Art. 4 Directiva 2019/790: la base legal del Text and Data Mining sobre fuentes públicas
Hay equipos de datos que llevan años operando sobre fuentes públicas sin saber exactamente qué terreno legal pisan. No porque actúen de mala fe, sino porque la norma que los ampara —el Art. 4 de la Directiva (UE) 2019/790— ha circulado en el debate académico y jurídico sin llegar nunca del todo a los equipos técnicos y de producto que más la necesitan.
Ese vacío tiene consecuencias. Proyectos ralentizados por dudas legales internas. Proveedores de datos cuestionados sin criterio claro. Oportunidades de análisis descartadas por precaución mal informada.
Este post no es un análisis jurídico exhaustivo. Es una lectura operativa del artículo: qué habilita, qué no cubre y qué significa en la práctica para cualquier organización que trabaje con datos derivados del universo público de Internet.
Qué dice el Art. 4 y por qué importa ahora
La Directiva (UE) 2019/790, sobre derechos de autor en el mercado único digital, introdujo en su Art. 4 una excepción específica para el Text and Data Mining (TDM). La excepción permite realizar reproducciones y extracciones de obras y otros materiales protegidos con el fin de llevar a cabo TDM, siempre que se cumplan dos condiciones:
- El acceso al contenido es lícito (la fuente es de acceso público o existe autorización).
- El titular de derechos no ha reservado expresamente ese uso mediante medios adecuados.
El matiz del punto dos es decisivo. La norma parte de un principio de apertura: el TDM está permitido por defecto sobre fuentes públicas, salvo que el titular lo haya excluido de forma expresa y legible por máquinas. No es el analista quien debe justificar su acceso; es el titular quien debe restringirlo activamente si no lo desea.
En España, esta excepción quedó incorporada al ordenamiento a través del Art. 67 bis de la Ley de Propiedad Intelectual (LPI), con una redacción alineada con la Directiva.
Qué habilita en la práctica: señales, tendencias e insights
El TDM amparado por el Art. 4 no es un derecho a redistribuir contenidos ajenos. Es un derecho a procesarlos con fines analíticos: identificar patrones, extraer señales, detectar tendencias, construir modelos, generar métricas.
Lo que produce ese procesamiento no es una copia del contenido original. Es análisis derivado: agregaciones estadísticas, clasificaciones temáticas, indicadores de frecuencia, mapas de menciones, vectores semánticos. Ninguno de esos productos reproduce la obra fuente; todos son creaciones analíticas independientes.
Esta distinción es central. Un informe de monitorización de menciones sobre un sector, generado a partir de miles de fuentes públicas, no es una recopilación de artículos. Es una síntesis analítica original. El Art. 4 habilita exactamente ese tipo de operación.
Para los equipos de producto y datos, esto tiene implicaciones concretas:
- Los modelos de IA entrenados sobre fuentes públicas de acceso lícito tienen cobertura bajo el Art. 4 cuando el uso es analítico, no reproductivo.
- Las bases de datos de señales construidas mediante TDM sobre el universo público de Internet no requieren licencia individual de cada fuente procesada.
- Los sistemas de alerta y monitorización que procesan texto en tiempo real para detectar menciones o tendencias operan dentro del marco habilitado por la excepción.
Los límites que la norma sí establece
El Art. 4 no es un cheque en blanco. Tres límites operativos merecen atención específica.
Acceso lícito. La excepción solo aplica si el acceso inicial al contenido es legítimo. No cubre el procesamiento de contenidos obtenidos a través de sistemas que exigen autenticación o pago sin autorización. Las fuentes públicas —accesibles a cualquier usuario sin restricción técnica ni contractual— son el perímetro natural de aplicación.
Reserva expresa del titular. Si un editor o plataforma ha establecido de forma legible por máquinas (por ejemplo, mediante directivas en el archivo robots.txt u otros mecanismos técnicos equivalentes) que excluye el TDM, esa reserva debe ser respetada. El debate sobre qué constituye una "reserva adecuada" sigue abierto en distintas jurisdicciones, pero el principio es claro: la exclusión debe ser activa, no implícita.
Finalidad analítica, no reproductiva. Los resultados del TDM deben ser análisis derivado, no reproducciones del contenido fuente. Almacenar los textos originales más allá del tiempo necesario para el procesamiento, o redistribuirlos como producto en sí mismos, sale del perímetro de la excepción.
Por qué el marco legal es también una ventaja competitiva
Hay una lectura estratégica que pocas organizaciones hacen: el Art. 4 no solo elimina riesgos legales, también crea ventaja de escala para quienes operan con infraestructura adecuada.
Una organización que procesa el universo público de Internet dentro del marco TDM puede construir señales analíticas sobre millones de fuentes sin negociar acuerdos individuales de licencia. Esa capacidad de escala —operar sobre el conjunto, no sobre una selección— es estructuralmente distinta de lo que permiten las APIs de medios individuales o los acuerdos de contenido tradicionales.
La infraestructura que soporta ese procesamiento a escala no es trivial. Requiere indexación continua, análisis semántico, clasificación temática, y sistemas de atribución que garanticen que el producto final es análisis derivado y no reproducción. Es precisamente esa capa técnica y analítica la que convierte el marco legal del Art. 4 en una capacidad operativa real.
En TrawlingWeb, el modelo de análisis del universo público de Internet está construido sobre estos principios desde el origen: procesamiento lícito de fuentes públicas, generación de análisis derivado, y entrega de señales e insights sin reproducción de contenidos de terceros.
El debate que viene: IA generativa y TDM
El Art. 4 fue redactado antes de que los modelos de lenguaje de gran escala (LLM) ocuparan el centro del debate sobre propiedad intelectual. La tensión entre el entrenamiento de modelos de IA y los derechos de autor está produciendo interpretaciones divergentes en distintas jurisdicciones, con litigios activos en Estados Unidos, Reino Unido y la Unión Europea.
El núcleo del debate es si el entrenamiento de un LLM sobre texto protegido constituye TDM en el sentido del Art. 4 —y por tanto está amparado— o si produce una forma de reproducción que requiere licencia específica. La respuesta no es única: depende de qué se entrena, sobre qué fuentes, con qué finalidad y qué produce el modelo resultante.
Lo que sí es claro es que las organizaciones que han construido su infraestructura analítica sobre fuentes de acceso lícito, con trazabilidad del procesamiento y sin redistribución de contenidos originales, parten de una posición mucho más sólida en ese debate.
El Art. 4 no resuelve todos los problemas jurídicos del análisis de datos a escala. Pero ofrece una base sólida y deliberadamente diseñada para habilitar el TDM sobre fuentes públicas. Conocerla en detalle —no solo en abstracto— es una condición necesaria para cualquier equipo que tome decisiones sobre infraestructura de datos, modelos analíticos o productos basados en señales del universo público de Internet.