El último plan chino sobre derechos de autor no es una lista de cumplimiento para cada desarrollador de modelos. Aun así, es una señal operativa importante. La Administración Nacional de Derechos de Autor difundió el 7 de septiembre de 2026 su decimoquinto plan quinquenal de derechos de autor, emitido el 31 de agosto. El plan sitúa los servicios de derechos de autor, la aplicación de normas, la cooperación internacional y las nuevas tecnologías en una misma agenda de políticas públicas. Para un equipo de IA, una tarea de ingeniería conocida —saber de dónde procede un contenido— pasa a ser parte de un problema más amplio de preparación empresarial.
La respuesta útil no es asumir que todo uso de datos está prohibido ni esperar una norma final que conteste todas las preguntas sobre datos de entrenamiento. En su lugar, los equipos pueden hacer legibles sus decisiones actuales: registrar qué obtuvieron, bajo qué condiciones, para qué uso, quién lo aprobó y qué sucede cuando alguien presenta una reclamación creíble. Esa evidencia será útil incluso si las reglas futuras siguen una ruta distinta de la prevista.
Esto no es asesoramiento jurídico. Es un marco práctico para responsables de producto, compras, datos y seguridad que deben convertir un entorno normativo cambiante en trabajo que pueda revisarse y mejorarse.
Separar lo conocido de lo que sigue abierto
La primera disciplina es no transformar un lenguaje político amplio en una afirmación de certeza. El plan de derechos de autor es una orientación política real, y la Administración Nacional ya había señalado la IA y otros campos emergentes como ámbitos que requieren un diseño más sólido del sistema de derechos de autor. Sin embargo, el aviso del plan no ofrece una respuesta universal sobre si un corpus concreto puede utilizarse para entrenar un modelo, cómo debe tratarse cada resultado o qué contrato controlará una disputa.
La explicación del 7 de septiembre del Tribunal Popular Supremo sobre su opinión de disputas de IA resulta especialmente útil para marcar ese límite. Describe cómo pueden abordar los tribunales las reclamaciones sobre contenido generado por IA: el titular de derechos debe primero respaldar que el contenido cuestionado procede de un servicio de IA y es sustancialmente similar a la obra protegida. Cuando un desarrollador de IA invoca una defensa de no infracción, las fuentes de datos de entrenamiento, los procesos de entrenamiento y los métodos de operación pueden convertirse en prueba relevante.
La misma explicación deja sin resolver dos preguntas básicas: la protección por derechos de autor del contenido generado por IA y la caracterización jurídica de usar obras protegidas sin permiso para entrenar un modelo grande. Esas omisiones no son una razón para ignorar la orientación. Son una razón para mantener un registro de incertidumbres. Un equipo debe etiquetar una decisión como respaldada por contrato, una regla aplicable, un control técnico documentado o una suposición aún no resuelta. Tratar las cuatro categorías como si fueran iguales es una forma de volver invisible un riesgo evitable.
Construir un mapa de evidencias de datos antes de que una disputa lo exija
Un inventario de datos debe responder a más que «¿qué conjunto de datos usamos?». Empiece por el activo o conjunto de datos, el proveedor, la fecha de adquisición, las condiciones vigentes, las restricciones geográficas y de producto y el uso técnico previsto. Después capture la cadena de transformación: filtrado, anotación, deduplicación, ampliación sintética, controles de acceso y el modelo o evaluación para el que se empleó el material. Mantenga un registro versionado, porque una instantánea posterior podría no reproducir aquello con lo que el equipo realmente entrenó.
No es burocracia por sí misma. Una reclamación de derechos suele comenzar con una pregunta estrecha: ¿de dónde proceden esta imagen, documento, muestra de voz o fragmento de código? Un sistema que puede señalar un registro de origen, una ruta de aprobación y una decisión de conservación puede investigar rápido. Un sistema que solo tiene un archivo grande sin etiquetas debe reconstruir su propia historia bajo presión.
El mapa también debe exponer las lagunas. El contenido accesible públicamente, el material aportado por socios, los conjuntos de datos con licencia y el material creado internamente no son categorías intercambiables. Tienen pruebas, condiciones y modos de fallo distintos. Si una fuente carece de términos claros o de procedencia verificable, identifíquela así en vez de ascenderla silenciosamente a «autorizada». Eso permite limitar su uso, buscar un sustituto o adoptar una decisión de riesgo documentada.
Hacer a los proveedores de IA preguntas que produzcan respuestas útiles
Comprar una API de modelo o integrar una herramienta de terceros no transfiere toda la responsabilidad operativa. La orientación judicial pone el foco en el control, el papel de cada parte en la generación, la fuente de los datos de entrenamiento y las medidas para reducir el daño. Son asuntos prácticos de contratación, no solo de litigio.
