Artículos en profundidad sobre la tecnología que da forma al futuro.

Código generado por IA y copyright: 5 mitos, probados

¿Es de dominio público el código generado por IA? ¿Hereda licencias open source? Probamos 5 mitos de copyright y damos un plan de procedencia práctico.

Una balanza que equilibra hebras de código luminosas contra una pluma estilográfica, en un archivo que se desvanece.
El copyright se diseñó para plumas y autores; ahora se estira para cubrir código que nadie escribió del todo.

Un desarrollador de mi antiguo equipo me preguntó una vez, medio en broma, si las 400 líneas que Copilot acababa de escribir por él pertenecían realmente a la empresa. Nadie tenía una buena respuesta, y el departamento legal al que finalmente consultamos dio la peor: «no está claro». Esa pregunta ahora aparece en la portada de Hacker News en forma de provocación —que todo el código generado por IA debería ser open source— y el debate que hay debajo muestra lo mal que nuestras intuiciones colectivas sobre copyright, datos de entrenamiento y autoría encajan con lo que dice la ley. He pasado años entrenando modelos y publicando código escrito con ellos, así que voy a tomar las cinco creencias que más veo repetir con total seguridad y ponerlas a prueba contra lo que sabemos.

Mito 1: «El código generado por IA es de dominio público, punto final»

Este es el mito con más respaldo legal, y aun así solo es medio cierto. La Oficina de Copyright de EE. UU. ha sido coherente: el copyright protege la autoría humana, y el material generado puramente por máquinas no es registrable. Esa postura se apoya en el caso del selfie del mono (Naruto v. Slater), en el que el Noveno Circuito determinó que un macaco no podía ser dueño de la foto que había tomado, y resistió un desafío directo en Thaler v. Perlmutter, donde los tribunales se negaron a registrar una obra de arte que nombraba a una IA como único autor. Hasta aquí, todo claro.

Pero casi nadie publica software puramente generado por IA. La propia guía de la Oficina de Copyright traza la línea que importa en la práctica: usar la IA como herramienta auxiliar no anula el copyright de la obra en su conjunto, y la selección, la disposición y la modificación que hace un humano sobre el resultado de la IA puede ser, por sí misma, una expresión protegible. ¿Tu aplicación de 50.000 líneas en la que un agente escribió la mayoría de las funciones, pero un humano diseñó el sistema, eligió los límites, revisó y editó el resultado? Ese código es casi con certeza protegible en su conjunto, aunque una función generada aislada podría no serlo. La afirmación de que «todo es dominio público» se derrumba en cuanto una persona hace algo más que pegar un prompt y hacer commit del resultado.

Y EE. UU. no es el mundo. La Copyright, Designs and Patents Act del Reino Unido concede de forma explícita protección a las obras generadas por ordenador, atribuyendo la autoría a quien realizó los preparativos necesarios para su creación, durante cincuenta años. Otras jurisdicciones tienen disposiciones similares. Así que el mismo archivo puede ser no protegible en San Francisco y tener copyright en Londres. «Dominio público, punto final» no es una posición legal; es un eslogan que apunta más o menos a la doctrina de un país para un caso muy concreto.

Mito 2: «Si se entrena con código open source, la salida hereda la licencia»

Este es el motor moral del argumento de «hay que hacerlo todo open source»: los modelos han ingerido décadas de trabajo bajo GPL, MIT y Creative Commons —las respuestas de Stack Overflow llevan CC BY-SA, que legalmente exige atribución y compartir igual—, así que convertir eso en código propietario sería un «lavado de licencias». Tengo mucha simpatía por esta idea. Mi propio código AGPL está en esos conjuntos de entrenamiento. Pero como afirmación legal, ya se ha puesto a prueba y en su mayoría ha perdido.

