En 2019, escribí sobre la necesidad de higiene de los datos en el período previo al lanzamiento del Mechanical Licensing Collective (MLC). Mi argumento entonces era sencillo: si los editores de música querían operar eficazmente en un entorno más basado en datos, tenían que tomarse en serio la calidad, coherencia y accesibilidad de su información. Siete años después, los editores se preguntan de manera destacada: ¿Cómo aprovechamos la IA?
Para muchos editores de música, la IA puede resultar realmente útil. Pero demasiadas organizaciones están empezando en el lugar equivocado. Comienzan preguntando qué proveedor utilizar, qué modelo probar o qué tan rápido pueden implementar una nueva herramienta. Esas no son las preguntas correctas. El verdadero punto de partida es mucho más simple: ¿qué es exactamente lo que estamos tratando de arreglar?
El verdadero problema
Para la mayoría de los editores de música, el verdadero obstáculo no está relacionado con la tecnología. Más bien, es fragmentación, el mismo problema que tenían en 2019. Agregar más tecnología a cualquier problema rara vez lo resuelve. De hecho, cuando los sistemas, los flujos de trabajo y las responsabilidades no están alineados, las herramientas de inteligencia artificial no generan claridad. Más bien, amplifican la inconsistencia, resaltan las contradicciones y hacen más visibles los cimientos débiles.
En mi experiencia, suelen aparecer tres obstáculos estructurales.
Identidad: ¿De qué obra estamos hablando? Esto suena elemental, pero rara vez lo es. La misma composición, grabación o escritor puede existir bajo múltiples identificadores en diferentes sistemas. Los títulos pueden variar, los nombres pueden tener un formato diferente y los metadatos pueden estar incompletos en un lugar y duplicados en otro. Cuando este es el caso, incluso la comparación simple se vuelve más difícil de lo que debería ser.
Lógica: Los cálculos de regalías rara vez son sólo fórmulas. Son una acumulación de términos contractuales, decisiones políticas, excepciones históricas, soluciones operativas y memoria institucional. Parte de esa lógica vive en el software, parte vive en la documentación y parte vive sólo en las cabezas de las personas que han mantenido unido el sistema durante años. Si los editores no pueden explicar claramente cómo se aplica una regla, no deben esperar que una capa de IA aplique esa regla de manera confiable.
Linaje: En el sector editorial, la confianza depende de poder responder a una pregunta básica: ¿Cómo llegamos a este número? Esa pregunta se vuelve crítica cuando un pago de regalías parece incorrecto, cuando dos sistemas producen resultados contradictorios o cuando los líderes quieren tener confianza en que una recomendación puede verificarse. Si no se puede rastrear el camino desde los datos originales hasta el resultado informado, la IA sólo aumentará el problema. Para que la infraestructura de derechos musicales se automatice, primero debe ser explicable.
Relacionado
La confianza y la eficacia de la IA no dependerán de lo impresionante que parezca una demostración. Dependerá de si alguien dentro de la empresa puede seguir el camino desde los datos hasta el resultado y comprender lo que sucedió en cada paso. Los sistemas de IA sólo serán tan inteligentes como las estructuras en las que operan.
¿Estás listo?
Para ayudar a identificar y solucionar estos obstáculos, a menudo recomiendo que los editores comiencen con una evaluación externa de la preparación de la IA en lugar de pasar directamente a la implementación. Una revisión externa crea una distancia útil con respecto a las suposiciones que se desarrollan con el tiempo dentro de cualquier organización y ayuda a sacar a la luz dónde los sistemas se contradicen entre sí, dónde las responsabilidades no están claras y dónde la empresa conlleva riesgos operativos ocultos. Hace explícito lo implícito.
Una buena evaluación no consiste en frenar la innovación. Se trata de tomar mejores decisiones antes. Debería aclarar cómo se mueve realmente el trabajo a través de la organización, dónde residen los datos críticos, qué dependencias son frágiles y qué casos de uso vale la pena seguir primero. Ese proceso siempre debe incluir entrevistas con las partes interesadas, una revisión de la calidad de los datos y la fragmentación del sistema, y un análisis práctico de dónde puede ayudar la IA y dónde es probable que cree más complejidad que valor. El objetivo no es una estrategia teórica de IA, sino más bien una hoja de ruta fundamentada de 12 a 18 meses sobre la que el liderazgo pueda actuar de inmediato. Esto puede parecer menos emocionante que comprar una nueva herramienta, pero evitar la inversión incorrecta en IA suele ser más valioso que encontrar la correcta unas semanas antes.
La industria de la música no necesita más teatro con IA. Necesita más claridad operativa. Los editores que más se benefician de la IA no serán necesariamente los que dieron el primer paso. Serán ellos los que se tomaron el tiempo para comprender sus propios sistemas, alinear sus flujos de trabajo y crear un entorno en el que se pueda confiar en la inteligencia. La IA puede crear absolutamente valor en la publicación, pero sólo después de que los editores sepan para qué necesitan la tecnología.
Guy Barash es el fundador y director ejecutivo de Dotted Eighth LLC, una firma boutique de asesoría tecnológica que trabaja en la intersección de la música, los datos y la tecnología emergente. En este puesto, asesora a organizaciones musicales, empresas de tecnología, nuevas empresas y otros que prestan servicios a la industria musical sobre los datos y la tecnología que impulsan los derechos musicales. Con una formación que incluye una amplia experiencia editorial y más de 20 años como compositor, Barash se destaca en navegar por los intrincados dominios creativos, legales y técnicos con los que se enfrenta la industria musical día tras día.