Una revisión útil del proveedor solicita materiales específicos. ¿Qué casos de uso y clases de contenido cubren los términos del servicio? ¿Qué información puede aportar el proveedor sobre el origen y la gobernanza de sus datos de entrenamiento o recuperación? ¿Cómo recibe, evalúa y responde a reclamaciones de derechos? ¿Qué registros están disponibles para el cliente? ¿Qué controles existen para el material cargado por el cliente, el ajuste fino, los índices de recuperación y la salida generada?
No acepte garantías vagas como «IA responsable» en sustitución de un proceso de respuesta. Un proveedor puede proteger legítimamente detalles técnicos confidenciales, pero el cliente todavía puede pedir contactos, tiempos de escalado, avisos, compromisos contractuales y una explicación clara de las responsabilidades compartidas. Guarde la respuesta junto a la decisión de compra para que un equipo posterior no tenga que descubrirla de nuevo.
Tratar los controles de salida y la gestión de reclamaciones como funciones de producto
El riesgo de derechos de autor no termina en el entrenamiento. Los equipos de producto deben definir cómo informan los usuarios de una copia sospechada, qué información deben aportar, cómo se clasifica el informe y cuándo se limita una salida potencialmente dañina. La explicación del Tribunal Popular Supremo menciona factores como la tecnología y el modelo de negocio, el papel en la generación, las entradas de entrenamiento, las precauciones y el beneficio al valorar responsabilidad. Esos factores llevan a una pregunta sencilla de producto: ¿puede el servicio explicar qué ocurrió y tomar una medida proporcionada?
En un producto de consumo, esto puede significar una vía visible de reporte, un identificador de caso y un modo de detener la generación repetida ante un patrón abusivo de prompts. En un sistema empresarial, también puede incluir registros por espacio de trabajo, controles administrativos, ajustes de conservación y una ruta de escalado documentada. El control apropiado depende del producto. Lo que no debería variar es la capacidad de preservar pruebas sin exponer innecesariamente datos privados del cliente.
Los equipos deberían probar el proceso con un ejercicio de mesa. Elija una reclamación hipotética sobre una imagen generada o un pasaje recuperado. Mida cuánto tarda en identificar la cuenta, los registros relevantes, la versión del modelo, los registros de origen y las acciones disponibles. El ejercicio suele revelar que datos, legal, soporte e ingeniería emplean identificadores o ventanas de conservación incompatibles. Descubrirlo antes de una reclamación real es el objetivo.
Hacer revisable el trabajo interno asistido por IA
La nueva orientación judicial también habla directamente a quienes usan IA para preparar materiales de litigio: los usuarios siguen siendo responsables de comprobar la exactitud de los escritos asistidos por IA y de revelar esa asistencia cuando sea necesario. La lección más amplia se aplica fuera de los tribunales. Una salida de IA no se convierte en fuente solo porque tenga una redacción fluida.
Cree una regla interna para documentos con consecuencias importantes: la persona que redacta identifica las afirmaciones fácticas, conserva las fuentes primarias, registra el modelo o herramienta usados cuando sea pertinente y asigna a un revisor humano con autoridad para corregir o rechazar el resultado. Es especialmente importante para resúmenes de políticas, afirmaciones de producto, análisis de derechos y comunicaciones con clientes. Una cita inventada por el modelo, o una norma que cambió después de redactar el texto, puede crear un problema mucho mayor que una errata ordinaria.
El objetivo no es prohibir la asistencia de IA. Es preservar la diferencia entre un borrador asistivo y una afirmación verificada. Esa distinción permite usar automatización sin fingir que el texto automatizado ha establecido un hecho de forma independiente.
Mantener una revisión periódica de preparación
Una revisión mensual o trimestral puede convertir este marco en una operación normal. Revise nuevas fuentes de datos, cambios materiales de proveedores, reclamaciones abiertas, hallazgos de incidentes, cobertura de registros y supuestos jurídicos sin resolver. Siga un conjunto reducido de medidas basadas en evidencias: la proporción de conjuntos de datos activos con términos documentados, el tiempo para reunir un expediente de reclamación, el porcentaje de proveedores de alto riesgo con un contacto de escalado y la antigüedad de las lagunas de procedencia no resueltas.
No use ese cuadro de mando para afirmar cumplimiento jurídico allí donde la ley sigue siendo incierta. Su propósito es más modesto y más útil: mostrar si la organización puede explicar sus prácticas actuales, corregir una debilidad conocida y tomar la siguiente decisión con mejor información.
La dirección de la política china y la orientación judicial hacen que esa capacidad sea cada vez más valiosa. No eliminan las difíciles preguntas sobre el entrenamiento de IA y la titularidad. Pero hacen más difícil justificar no tener respuesta alguna cuando un cliente, creador, regulador o tribunal pregunta cómo se construyó y controló un sistema.
Combinamos fuentes primarias, documentación de producto y casos de uso reales para ayudarte a valorar si una herramienta encaja en tu flujo de trabajo.