En Doe v. GitHub, la demanda colectiva contra Copilot, el tribunal desmanteló la teoría central de que las salidas del modelo cargan automáticamente con las obligaciones de sus datos de entrenamiento. Las reclamaciones por información de gestión de derechos de autor de la DMCA fueron en gran parte desestimadas, y las reclamaciones de licencias open source fracasaron sobre todo por falta de legitimación: los demandantes no pudieron demostrar que su código se reprodujera en las salidas. El razonamiento del juez importa para tu modelo de riesgo: una licencia se aplica a una copia. Si el modelo nunca emite tu código, no hay copia, ni derivación, y nada a lo que la licencia pueda aplicarse. La influencia estadística no es copia, del mismo modo que un programador que aprendió leyendo el código fuente de Linux no le debe a la licencia del kernel todo lo que escriba después.

Aquí está la parte que la gente se salta: la excepción es real, y es la que debería quitarte el sueño. Cuando un modelo sí reproduce datos de entrenamiento casi literalmente —y los primeros modelos lo hacían con archivos open source reconocibles, a veces eliminando las cabeceras de copyright—, puedes acabar distribuyendo un derivado del código GPL o AGPL de alguien sin saberlo. Un comentarista del hilo, autor de sistemas AGPL muy usados, describió exactamente esto: una empresa le quitó los avisos, la pillaron y después un LLM «clonó» su sistema —con más errores, pero inconfundiblemente con su diseño—. Si ese clon es una obra derivada sigue sin resolverse, y es el tipo de pregunta que se responde caro, en los tribunales, caso por caso. La regla general de que «la salida hereda las licencias del entrenamiento» es falsa. La regla estrecha de que «la reproducción casi literal es un riesgo de responsabilidad real» es cierta. Los equipos inteligentes planifican para la segunda.

Grullas de origami vertidas en un embudo de cristal, saliendo como una única forma gris ambigua.
Entran millones de obras licenciadas; lo que sale no coincide con ninguna en concreto, hasta que, raramente, sí coincide.

Mito 3: «Yo escribí el prompt, así que el código es mío»

Dale la vuelta al primer mito y obtienes este, sostenido con la misma seguridad por quienes están en el otro lado del debate. La Oficina de Copyright lo abordó directamente en su informe sobre la protegibilidad: los prompts, por sí solos, generalmente no proporcionan suficiente control humano sobre los elementos expresivos de la salida como para convertir a quien escribe el prompt en autor. El prompt es una instrucción; el modelo toma las decisiones expresivas. Los tribunales llevan tiempo aplicando la misma lógica a la generación de imágenes, y el código no es distinto en esencia.

Donde se vuelve realmente interesante es en el trabajo iterativo y agéntico. Varios profesionales del debate describieron bucles en los que el agente escribe código durante veinte minutos frente a horas o días de pruebas humanas, retroalimentación del mundo real, rediseño y nuevos prompts. Ese patrón importa legalmente, porque la teoría de copyright más sólida para el trabajo asistido por IA no es la autoría de líneas individuales, sino la contribución creativa humana a la obra en su conjunto: selección, coordinación, disposición y modificación. Un sistema moldeado a lo largo de cientos de ciclos de revisión dirigidos se parece mucho más a una compilación de autoría humana que al selfie del mono. Pero fíjate en lo que implica: tu reclamación de propiedad descansa en el proceso, y un proceso que no puedes documentar es un proceso que no puedes reclamar. Si tu empresa necesita algún día hacer valer su copyright sobre esa base de código —frente a un exempleado, al equipo de diligencia de un comprador, a un competidor—, «confía en mí, hubo un humano involucrado» no es una prueba. Por eso existe la sección práctica de más abajo.

Un matiz más que rara vez sale a la luz: los contratos de empleo y de colaboración hacen de todos modos la mayor parte del trabajo real aquí. La doctrina del trabajo por encargo asigna el copyright —cualquiera que sea el copyright que exista— al empleador. Así que la cuestión práctica de la propiedad dentro de una empresa suele resolverse por contrato, independientemente de la metafísica de la autoría. La pregunta incómoda es qué está reclamando realmente el contrato si partes del entregable resultan no ser poseíbles por nadie.

Mito 4: «Obligar a que el código de IA sea open source resolvería el problema de la equidad»

Tómate la propuesta en serio por un momento y se desmorona al contacto con la realidad, por tres razones independientes. Primero, es contraproducente como mecanismo legal: las licencias open source son licencias de copyright. Existen para que un titular de derechos conceda permisos sobre algo que posee. Si el código generado por IA no es protegible, no hay nada que licenciar: MIT, GPL, todas ellas quedan nulas por falta de objeto. La única versión coherente de la propuesta es una dedicación al dominio público tipo CC0, y una dedicación que no puedes hacer cumplir no es un mandato, es un deseo.

