Alejandro Urueña
Ética e Inteligencia Artificial (IA) - Founder & CEO Clever Hans Diseño de Arquitectura y Soluciones en Inteligencia Artificial. Magister en Inteligencia Artificial
Editorial Perfil sostiene que OpenAI y Microsoft utilizaron sus contenidos periodísticos sin autorización para desarrollar y entrenar sistemas de inteligencia artificial, según informó el 24 de agosto de 2026 Buenos Aires Times, publicación de la propia editorial. El conflicto permite llevar una clase de Text Mining al terreno donde las palabras técnicas tienen consecuencias concretas. El procesamiento del lenguaje natural o PLN (campo que desarrolla métodos computacionales para analizar, representar y generar lenguaje humano) comprende mucho más que limpiar 0 preparar documentos para que el procesador lo pueda trabajar. La minería de textos (extracción de información y patrones a partir de colecciones de textos) utiliza técnicas de PLN, estadística y aprendizaje automático. Preparar los datos y después analizarlos es una secuencia didáctica útil; no constituye una frontera universal entre disciplinas. El manual de Jurafsky y Martin, de Stanford y la Universidad de Colorado, incluye tokenización, clasificación, generación y recuperación dentro de ese campo amplio. Por eso conviene distinguir qué operación se realizó y con qué finalidad, sin suponer que llamarla “preparación” la vuelve jurídicamente irrelevante.
El cuerpo de una noticia es su contenido principal; un corpus (colección organizada de textos) puede reunir artículos para investigarlos, buscarlos, evaluar un sistema o entrenarlo. El scraping (extracción automatizada de información de páginas web) puede contribuir a reunir ese material, pero una visita registrada en un servidor no demuestra por sí sola su incorporación al entrenamiento. La documentación de OpenAI diferencia agentes destinados a recopilar contenido potencialmente utilizable para entrenar, como GPTBot; a realizar búsquedas, como OAI-SearchBot; y a atender ciertas acciones del usuario, como ChatGPT-User. Son funciones declaradas, cuya intervención concreta requiere evidencia. Tampoco robots.txt (archivo que comunica instrucciones a los rastreadores) equivale a un permiso general: su especificación técnica aclara que no constituye autorización de acceso. Su configuración actual tampoco acredita la que existía al recopilarse los textos. Si hubo un paywall (muro de pago), interesa reconstruir cómo se obtuvo el contenido; que un servidor lo entregara no resuelve la autorización para reproducirlo o utilizarlo posteriormente. La Ley 11.723 exige considerar los derechos sobre la obra: el debate jurídico no comienza recién cuando aparece una respuesta del chatbot, por supuesto que todas las líneas de pensamientos anteriores deberán ser cotejadas por las pericias correspondientes .
El procesamiento enfrenta dos dificultades que una clase introductoria permite reconocer: la ambigüedad (una expresión admite diferentes interpretaciones) y la dimensionalidad (cantidad de componentes utilizados para representar los datos). A ellas se suma la variación léxica: una misma idea puede expresarse con palabras distintas. “Banco” puede aludir a una institución financiera o a un asiento; “iniciar una acción judicial” y “presentar una demanda” pueden comunicar ideas semejantes. La tokenización (segmentación del texto en unidades procesables) identifica tokens, que pueden ser palabras, fragmentos o signos según el sistema. En una bolsa de palabras, el tamaño del vector depende del vocabulario seleccionado para el corpus, no del número de entradas de un diccionario. Los capítulos sobre palabras y tokens de Jurafsky y Martin explican por qué esas decisiones dependen del lenguaje y la tarea. Algunos procedimientos preservan el texto y otros incorporan normalización (transformaciones como pasar a minúsculas o eliminar acentos). También pueden excluir stopwords (términos considerados poco útiles para una tarea específica). Pero eliminar palabras no siempre mejora el análisis: si se borra “no” de “no autorizo”, desaparece lo decisivo. El manual Introduction to Information Retrieval, publicado por Cambridge University Press, advierte que esas exclusiones pueden alterar el significado de una búsqued,
La vectorización (representación de información mediante listas de números) tampoco es una operación única. Una bolsa de palabras cuenta términos y pierde su orden: “el periodista entrevistó al empresario” y “el empresario entrevistó al periodista” pueden resultar idénticos en esa representación. TF-IDF (ponderación que combina la frecuencia de un término con su rareza en la colección) destaca vocabulario, es importante mencionar lo anterior para que se entienda como se inició el Text Mining.
