La atribución de IA es la clave para desbloquear las oportunidades ilimitadas disponibles en un mundo de la música que busca adoptar la tecnología de IA generativa. Puede calmar los temores de los artistas sobre la compensación y el uso no autorizado. Puede reducir el riesgo de litigios y aumentar las ganancias de las plataformas que ofrecen productos musicales de IA generativa. Y puede dar a los propietarios de derechos más certeza sobre el alcance de la licencia, además de una participación en los ingresos más matizada y mejorada. En resumen, si se diseña e implementa de la manera correcta, la atribución de IA puede ser de gran ayuda para todo el ecosistema musical de IA generativa.
¿Qué es la atribución de IA en la industria de la música?
En el contexto de la IA generativa y la música, la atribución se refiere al proceso de intentar rastrear qué entradas de entrenamiento contribuyeron a un resultado determinado generado por la IA (y, en algunos casos, cuánto contribuyó cada entrada).
Tanto para los artistas como para los propietarios de derechos de autor y las plataformas, la atribución ofrece lo que la industria ha exigido desde los primeros días de la IA generativa: transparencia. Al iluminar lo que alguna vez fue una caja negra, la atribución brinda a los propietarios de derechos de autor visibilidad sobre si sus obras están siendo utilizadas por los sistemas de inteligencia artificial y cómo.
También crea el potencial para oportunidades de compensación más personalizadas. Cuando hoy existen acuerdos de concesión de licencias, generalmente adoptan la forma de tarifas iniciales o modelos de reparto de ingresos que no están vinculados a la contribución real de ningún trabajo específico. La atribución, en teoría, cambia ese cálculo al permitir que la compensación se vincule con un impacto rastreable.
El potencial alcista afecta a toda la industria. Para los desarrolladores de IA, la atribución podría hacer que las discusiones sobre licencias sean menos polémicas. Es mucho más fácil negociar con artistas, sellos y editores cuando existe una forma creíble de ofrecer visibilidad sobre cómo se utilizan las obras y cómo se rastrea su valor. Sistemas más transparentes también podrían brindar mayor comodidad a los inversores conscientes de la exposición legal de las plataformas de IA generativa en el clima actual. Además, esto crea una oportunidad para tener datos más específicos sobre lo que los fanáticos y creadores de música encuentran más útil en los productos de IA generativa.
Es importante destacar que la atribución ofrece más legitimidad. Las plataformas pueden señalar mecanismos de abastecimiento y compensación que sean más confiables y fáciles de aprovechar. Es más probable que los fanáticos y creadores de música, y los propietarios de derechos de autor, se asocien o utilicen plataformas de música con inteligencia artificial generativa si creen que el sistema subyacente puede explicar de dónde proviene el valor y si los derechos relevantes fueron compensados.
Relacionado
El panorama actual de la atribución
En los últimos años, se ha propuesto una variedad de métodos técnicos para investigar si determinados materiales de capacitación pueden haber influido en un resultado determinado generado por la IA. Algunos métodos comparan los resultados generados con los materiales de capacitación de los candidatos en una base de datos separada para identificar similitudes o proximidades. Otros métodos examinan el modelo de IA en sí, utilizando señales de los parámetros del modelo para estimar si, y en qué medida, determinados materiales de capacitación contribuyeron a un resultado determinado. El contenido de capacitación con marcas de agua es otro método, donde se ha sugerido la presencia de una marca de agua en la salida para indicar qué materiales de capacitación específicos contribuyeron a ella.
Sin embargo, actualmente ninguno de estos métodos proporciona respuestas seguras sobre la influencia. Algunos se basan en probabilidades, mientras que otros pueden encontrar correlaciones, lo que no necesariamente significa causalidad. A menudo, los resultados dependen de suposiciones subyacentes y, en algunos casos, del acceso a información técnica sobre el modelo de IA que puede no estar disponible en la práctica. Algunas opciones dependen de una potencia informática significativa, lo que puede resultar costoso.
