La economía secreta de la música generativa y la literatura escrita por IA.
La escena cultural contemporánea convive con una paradoja inédita. Nunca fue tan fácil producir música, imágenes o textos. Nunca fue tan difícil distinguir entre una obra nacida de una experiencia humana y una pieza generada por un sistema estadístico entrenado con millones de obras previas. La inteligencia artificial generativa abrió una etapa de enorme expansión creativa, aunque al mismo tiempo introdujo un conjunto de incentivos económicos y tecnológicos que pueden alterar la estructura misma de la producción artística.
Durante siglos el problema central del arte fue la escasez. Escribir un libro exigía tiempo, formación y condiciones materiales. Grabar un disco requería instrumentos, estudio y músicos. Pintar implicaba técnica, materiales y dedicación. Cada obra representaba una inversión significativa de esfuerzo humano.
La inteligencia artificial generativa altera esa ecuación. Un modelo de lenguaje puede producir miles de páginas en pocas horas. Un sistema de generación musical puede crear cientos de pistas instrumentales en minutos. La producción artística deja de estar limitada por el tiempo humano y pasa a depender del costo computacional.
Este cambio tiene consecuencias que recién comienzan a hacerse visibles.
Uno de los casos más reveladores apareció en el ecosistema musical digital. En Spotify comenzaron a detectarse miles de artistas inexistentes. Son artistas o nombres ficticios asociados a pistas musicales generadas automáticamente o producidas por estudios industriales que trabajan para plataformas de streaming.
Investigaciones periodísticas realizadas por Music Business Worldwide y Rolling Stone documentaron la existencia de proyectos musicales fabricados para alimentar listas de reproducción populares como “lofi”, “deep focus”, “sleep music” o “ambient study”. Estos géneros tienen una característica económica particular. Generan millones de reproducciones porque funcionan como música de fondo para estudiar, dormir o trabajar.
El problema para las plataformas es financiero. Cada reproducción implica el pago de regalías. Si una playlist acumula cientos de millones de reproducciones, el costo para la plataforma puede ser considerable.
En lugar de incluir artistas independientes que deben recibir pagos completos por derechos de autor, las plataformas pueden (y lo hacen) insertar música producida internamente o proveniente de catálogos donde los derechos pertenecen a intermediarios asociados.
El usuario escucha una pieza firmada por un supuesto artista que quizás NO EXISTE. La música puede haber sido generada mediante herramientas algorítmicas o producida por un pequeño grupo de compositores industriales que firman bajo múltiples identidades.
Las plataformas reducen el monto de regalías que deben pagar a músicos reales. Ganan más, punto.
Este fenómeno no constituye una teoría conspirativa. En 2017 Spotify enfrentó críticas cuando se descubrió que numerosas playlists incluían artistas vinculados a empresas de producción musical como Epidemic Sound. Diversos reportes de Music Business Worldwide y Rolling Stone analizaron estos catálogos diseñados para streaming de bajo costo.
La llegada de sistemas de generación musical mediante inteligencia artificial puede amplificar esta lógica. Si producir miles de pistas instrumentales se vuelve prácticamente gratuito, la tentación económica para las plataformas es evidente.
Nadie puede impedir que se produzca música “generativa”. El problema es estructural más que estético. Cuando la distribución cultural depende de plataformas digitales que controlan algoritmos de recomendación, esas plataformas pueden moldear la oferta cultural en función de sus incentivos económicos.
El mismo fenómeno también comienza a verse en el campo literario.
Los modelos de lenguaje actuales son capaces de producir textos largos que imitan con sorprendente precisión el estilo de autores reconocidos. Esto ocurre porque estos sistemas se entrenan sobre enormes corpus de textos públicos y privados. Durante el proceso de entrenamiento, los modelos aprenden patrones estadísticos del lenguaje.
Un modelo no “entiende” literatura en sentido humano. Aprende regularidades, cosas comunes en un autor u otro. Aprende cómo se combinan palabras, estructuras narrativas y estilos retóricos.
Cuando se le pide que escriba “como Borges” o “como Hemingway”, el sistema no reproduce exactamente esos textos. Genera nuevas combinaciones que estadísticamente se parecen al estilo aprendido.
Esto plantea varios problemas culturales y jurídicos.
El primero se relaciona con el entrenamiento de los modelos. Numerosos autores han iniciado demandas contra empresas de inteligencia artificial por utilizar obras protegidas por derechos de autor en el entrenamiento de modelos generativos. Entre los casos más conocidos se encuentra la demanda presentada en Estados Unidos por escritores como Sarah Silverman, Christopher Golden y Richard Kadrey contra empresas desarrolladoras de modelos de lenguaje.
El segundo problema aparece en la fase de producción cultural.
Un editor o una empresa puede generar miles de cuentos o novelas utilizando modelos de lenguaje que imiten estilos populares. Estas obras pueden ser publicadas rápidamente en plataformas de autopublicación o distribuidas en bibliotecas digitales.
Desde el punto de vista económico, la lógica es similar a la que vimos con la música de streaming. Cuando el costo de producción se aproxima a cero, la oferta cultural puede crecer de forma explosiva.
El riesgo consiste en que el mercado se inunde de textos generados automáticamente que compitan por la atención de los lectores. No es un reemplazo directo de los escritores pero sí una imposición por manipulación de la demanda.
La economía cultural siempre estuvo limitada por la escasez de tiempo humano. Los lectores pueden leer cierta cantidad de libros por año (cada vez menos según todas las estadísticas disponible) y los oyentes pueden escuchar cierta cantidad de música (que ha aumentado sostenidamente desde los años 80s).