Segundo, el alcance es inviable. Publicar código como open source no es un estado, es un acto: alguien tiene que eliminar secretos, quitar la lógica de negocio, escribir un README, elegir un repositorio. La inmensa mayoría del código del mundo es propietario, está hiperespecializado en el proceso interno de una sola empresa y ahora está, abrumadoramente, asistido por IA. ¿Qué significaría exactamente publicar todo eso de forma involuntaria? ¿Quién paga la pasada de saneamiento que evita que los datos de tus clientes acaben en el volcado? Nadie que proponga esto tiene respuesta, porque no existe. Cubrimos un modo de fallo relacionado en aplicaciones generadas por IA que se publican sin seguridad a nivel de fila: la herramienta genera con gusto código que filtra datos cuando funciona en absoluto; ahora imagina que se obligue a publicar ese código.

Tercero, ni siquiera lograría el objetivo declarado. La queja es que los proveedores de modelos se apropiaron del bien común. Obligar a los usuarios de los modelos a publicar su salida no hace que los proveedores devuelvan nada; solo le quita protección a la parte de la cadena con menos poder. Si crees que el pacto de los datos de entrenamiento fue injusto, el remedio dirigido contra quienes escribieron el código que se ha raspado apunta al objetivo equivocado. La versión más fuerte del argumento con la que realmente estoy de acuerdo es la moral, no la legal: los que nos beneficiamos enormemente de una herramienta entrenada con bienes comunes tenemos la obligación de devolver valor a ese bien común. Publica bibliotecas. Financia a los mantenedores. Sube tus correcciones aguas arriba. Pero eso es una ética que adoptar, no una ley que sobreviviría al primer contacto con un parlamento.

Mito 5: «Nuestro escáner de licencias ya se encarga de esto»

Ojalá. Las herramientas de cumplimiento de licencias —las FOSSA y Black Duck del mundo— se construyen sobre una suposición de procedencia que la IA rompe silenciosamente. Estas herramientas responden a la pregunta «¿qué incluiste?» comparando tus dependencias y archivos vendorizados con paquetes conocidos. Funcionan porque el código escrito por humanos llega por canales con metadatos: registros de paquetes, archivos copiados y pegados que conservan sus cabeceras, directorios vendorizados con los textos LICENSE intactos. El código generado por IA llega por un canal sin ningún metadato. Un modelo puede emitir treinta líneas que son una casi paráfrasis de una función de utilidad AGPL, sin cabecera, sin atribución y sin paquete con el que compararla, y tu escáner ve código original. El riesgo no está en el árbol de dependencias; está en tus archivos fuente, donde la herramienta apenas mira.

Es el mismo punto ciego que hemos encontrado en otros lugares: como en el incidente de la cadena de suministro de LiteLLM, el fallo no estaba en el código que la gente revisaba, sino en un canal en el que confiaban implícitamente. La solución en ambos casos es dejar de confiar en el canal y empezar a registrar lo que pasa por él. Eso es el seguimiento de procedencia, y es lo que tu equipo debería estar haciendo este trimestre independientemente de cómo resuelvan los tribunales, porque todos los futuros legales plausibles (el código de IA es no protegible, el código de IA es protegible si lo dirige un humano, la reproducción literal es infracción) premian al equipo que puede demostrar su trabajo y castigan al que no puede.

Un trabajador etiquetando tablones de madera que llegan por un canal marcado y por otro sin marcar.
La procedencia es un hábito: etiqueta todo en la puerta, sobre todo lo que llega por el canal sin marcar.

Qué hacer en realidad: un plan práctico de procedencia e higiene

Nada de esto requiere nuevas leyes ni nuevos proveedores. Son cuatro hábitos, todos baratos y defendibles bajo cualquiera de los futuros legales sobre la mesa.