Debido a que los métodos de atribución actuales conllevan varias limitaciones, puede pasar tiempo antes de que un solo enfoque sea ampliamente adoptado en toda la industria, o antes de que surjan enfoques híbridos efectivos que combinen lo mejor de estos métodos. Eso no significa que estas tecnologías no deban utilizarse. Mientras todos comprendan las limitaciones, los beneficios de estas tecnologías merecen desarrollarse porque cuanto mejores sean, mejores serán las oportunidades comerciales en el espacio musical. Y la tecnología no mejorará al ritmo que los usuarios esperan sin usarla realmente, tal vez en entornos de datos limitados (“sandboxes”) para mitigar el riesgo. Mientras tanto, a medida que estas tecnologías evolucionan, varias cuestiones importan desde la perspectiva de la contratación comercial.
Relacionado
Donde el caucho se encuentra con el camino: preguntas que vale la pena hacer en sus ofertas de música con IA
Capacidad – Antes de utilizar los datos de atribución para respaldar pagos u otras decisiones sensibles a los derechos, las partes deben preguntarse primero: ¿Es el sistema de atribución capaz de identificar el tipo de influencia que pretende compensar? Es importante preguntar esto porque, en la práctica, las capacidades (y sus limitaciones) de una herramienta de atribución se convierten en parte del acuerdo comercial de las partes. Consideremos un productor de hip-hop que cede la licencia de su catálogo a una plataforma de inteligencia artificial en virtud de un acuerdo destinado a compensarlo cuando el modelo se basa en su estilo de producción único. Posteriormente, el modelo genera una pista de un nuevo género que incorpora sus firmas de producción distintivas, pero el resultado no se parece en nada a ninguna grabación en particular del catálogo del productor. Una herramienta de atribución que busca un gran parecido con las grabaciones en una base de datos de referencia puede no arrojar ninguna coincidencia cercana con el catálogo del productor (o un nivel de confianza bajo), lo que podría dejar su contribución sin compensar a pesar de la intención de las partes en contrario.
Auditabilidad – Si los datos de atribución informarán los pagos a los propietarios de derechos de autor, debería haber visibilidad de cómo funciona el sistema y cómo se producen los resultados. ¿Qué documentación existe para describir la metodología de atribución? ¿Están permitidas o incluso posibles auditorías independientes con respecto a estas tecnologías?
Responsabilidad – Las tecnologías de atribución actuales todavía están en desarrollo y, como cualquier tecnología, no están inmunes al error. Si el sistema de atribución sobreacredita, subestima o no logra rastrear la influencia o el crédito, ¿cuáles son las consecuencias? ¿Quién debería asumir el costo de la investigación y la resolución de estas reclamaciones? ¿Existe un proceso de disputa?
Relacionado
Propiedad de los datos – los datos generados sobre la frecuencia con la que cada trabajo en un conjunto de capacitación influyó en un resultado, en qué contexto, en qué grado y otras consideraciones podrían tener un valor secundario para todos en este ecosistema. Los datos pueden revelar qué contenido de capacitación es comercialmente relevante o estilísticamente influyente, lo que puede ser útil para los profesionales de A&R a la hora de elegir qué artistas y compositores contratar; los propietarios de derechos de autor y los desarrolladores de plataformas de música con IA generativa sobre qué contenido debería valorarse más en la concesión de licencias; y a cualquier persona interesada en aprender más sobre lo que los fanáticos y creadores de música encuentran más relevante en sus mundos. ¿A quién pertenecen estos datos de atribución y cualquier análisis derivado? ¿Se pueden aprovechar estos datos de atribución para otros fines?
Si bien la tecnología de atribución de IA puede parecer un tema complejo, vale la pena que las diversas partes interesadas, creadores y tecnólogos de la música y la IA se comprometan con su desarrollo y trabajen cooperativamente para maximizar su eficacia. La implementación de una tecnología de atribución confiable podría ser de gran ayuda para todo el ecosistema de la música y la inteligencia artificial, ayudando a que el mercado de comercialización madure y brindando más certeza y mayores ingresos a sus electores.
Adrian Perry es socio del bufete de abogados global Covington & Burling, copresidente de su grupo de Industria de Medios y Entretenimiento y una fuerza impulsora detrás del trabajo de asesoramiento y transacciones de inteligencia artificial de la firma.
Nicole Canales es asociada de Covington & Burling y asesora sobre asuntos transaccionales en las prácticas de la industria musical y tecnológica de la empresa.