Cuando la oferta cultural crece de manera descontrolada, el recurso escaso pasa a ser la atención.
Este fenómeno fue analizado hace décadas por el economista Herbert Simon. En un entorno rico en información, lo que se vuelve escaso es la atención humana. De allí que ocultar algo sea más simple en un océano “inconmensurable” de datos.
A este fenómeno se suma otro factor que suele pasar desapercibido, la demanda cultural contemporánea es altamente circunstancial.
Millones de personas consumen música para estudiar, escribir, hacer ejercicio o dormir. No buscan necesariamente una obra artística específica con identidad autoral. Buscan un estímulo funcional.
Las playlists de música “para concentrarse” o “para relajarse” ilustran este fenómeno. El oyente no necesita conocer al compositor, busca una atmósfera sonora para el “mientras tanto”.
Algo similar ocurre con ciertos géneros literarios de consumo rápido. Historias breves, novelas románticas serializadas o ficciones de género altamente estandarizadas.
En estos segmentos del mercado, la inteligencia artificial puede competir con relativa facilidad. Los modelos generativos pueden producir contenido que satisface demandas funcionales.
La consecuencia puede ser una bifurcación del ecosistema cultural.
En un extremo aparecerá una enorme masa de contenido generativo producido de manera industrial. Música ambiental, textos de entretenimiento rápido e imágenes decorativas. En el otro extremo sobrevivirá la producción artística que conserve un valor asociado a la singularidad humana.
Esta tensión ya existió en otras etapas de la historia cultural. La aparición de la fotografía generó debates similares en el siglo XIX. La reproducción técnica de la obra de arte fue analizada por Walter Benjamin en un ensayo célebre publicado en 1935.
Benjamin sostenía que la reproducción técnica transformaba el “aura” de la obra artística. La copia masiva alteraba la relación entre obra, autor y espectador.
La inteligencia artificial introduce una transformación más radical porque permite producir nuevas obras sin intervención humana directa.
Frente a este escenario aparecen varias posibles estrategias para proteger la producción artística.
Una primera línea de acción se relaciona con la regulación del entrenamiento de modelos. Diversos investigadores proponen establecer mecanismos de compensación para autores cuyas obras son utilizadas en datasets de entrenamiento. Este enfoque es comparable a los sistemas de licencias colectivas existentes en la industria musical.
Otra estrategia consiste en desarrollar sistemas de “trazabilidad cultural”. Algunas iniciativas experimentan con tecnologías de marca de agua digital o certificación criptográfica para identificar obras creadas por humanos frente a las “otras“.
El objetivo sería permitir que lectores, oyentes o espectadores puedan reconocer si una obra fue generada por inteligencia artificial.
También existen propuestas relacionadas con la gestión de plataformas culturales. Si los algoritmos de recomendación priorizan contenido generado artificialmente por razones económicas, la diversidad cultural puede verse afectada.
Algunos investigadores sugieren que las plataformas deberían transparentar criterios de recomendación o establecer cuotas de contenido producido por artistas humanos.
Una tercera línea de respuesta pertenece al propio campo artístico. La historia cultural muestra que cada nueva tecnología transforma el arte en lugar de destruirlo. Como la fotografía no eliminó la pintura, el cine no eliminó el teatro, ni la televisión eliminó la literatura.
Los artistas suelen responder incorporando las nuevas herramientas en su propio proceso creativo.
La inteligencia artificial puede convertirse en una herramienta para explorar nuevas formas narrativas, musicales o visuales. Muchos escritores y músicos ya utilizan modelos generativos como instrumentos de experimentación.
La diferencia crucial reside en el control del proceso creativo. Cuando la inteligencia artificial funciona como herramienta del artista, amplía sus posibilidades expresivas. Cuando funciona como sustituto industrial de la producción cultural, altera los incentivos económicos del sistema artístico.
El desafío de los próximos años consistirá en encontrar un equilibrio entre innovación tecnológica, respeto por la identidad comunitaria y sostenibilidad cultural.
La inteligencia artificial generativa no desaparecerá. Su capacidad para producir texto, música e imágenes seguirá creciendo y mejorando.
La historia cultural demuestra que las tecnologías no determinan por sí solas el destino del arte. Las reglas institucionales, los incentivos económicos y las decisiones políticas suelen ser factores más decisivos.
Si el ecosistema cultural se organiza de tal manera que favorece sistemáticamente la producción automatizada por sobre la producción humana, los artistas no desaparecerán pero serán invisibles (inaccesibles) para los usuarios.
Como casi siempre el problema que enfrentamos, también en este campo, es quien controlará los sistemas de producción cultural, quién se beneficia, del valor agregado por el entrenamiento de la IA y de qué manera se protege la diversidad artística frente a la producción “artificial”, o mejor dicho, automatizada.
Fuentes consultadas
Benjamin, W. (1935). La obra de arte en la época de su reproducción mecánica.
Grow, K. (2017). Spotify accused of filling playlists with fake artists. Rolling Stone.
Ingham, T. (2017). The mystery of Spotify’s fake artists. Music Business Worldwide.
Simon, H. (1971). Designing organizations for an information-rich world. In Computers, Communications, and the Public Interest. Johns Hopkins University Press.
Silverman, S., Kadrey, R., & Golden, C. (2023). Silverman et al. v. OpenAI et al. United States District Court.
