Las principales compañías tecnológicas del mundo utilizaron videos de YouTube de medios reconocidos como The New York Times, The Washington Post, Vox y la BBC para entrenar sus modelos de inteligencia artificial, según una investigación publicada por The Atlantic.
El relevamiento identificó que más de 15 millones de videos fueron incluidos en conjuntos de datos empleados por Microsoft, Meta, Snap, Runway y ByteDance, entre otros. Estos videos, tomados sin autorización, se usaron para desarrollar o perfeccionar modelos generativos de video, capaces de recrear escenas, imágenes y voces humanas a partir de texto.
Quiénes aparecen en los conjuntos de datos
El análisis detectó cientos de miles de videos pertenecientes a los principales medios internacionales. Solo los canales de Fox News aportaron cerca de 88.000 videos, mientras que ABC News y Good Morning America sumaron unos 70.000. Bloomberg contribuyó con 55.000, y Vox Media con más de 30.000 provenientes de sus distintas marcas, entre ellas The Verge y The Dodo.
El canal oficial de The New York Times apareció en 11 conjuntos de datos diferentes, con 11.600 videos, de los cuales 8.000 fueron utilizados por Runway para entrenar su modelo Gen-3, un sistema de generación de video respaldado por Salesforce, Google y Nvidia.
Cómo se usaron los videos
Los documentos internos de Runway revelan que los videos de noticieros se consideraban materiales de alta calidad para enseñar a los modelos a reproducir gestos humanos, narraciones o escenas con presentadores. Los videos del Wall Street Journal fueron etiquetados con descripciones como «gráficos y demostraciones»; los de The Washington Post, con «presentadores y tomas b-roll»; y los de The New York Times, con «humanos hablando» o «revueltos de huevos» para el canal NYT Cooking.
Este tipo de clasificación ayudó a que los modelos aprendieran la estructura visual del periodismo audiovisual. Según los investigadores, fue una contribución decisiva para la mejora de los generadores de video de IA.
Las respuestas de los medios
Las empresas periodísticas denunciaron el uso no autorizado de su contenido. Un portavoz del Times afirmó que el diario «no ha autorizado el uso de sus videos en YouTube para entrenar modelos de inteligencia artificial» y que continuará investigando posibles infracciones a su propiedad intelectual. Vox Media, por su parte, señaló que las plataformas de IA invierten millones en infraestructura pero «gastan casi nada en los contenidos que dan sentido a sus modelos».
Algunos medios, como Vox Media, firmaron acuerdos posteriores con OpenAI para permitir el uso de su contenido de forma legal. Otros, como The New York Times, mantienen demandas en curso contra OpenAI y Microsoft por el uso de sus artículos sin permiso.
Investigación y uso comercial
Los conjuntos de datos utilizados por las compañías incluyen colecciones de investigación como HD-VILA-100M, creada por Microsoft Research Asia, y YT-Temporal-180M, desarrollada por la Universidad de Washington y el Allen Institute for AI. Estas bases fueron compartidas públicamente en plataformas como Hugging Face, donde continúan disponibles para descarga.
Algunos de estos conjuntos fueron aprovechados para crear modelos comerciales como Make-A-Video de Meta, MagicVideo de ByteDance y Gen-3 de Runway. Empresas de entretenimiento como Netflix y Disney ya integran estas tecnologías en sus procesos de producción audiovisual.
Entre el uso justo y la extracción masiva
Los creadores independientes también fueron incluidos en las bases de datos. Canales como The David Pakman Show y The Majority Report detectaron miles de videos suyos en los conjuntos de entrenamiento sin que nadie les pidiera permiso. Sus conductores señalaron que, a diferencia del uso de fragmentos con fines de análisis o comentario, el uso masivo por parte de las compañías tecnológicas representa una extracción de propiedad intelectual sin reciprocidad.
Bajo las normas de YouTube, los creadores conservan los derechos de autor de sus videos y solo la propia plataforma puede usar parte de ese material para entrenar sus modelos Gemini o Veo. La descarga y uso por terceros, como demostró la investigación, viola los términos del servicio.
Un conflicto abierto
El caso expone una nueva frontera en la relación entre tecnología y periodismo: la reutilización de contenidos informativos para el desarrollo de inteligencia artificial sin licencia ni compensación. Para los medios, está en juego la protección de su trabajo y la sostenibilidad del periodismo. Para las tecnológicas, el acceso a grandes volúmenes de datos sigue siendo el combustible esencial de la innovación en IA.