  1. Marca la asistencia de IA en los metadatos del commit. Los trailers de Git están pensados para esto. Un trailer Assisted-By: no cuesta nada y construye un registro auditable de qué código tuvo participación de máquinas: útil para la diligencia debida, para la revisión de licencias y para demostrar el proceso creativo humano que sustenta tu reclamación de copyright.
  2. Mantén visible el bucle humano. Las descripciones de PR que dicen «código generado por el agente; reescribí la lógica de reintentos y las condiciones de borde» son evidencia legal disfrazada de buena higiene. El paso de revisión es también donde detectas el problema de la reproducción literal antes de que llegue a producción; hicimos un caso similar en comprobaciones de comprensión de código generado por IA frente a tests: el humano tiene que interactuar de verdad con la salida, no aprobarla a ciegas.
  3. Escanea el código, no solo las dependencias. Las herramientas que hacen coincidencias a nivel de fragmento contra corpus open source (distinto del escaneo SCA de dependencias) detectarán los casos casi literales que crean exposición copyleft real. Ejecútalas en los commits con mucha IA y configura los filtros de duplicación integrados de tus herramientas de IA —la opción «bloquear sugerencias que coincidan con código público» de Copilot— en el lado estricto.
  4. Trata el copyleft como la frontera. Las licencias permisivas (MIT, BSD, Apache) suponen un riesgo mínimo incluso en el peor caso de reproducción literal. GPL y especialmente AGPL son donde una derivada accidental se vuelve cara. Si tu escaneo encuentra una coincidencia con código copyleft, reescribe desde la especificación, no desde el fragmento.

La convención de trailers en los commits es la pieza de mayor palanca y es una configuración de cinco minutos. Un hook prepare-commit-msg puede pedirlo, y el CI puede exigir que el trailer exista cuando un PR esté etiquetado como asistido por IA:

#!/bin/bash
# scripts/check-provenance.sh — run in CI on pull requests
# Fails if a PR labeled "ai-assisted" has commits without an Assisted-By trailer.
set -euo pipefail
BASE="${1:-origin/main}"
missing=$(git log --format='%H %(trailers:key=Assisted-By,valueonly)' "${BASE}..HEAD" \
| awk '{ if ($2 == "") print $1 }')
if [ -n "$missing" ]; then
echo "These commits lack an 'Assisted-By:' trailer:" >&2
echo "$missing" >&2
echo "Add e.g.:  git commit --trailer 'Assisted-By: claude-code (reviewed)'" >&2
exit 1
fi
echo "Provenance trailers present on all commits."

El trailer debería registrar la herramienta y, lo que es crucial, que un humano revisó la salida: Assisted-By: copilot (reviewed) cuenta una historia muy distinta a la de Assisted-By: copilot a secas. Acompáñalo con una sección breve en el manual de ingeniería que defina qué cuenta como contribución humana significativa en tu equipo: decisiones de arquitectura, diseño de pruebas, ediciones no triviales. No lo haces porque un tribunal lo exija. Lo haces porque, salga como salga la ley, «lo registramos» gana a «no tenemos ni idea».

El veredicto

La ley no necesita resolver si el código de IA es apropiable antes de que actúes: cada resultado plausible premia al equipo que documentó su proceso y castiga al que no lo hizo.

Así que, puesto a prueba con la evidencia: el código generado por IA no es dominio público en bloque, porque la autoría humana sobre la obra en su conjunto sigue contando y las jurisdicciones no coinciden. Entrenar con código open source no convierte las salidas en open source —los tribunales han rechazado en gran medida esa teoría—, pero la reproducción literal es una responsabilidad real y poco valorada. Los prompts no te convierten en autor, aunque la dirección humana sostenida y documentada probablemente sí. Un régimen obligatorio de open source es incoherente como ley e inútil como política. Y tu escáner de licencias es ciego justo al canal que hoy produce la mayor parte de tu código. El debate sobre si el código de IA debería ser libre es una buena discusión para tener con unas cervezas. La respuesta de ingeniería no espera a ese debate: sigue la procedencia, mantén a los humanos visiblemente en el bucle, escanea a nivel de fragmento y trata el copyleft como el cable de alarma. Eso es cierto hoy, y seguirá siéndolo sin importar cómo acaben resolviendo los tribunales.