117 grabaciones, el techo teórico se va a unos 4.500 millones de dólares, cerca de 4.200 millones de euros.

Sony es además la única que se ha quedado fuera. Universal y Warner cerraron acuerdos de licencia con Udio. Sony no, y esa ausencia de acuerdo es lo que mantiene vivo el material probatorio en lugar de dejarlo sellado tras una transacción.

Cómo 333 se convirtieron en 30.117

Lo interesante no es la cifra, sino de dónde sale. Sony no rastreó internet para deducir con qué se habría entrenado un modelo musical. En la fase de exhibición de pruebas del primer pleito consiguió acceso a los datos de entrenamiento de Udio, los cotejó por huella acústica e identificó cientos de miles de grabaciones propias. Las 30.117 que invoca la nueva demanda son un subconjunto de lo que arrojó ese cotejo.

Un corpus de entrenamiento resulta ser un inventario. Hace dos años esa frase se habría discutido. Quienes construyen modelos venían describiendo sus conjuntos de datos como demasiado grandes, demasiado transformados y demasiado mezclados para poder enumerarlos, y el argumento se sostenía mientras nadie mirara dentro. Ya ha mirado alguien, con una tecnología corriente que la industria musical usa para identificar contenidos desde hace veinte años, y ha salido una lista de cinco cifras.

Nada de esto es exclusivo de la música. La huella acústica funciona en el audio porque el audio admite hashes perceptuales robustos, pero la capacidad general, cotejar un catálogo conocido con un corpus que a uno le han obligado a entregar, se traslada a la imagen, el vídeo, el texto y el código con otras herramientas y el mismo efecto jurídico.

La pretensión que no va de derechos de autor

La demanda ejercita tres pretensiones. Dos son de infracción convencional: grabaciones posteriores a 1972 y grabaciones anteriores a 1972 protegidas por la Music Modernization Act. La tercera es de otra naturaleza. Alega elusión de medidas tecnológicas de protección al amparo de la Digital Millennium Copyright Act.

La elusión es una pretensión sobre la obtención. No pregunta si entrenar con una obra es transformativo, ni si el resultado compite con el original, ni hacia dónde apuntan los factores del fair use. Pregunta cómo se saltó el demandado el candado. Esa distinción hace un trabajo estructural silencioso en este caso, porque un demandado puede ganar la discusión sobre qué es entrenar y perder igualmente por la forma en que reunió el material.

El lector europeo no debería archivar esto como una rareza estadounidense. La excepción de minería de la directiva de 2019, la norma en la que se apoyan la mayoría de las empresas de la UE cuando extraen datos, está condicionada a que el acceso sea lícito y a que el titular no haya reservado sus derechos de forma legible por máquina. Las dos condiciones se refieren a la obtención. El vocabulario dogmático cambia a uno y otro lado del Atlántico y el punto de presión es el mismo: cómo consiguió los datos es una pregunta distinta de qué hizo con ellos, y se responde antes.

Por qué no saber con qué se entrenó dejó de ser seguro

Durante tres años, la respuesta práctica a una pregunta de procedencia planteada por un cliente o por un supervisor ha sido un encogimiento de hombros disfrazado de ingeniería. El corpus es enorme, la cadena de proceso se ejecutó hace años, los artefactos intermedios no se guardaron. Esa respuesta funcionaba como defensa porque la otra parte no tenía forma de comprobarla.

El material probatorio de Udio acaba con eso. Cuando un titular puede hacerse con el corpus y cotejarlo, quien no sabe describir sus propios datos de entrenamiento no queda protegido por ese vacío: es simplemente la parte que menos sabe de su propia exposición. La incertidumbre dejó de ser un escudo y pasó a ser un pasivo no valorado, y hoy está en el balance de toda empresa que haya ajustado un modelo con material que no documentó.

La dirección de la regulación refuerza ese punto, no lo provoca. El Reglamento europeo de IA obliga a los proveedores de modelos de uso general a publicar un resumen suficientemente detallado del contenido utilizado en el entrenamiento, y las facultades de ejecución de la Comisión sobre esas obligaciones pasan a ser ejercitables el 2 de agosto de 2026. Quien no sea capaz de elaborar ese resumen puertas adentro tampoco podrá entregárselo a un supervisor. El litigio y la norma hacen la misma pregunta desde direcciones opuestas.

Ponga la procedencia en el contrato, no en los supuestos

Tres cambios concretos, ninguno de los cuales exige un dictamen jurídico para empezar. Primero, en su próximo contrato de modelo o de ajuste fino, pida una garantía escrita de procedencia que nombre los principales conjuntos de datos e indique qué comprobaciones de reserva de derechos se hicieron, con indemnidad asociada. Un proveedor que describe sus datos de palabra pero no por contrato ya le ha dicho algo útil.

Segundo, lleve un manifiesto de todo aquello con lo que haga usted mismo ajuste fino: fuente, fecha de adquisición, licencia o excepción invocada y si en el momento de la recogida existía una reserva legible por máquina. Ese último campo es el que no anota nadie y del que depende la excepción de minería. Reconstruirlo después cuesta bastante más que registrarlo ahora.

Tercero, separe las dos preguntas en su propio registro de riesgos. La licitud de la obtención y la licitud del entrenamiento fallan por separado, y un modelo puede estar limpio en la segunda y expuesto en la primera. La mayoría de las evaluaciones internas de riesgo de IA escritas antes de este mes las tratan como una sola partida. Son dos, y a la primera llega un demandante con una huella.

Leer a continuación: La ronda semilla récord apuesta por datos de robots  |  Los datos de entrenamiento de Suno ya son una lista detallada