En mi tesis de grado analicé las implicancias jurídicas del denominado "software libre" y la utilidad del copyleft para proteger derechos en un entorno que la tecnología siempre corre más rápido que la ley. Casi dos décadas después, esa misma tensión volvió, pero con una protagonista nueva: la inteligencia artificial.
La idea que se propuso cambiar el software
El copyleft nació con una intuición elegante: en lugar de reservar todos los derechos, el autor los usa para garantizar que la obra y sus derivados permanezcan libres. La GNU GPL no es una renuncia a la propiedad intelectual: es una condición de uso con efectos sobre toda obra derivada. Para una disciplina acostumbrada a pensar la propiedad como exclusión, fue (y sigue siendo) un gesto conceptualmente incómodo.
Esa incomodidad es la clave de todo lo que vino después. El copyleft demostró que las licencias son derecho de autor en versión preventiva: contratos que piensan no solo en la obra que existe, sino en todas las que puedan construirse a partir de ella.
La máquina aprende: el contenido es el nuevo software
Los modelos de IA generativa se entrenan con datos. Y en ese enunciado tan simple se esconde el problema jurídico más grande de esta década: los datos no son neutros, son obras, textos, imágenes, código y voces protegidos por derechos.
Si el copyleft reguló el "uso" del código, la IA plantea la pregunta inversa: ¿qué pasa con el uso que una máquina hace de las obras ajenas para aprender? ¿Es reproducción, cita, transformación o algo que el derecho todavía no tiene nombre?
¿Sirve el copyleft contra un modelo?
La respuesta honesta es: parcialmente. Las licencias copyleft tienen mecanismos de efectos sobre obras derivadas que algunos proyectos de código abierto están usando para impedir el reentrenamiento de modelos. Es un terreno fronterizo: ¿un peso entrenado es una "obra derivada" del código que lo generó? Los tribunales todavía no lo dijeron de forma pacífica.
Mientras tanto, los autores de contenido —periodistas, fotógrafos, músicos, académicos— reclaman que sus obras fueron incorporadas a bases de entrenamiento sin autorización ni compensación. La discusión de fondo es la misma de siempre: qué se protege, cómo se compensa y quién define los límites cuando la tecnología inventa el hecho antes que la norma.
Lo que está escribiéndose en 2026
La regulación avanzó a los tumbos, pero avanzó. La Unión Europea discute los límites del uso de obras para minería de texto y datos y la transparencia de los modelos frente a los titulares de derechos. En Estados Unidos, los litigios sobre entrenamiento de modelos y publicaciones de prensa transitan entre el uso legítimo y la infracción directa, sin una doctrina definitiva. En América Latina, el debate recién empieza a madurar en foros académicos y regulatorios, y eso también es una oportunidad para no copiar errores.
El derecho de autor sobrevive a las tecnologías; lo que cambia es el peso específico que cada actor le da a la compensación, a la transparencia y al acceso.
Lo que significa para quien gobierna datos
Desde el rol de una CDPO, esto deja de ser una curiosidad intelectual y pasa a ser una exigencia operativa:
- Auditar qué licencias cubren el software en producción, incluido el provisto por proveedores de IA.
- Verificar en qué se entrena cada modelo que la organización usa, y con qué fuentes.
- Incorporar cláusulas de titularidad e indemnidad en la contratación de servicios de IA.
- Tratar los datos de entrenamiento propios con la misma disciplina que los datos personales.
El copyleft nos enseñó que las reglas del software se pueden escribir antes, no después, del conflicto. La gobernanza de la información moderna debe aprender esa lección con la IA.
Conclusión
En 2009 escribí que los juristas solemos aportar las reglas de un juego en cuyo desarrollo no participamos. La IA es la prueba más reciente de esa afirmación. Pero también es la mejor oportunidad para que esta vez las reglas se escriban con la tecnología enfrente, en lugar de detrás.
El desafío no es decidir si la máquina puede aprender: ya lo está haciendo. El desafío es decidir con qué obras aprende, de quién es la obra que produce y cómo se distribuye el valor que genera.