Art. 4 Directiva 2019/790: qué pasa cuando el TDM alimenta modelos de IA

El Art. 4 de la Directiva (UE) 2019/790 lleva años interpretándose casi en exclusiva desde un ángulo académico o de investigación científica. La razón es histórica: cuando se redactó la norma, el caso de uso dominante del Text and Data Mining (TDM) era el análisis de corpus científicos o periodísticos para estudios sectoriales. Los modelos de lenguaje de gran escala (LLMs) y los sistemas de IA generativa no eran todavía el destino masivo de los datos procesados.

Hoy ese escenario ha cambiado por completo. El TDM ya no termina en un informe de tendencias. Con frecuencia creciente, termina en un dataset de entrenamiento. Y eso abre una pregunta que los equipos técnicos y legales no pueden seguir postergando: ¿el Art. 4 cubre el uso de datos obtenidos mediante TDM cuando el destino es entrenar un modelo de IA?

La respuesta no es ni un sí limpio ni un no absoluto. Depende de varios factores operativos que conviene tener claros antes de diseñar cualquier pipeline de datos.

La excepción del Art. 4 no es un cheque en blanco

El Art. 4 de la Directiva 2019/790 establece una excepción a los derechos de autor para el TDM realizado con fines distintos de la investigación científica. Es decir, permite a cualquier persona u organización procesar contenido al que tiene acceso legítimo para extraer patrones, tendencias o información, siempre que las copias generadas en ese proceso no se conserven más tiempo del técnicamente necesario.

Ahí está el primer punto de fricción real. Cuando el TDM se usa para entrenar un modelo, las copias de los datos de entrenamiento —o derivados muy próximos— suelen conservarse durante ciclos largos: versiones del modelo, conjuntos de validación, registros de auditoría. La norma no prohíbe esto explícitamente, pero tampoco lo prevé de forma inequívoca. El margen de interpretación es real y relevante.

El segundo punto es el opt-out del titular de derechos. El Art. 4 permite que los editores y autores reserven expresamente sus derechos frente al TDM con fines no científicos. Si una fuente pública ha activado esa reserva —mediante robots.txt, avisos legales o mecanismos técnicos— y el pipeline de datos la ignora, la excepción deja de aplicarse. El dato sigue siendo públicamente accesible, pero su procesamiento para TDM ya no está amparado.

Qué diferencia el TDM analítico del TDM para entrenamiento

En el TDM orientado al análisis —detección de señales, monitorización de menciones, identificación de tendencias—, el dato original se transforma en un resultado agregado. El texto de partida no viaja al destino final. Lo que llega al usuario o al sistema es una señal derivada: una frecuencia, una categoría, una puntuación de sentimiento, una alerta.

En el TDM orientado al entrenamiento de IA, la relación con el dato original es diferente. El modelo no recibe la señal derivada; recibe el texto —o una representación muy próxima— para aprender patrones lingüísticos o semánticos. La transformación existe, pero la proximidad al original es mayor. Eso cambia la exposición legal, aunque el marco normativo aún no haya dibujado una línea nítida entre ambos casos.

La distinción operativa importa porque define qué documentación hay que tener lista si alguien cuestiona el uso. Para TDM analítico, basta con acreditar acceso legítimo a las fuentes y ausencia de conservación innecesaria. Para TDM orientado a entrenamiento, conviene añadir un registro de las fuentes procesadas, la verificación del estado de opt-out en cada una y una descripción del nivel de transformación aplicado al dato antes de incorporarlo al corpus de entrenamiento.

El Art. 67 bis LPI y la transposición española

España transpuso el Art. 4 mediante el Art. 67 bis de la Ley de Propiedad Intelectual. La redacción sigue de cerca el texto europeo, pero introduce un matiz relevante en la descripción de los beneficiarios: habla de "cualquier persona" con acceso legítimo, lo que refuerza la aplicabilidad a actores comerciales y no solo a instituciones de investigación.

Sin embargo, la transposición española no resuelve la cuestión del entrenamiento de IA como destino específico del TDM. El legislador nacional, como el europeo, trabajó con un supuesto de uso más acotado. La práctica ha superado a la norma. Eso significa que las organizaciones que usan TDM para alimentar modelos de IA están operando en un espacio donde la cobertura legal es real pero los límites no están jurisprudencialmente consolidados.

En ese contexto, la infraestructura técnica que soporta el procesamiento importa tanto como la interpretación jurídica. Un pipeline que no registra las fuentes, que no verifica el estado de opt-out o que no documenta el nivel de transformación aplicado al dato es un pipeline que, ante cualquier controversia, no puede demostrar que operó dentro del marco.

Lo que el equipo técnico necesita saber antes de diseñar el pipeline

Tres preguntas concretas que hay que responder antes de poner en marcha cualquier proceso de TDM orientado a entrenamiento de IA:

1. ¿Cuál es el acceso legítimo a cada fuente? No basta con que la fuente sea pública. El acceso legítimo implica que no existe restricción técnica activa ni reserva de derechos expresamente comunicada. Este inventario de fuentes debe mantenerse actualizado, porque el estado de opt-out puede cambiar.

2. ¿Qué nivel de transformación se aplica antes de incorporar el dato al corpus? Un tokenizado básico no transforma el dato de forma sustancial. Una extracción semántica con eliminación del texto original sí lo hace. Cuanto mayor es la transformación, más sólida es la posición frente a cualquier reclamación de reproducción no autorizada.

3. ¿Cuánto tiempo se conservan los datos de entrenamiento y bajo qué formato? La norma exige que las copias no se conserven más tiempo del técnicamente necesario. En un ciclo de entrenamiento de IA, "técnicamente necesario" es un concepto que hay que definir de forma explícita y documentada, no dejarlo implícito.

Plataformas como TrawlingWeb trabajan con este marco desde el origen: el procesamiento de fuentes públicas se diseña para producir análisis derivado, no para redistribuir contenido original. Esa arquitectura de base es la que permite operar con cobertura legal clara, tanto para TDM analítico como para casos de uso que implican modelos de IA.

La norma seguirá siendo la misma; el uso del dato, no

El Art. 4 de la Directiva 2019/790 no va a reescribirse en el corto plazo. Lo que sí va a evolucionar es la interpretación judicial y administrativa sobre hasta dónde llega su cobertura cuando el destino del TDM es el entrenamiento de sistemas de IA. Ya hay organismos reguladores europeos analizando este cruce entre la Directiva de derechos de autor y el AI Act.

El momento de preparar la documentación técnica y legal no es cuando llega la primera reclamación. Es ahora, mientras el pipeline aún puede diseñarse con los controles adecuados. Las organizaciones que esperen a que la jurisprudencia consolide los límites estarán reaccionando, no anticipando. Y en datos, anticipar siempre sale más barato.