Cinc programes per protegir-te dels entrenadors d'IA

L'ús d'imatges disponibles a internet per entrenar models d'intel·ligència artificial (IA) manté viva la tensió entre desenvolupadors i creadors. Mentre el debat legal continua, especialment dins la Unió Europea (UE), la realitat tècnica és clara: qualsevol fitxer publicat és vulnerable a l'extracció de dades tret que tingui restriccions explícites i mesures de seguretat reconeixibles. El 2026, la protecció d'una obra ja no dependrà d'una filigrana invisible. Les solucions més eficaces combinen l'autenticació criptogràfica, els registres d'exclusió, els protocols de control de raspatge i les garanties legals per a l'extracció de textos i dades (ETD).

Analitzem les cinc eines i marcs que defineixen l'estat actual de la protecció dels creadors contra l'entrenament no autoritzat de la IA, incorporant la perspectiva jurídica de Juan Carlos Guerrero, soci de Propietat Intel·lectual i Tecnologia a ECIJA.

Credencials de contingut

Desenvolupades per Adobe com a part de l'estàndard Coalition for Content Provenance and Authenticity (C2PA), aquestes permeten incrustar metadades criptogràfiques verificables que acrediten l'autoria, l'historial d'edició i les preferències d'ús, inclosa l'opció/etiqueta «No entrenar». A diferència de les filigranes invisibles tradicionals, integren signatures digitals i empremtes dactilogràfiques criptogràfiques en un estàndard adoptat pels mitjans de comunicació i les plataformes. No eviten la còpia, però deixen una marca verificable. Guerrero assenyala que aquestes credencials «milloren la traçabilitat i poden ser decisives per demostrar que el desenvolupador va poder identificar els drets reservats».

En la pràctica, són útils per a fotògrafs, marques i professionals que treballen en entorns compatibles amb C2PA. Safe Creative, reconeguda com a validadora oficial des de finals del 2025, incorpora el logotip CR a les obres registrades, la qual cosa permet als usuaris comprovar la informació sobre l'autenticitat, l'origen i l'edició.

Registre d'exclusió de Spawning

La plataforma Spawning promou el Registre 'Do Not Train' i l'eina 'Have I Been Trained?', que permet als usuaris comprovar si una imatge apareix en conjunts de dades específics. La seva funció principal és permetre als creadors expressar la seva oposició i permetre als desenvolupadors consultar aquesta informació abans d'entrenar models. No obstant això, l'expert assenyala que aquests sistemes «no substitueixen l'excepció de retirada prevista en la legislació europea», sinó que reforcen «la visibilitat i la traçabilitat de l'objecció del titular dels drets».

A Espanya, el règim d'explotació de textos i dades es va introduir mitjançant el Reial Decret Llei 24/2021 i permet l'ús d'obres accessibles de manera lícita per a l'ETD, tret que el titular dels drets s'hi oposi expressament. Per aquest motiu, simplement estar inclòs en un registre privat no és suficient. És essencial formular una objecció inequívoca que sigui llegible per als sistemes automatitzats. Spawning també promou el protocol ai.txt, una evolució del clàssic robots.txt adaptat per a la IA, que informa els sistemes de rastreig quin contingut no es pot utilitzar per a l'entrenament.

ImageSentinel

Aquest és un marc de recerca destinat a protegir grans col·leccions d'imatges dels models generatius. En lloc de simplement assenyalar fitxers individuals, introdueix imatges 'sentinel' en els conjunts de dades per detectar si s'ha incorporat material sense autorització. No evita l'ús, però pot proporcionar proves rellevants en cas de litigi. Tot i que encara es troba en fase acadèmica, és d'interès per a bancs d'imatges, arxius institucionals i grans repositoris.

Eines de perturbació avançades

La recerca recent, com la duta a terme per l'Organització de Recerca Científica i Industrial de la Commonwealth (CSIRO), explora mètodes que alteren subtilment els píxels de les imatges perquè els sistemes d'IA aprenguin representacions distorsionades durant l'entrenament, imperceptibles a l'ull humà.