Los embeddings (representaciones numéricas aprendidas) pueden capturar relaciones de significado (Misma dirección = Coseno perfecto). Algunas representaciones son fijas para cada término y otras cambian con el contexto (información disponible que condiciona la interpretación). En muchos modelos Transformer, la atención (operación que pondera y combina representaciones de distintas posiciones) ayuda a construir esas representaciones contextuales; el trabajo original utiliza productos escalares escalados (Misma dirección + Mucha fuerza = Producto Escalar alto), no una similitud del coseno obligatoria. Esta última (medida que compara la orientación de dos vectores mediante el coseno del ángulo entre ellos) puede servir para comparar documentos en un mismo espacio, como explica el manual de recuperación de información alojado en Stanford. La separación entre palabras en una oración y la cercanía entre vectores son cosas diferentes. Un coseno de 0,90 no significa “90 % de plagio”: una semejanza alta puede corresponder a copia, paráfrasis o coincidencia temática. El resultado necesita interpretación y evidencia adicional. Una línea de pensamiento podría ser que la IA organiza textos como libros en un estante: dos recetas de tarta estarán matemáticamente pegadas simplemente porque comparten ingredientes. Esa cercanía numérica solo indica que cocinan lo mismo, no que un autor le haya robado la idea al otro, para decir algo Intuitivo.
Entrenar un modelo generativo de tipo GPT implica ajustar sus parámetros (valores numéricos aprendidos que gobiernan sus cálculos) para mejorar la predicción del siguiente token. En el preentrenamiento autosupervisado, el propio texto aporta la señal de aprendizaje: se compara la predicción con el token que realmente sigue, sin necesitar que una persona etiquete cada ejemplo. La función de pérdida (medida del error) orienta la retropropagación, que calcula gradientes (cómo varía el error al cambiar los parámetros) por decirlo simple la W que cuesta muchos dólares; un optimizador utiliza esa información para actualizarlos. Esa explicación, desarrollada por Jurafsky y Martin, permite distinguir entrenamiento de inferencia (uso del modelo ya entrenado). Al responder, el sistema calcula probabilidades y selecciona tokens según una estrategia que puede incluir muestreo (elección según esas probabilidades), sin escoger siempre el más probable. Una consulta ordinaria no reajusta por sí sola los parámetros. Además, una aplicación puede utilizar RAG (generación aumentada por recuperación): busca documentos y agrega fragmentos al contexto, como describe el capítulo académico dedicado a recuperación y RAG, la respuesta utiliza entonces capacidades aprendidas e información aportada en ese momento, también podría ser que un largo modelo de lenguaje no use esta técnica. El vocabulario cerrado de un ejercicio de conteo no permite concluir que un GPT sea incapaz de procesar palabras nuevas. Para cada producto de OpenAI o Microsoft habrá que identificar el modelo, las herramientas y los datos efectivamente utilizados.
Nada de esto permite afirmar que los modelos nunca memorizan ni que los vectores vuelven irrecuperable un artículo. Un estudio de Cornell publicado en EMNLP 2023 reconstruyó exactamente el 92 % de entradas de 32 tokens mediante un procedimiento iterativo y bajo condiciones experimentales: no es un porcentaje aplicable a cualquier noticia. Otra investigación de Nasr y colaboradores demostró extracción de fragmentos del entrenamiento de distintos modelos, incluido un sistema de producción. Son posibilidades comprobadas en esos experimentos; no pruebas de lo ocurrido con Perfil. Una pericia debería conservar las instrucciones completas, identificar versiones, registrar herramientas y documentos aportados, repetir consultas y medir por separado coincidencias literales y semejanzas semánticas. Los registros de adquisición, conjuntos de entrenamiento e índices de búsqueda, cuando se obtengan, aportarían evidencia distinta de la respuesta visible. Una noticia exclusiva puede ser un indicio sin revelar por sí sola la vía de acceso; una fecha de publicación anterior al corte declarado tampoco demuestra inclusión en el entrenamiento. La trazabilidad (posibilidad de reconstruir el recorrido de los datos) exige reunir esas piezas. Que una respuesta no copie un artículo tampoco demuestra que este no haya sido utilizado. Las matemáticas ayudan a investigar el mecanismo; no reemplazan la prueba ni firman permisos.