Aquests tipus de tècniques es coneixen com a defenses adverses i representen un avenç respecte a les primeres generacions de 'soroll anti-IA', que ara es neutralitzen fàcilment amb processos automatitzats. No obstant això, requereixen coneixements tècnics per aplicar-les i no garanteixen l'exclusió de l'entrenament.

protocol ai.txt

S'integra al servidor i permet la declaració automàtica que el contingut no es pot utilitzar per a l'entrenament o el 'fine-tuning' (entrenament addicional per especialitzar models en tasques específiques). Tot i que no bloqueja les descàrregues no autoritzades ni garanteix el compliment legal, pot ser rellevant en una possible avaluació legal. Guerrero assenyala que el que importa és que l''objecció sigui inequívoca i llegible per a màquines. Si el desenvolupador no pot identificar raonablement la restricció, li serà més fàcil invocar l'excepció TDM. Per tant, no és una fortalesa, sinó més aviat una senyal tècnica per demostrar que l'objecció era detectable per processos automatitzats.

Quines eines es queden enrere?

Els sistemes de filigrana invisible de primera generació, com el projecte NO AI, o els serveis web bàsics com el primer Watermarker d'ArtShield, ara són insuficients si s'utilitzen aïlladament. L'estratègia de fer passar una imatge per generada per IA perquè els models la rebutgin ha perdut la seva eficàcia contra els sistemes d'IA més avançats. Eines com Glaze i Nightshade, que van ser disruptives el 2023, han hagut d'evolucionar per adaptar-se a models més resistents a les interferències senzilles. La seva utilitat actual és dissuasiva i depèn de l'ús de versions recents combinades amb altres mecanismes de protecció, com ara el dret d'autor legal.

Què fer si l'obra forma part d'un conjunt de dades?

Actualment no hi ha cap mecanisme automàtic per garantir l'eliminació d'una obra inclosa en un conjunt de dades d'entrenament. No obstant això, la detecció per part dels creadors és crucial: tot i que «no genera automàticament un dret a compensació, constitueix una prova fonamental si s'integra en una estratègia legal més àmplia», diu Guerrero. Les accions a dur a terme inclouen:

• Formulació o reforçament de l'excepció a la mineria de textos i de dades.
• Enviar sol·licituds de retirada o d'exclusió.
• Explorar accions legals per infracció de drets d'autor o competència deslleial, especialment si s'ignora una reserva vàlida.

Pel que fa a la compensació econòmica, tampoc no existeix un sistema general de remuneració obligatòria per a l'entrenament de la IA; depèn d'acords voluntaris, llicències específiques o litigis individuals en els quals es demostri la infracció.

Recomanacions

En un entorn de models multimodals capaços d'aprendre d'imatges, text i vídeo, la protecció contra l'entrenament no autoritzat ha deixat de ser una acció puntual i s'ha convertit en una estratègia integral.

Està ben establert que les mesures tècniques funcionen millor quan es combinen entre si i, a més, van acompanyades d'una estratègia jurídica i documental coherent. «Hi ha una diferència clara entre aquells que publiquen sense una estratègia i aquells que combinen l'oposició jurídica explícita amb un senyal tècnic llegible per a màquines i mesures de traçabilitat», sosté Guerrero. Un primer pas és registrar el procés creatiu de les obres, des dels esbossos fins al resultat final, en serveis com Safe Creative, que permet demostrar l'autoria en cas de litigi. A més, en registrar-se, aquesta plataforma inclou l'opció perquè l'autor registri la seva objecció a l'ús de la seva obra amb finalitats de formació, la qual cosa afegeix un nivell de protecció addicional.

L'advocat insisteix que: «l'estratègia correcta no és intentar fer la obra invisible, sinó dificultar que es pugui argumentar que el sistema automatitzat no ha identificat els drets reservats del titular dels drets». El fet és que en un entorn on l'estil és identitat i valor econòmic, protegir-lo exigeix el mateix professionalisme amb què es crea.