Resumen
Este reporte investiga cómo la obra visual publicada en internet se convirtió en materia prima para modelos generativos de imagen y video. A partir de fuentes técnicas, institucionales, judiciales y sectoriales, EstadoRed reconstruye la cadena que va de la imagen visible al dato entrenable: plataformas, portafolios, archivos abiertos, rastreos web, datasets imagen-texto, filtros algorítmicos y modelos generativos.

La investigación sostiene que la IA generativa no inventó la vulnerabilidad de los artistas visuales: la industrializó. Antes de que estos sistemas pudieran producir imágenes a partir de texto, millones de artistas, ilustradores, fotógrafos, diseñadores, animadores y trabajadores visuales ya habían sido empujados a publicar su obra como portafolio, archivo, reputación y mecanismo de supervivencia profesional.

El reporte analiza esa vulnerabilidad desde tres dimensiones: la cadena técnica que volvió entrenable la cultura visual de internet; la precariedad económica que obligó a los artistas a hacerse visibles; y la adopción industrial de IA en cine, animación, VFX y producción audiovisual. Su conclusión central es que no basta con proteger imágenes aisladas: es necesario proteger condiciones de creación, consentimiento, trazabilidad, compensación, crédito y trabajo humano.

La IA generativa no inauguró la vulnerabilidad de los artistas visuales: la industrializó. Antes de que los modelos pudieran crear imágenes y videos a partir de texto, internet ya había convertido millones de obras en contenido visible, etiquetado, indexable y económicamente necesario para sus autores.

La IA generativa de imagen y video no apareció frente a una comunidad artística protegida, estable y bien remunerada. Apareció sobre una web visual construida durante décadas para ser rastreada, indexada, etiquetada y monetizada por plataformas. Antes de que un modelo pudiera generar imágenes a partir de texto, millones de artistas ya habían sido empujados a publicar su obra como portafolio, archivo, tienda, reputación, comunidad y prueba de existencia profesional.

Este reporte parte de una premisa: la IA generativa no inventó la vulnerabilidad de los artistas visuales; la industrializó. La imagen vulnerable no era solo la imagen visible, sino la imagen visible y legible por máquinas: una obra acompañada por títulos, etiquetas, descripciones, alt text, nombres de autor, estilos, metadatos y contextos de circulación. Esa combinación convirtió la cultura visual publicada en internet en material rastreable, clasificable y entrenable.

La cadena técnica puede reconstruirse con relativa claridad en casos abiertos como Stable Diffusion. La web abierta fue rastreada por infraestructuras como Common Crawl; proyectos como la organización alemana, LAION, extrajeron pares imagen-texto desde esos rastreos; modelos como CLIP de OpenAI permitieron filtrar la relación semántica entre imagen y descripción; después se construyeron subconjuntos por idioma, resolución o criterios estéticos; finalmente, modelos generativos aprendieron relaciones estadísticas entre lenguaje e imagen para producir nuevas salidas visuales (Common Crawl, s. f.; Schuhmann et al., 2021; Schuhmann et al., 2022; CompVis, s. f.).

Las obras no llegaron a esta cadena por una sola puerta. Llegaron por una ecología de visibilidad formada por comunidades artísticas, portafolios profesionales, archivos fotográficos, redes sociales, plataformas de reposteo, bancos de imágenes, museos, repositorios abiertos y rastreos web. DeviantArt mostró el conflicto comunitario; ArtStation expuso la reacción de artistas profesionales frente a la IA; Behance y Flickr revelan que la conversión de portafolios e imágenes públicas en datasets precede al boom generativo de 2022.

En 2016 un equipo de investigadores publicó un repositorios de 100 millones de objetos multimedia extraídos de Flickr con todo y etiquetas. Otro de estos trabajos fue publicado en 2017  por un grupo de investigadores. El paper titulado «BAM! The Behance Artistic Media Dataset for Recognition Beyond Photography» realizó investigaciones a partir de una base de datos con 85 mil imágense de Flickr y 14 mil imágenes de Wikipedia, entre otras bases de datos, El repositorio quedó abierto para la consulta pública. (DeviantArt, 2022; ArtStation, 2022; Wilber et al., 2017; Thomee et al., 2015).

La vulnerabilidad técnica fue también económica. Muchos artistas no publicaban porque quisieran entregar su obra a sistemas de entrenamiento, sino porque la visibilidad se volvió condición de trabajo. La autopromoción digital sustituyó o complementó galerías, contactos profesionales y mercados locales. Un portafolio en línea podía ser al mismo tiempo currículum, vitrina, archivo, tienda y mecanismo de supervivencia.

En América Latina, el problema debe leerse con mayor crudeza. La IA no inaugura la crisis de los artistas visuales latinoamericanos; llega sobre una precariedad previa marcada por informalidad, concentración urbana, debilidad de derechos intelectuales, baja protección social, dependencia de becas y necesidad de autopromoción digital (CEPAL, 2024; OIT, 2024; UNESCO, 2018).

Frente a la extracción, los artistas no respondieron como un bloque homogéneo. Algunos llevaron el conflicto a tribunales; otros protestaron dentro de plataformas; algunos rechazan la IA generativa como modelo extractivo completo; otros sostienen posiciones matizadas; y también existen artistas que incorporan IA bajo condiciones propias, con datasets curados, archivos autorizados o dirección humana explícita.

Al mismo tiempo, la IA generativa ya está entrando en la industria audiovisual. No como reemplazo total e inmediato del cine, sino por capas: moodboards, concept art, storyboard, pitch, previsualización, fondos, assets, edición, efectos visuales, pruebas de estilo y modelos personalizados de estudio. Casos como la colaboración entre Lionsgate y Runway muestran que los grandes actores audiovisuales ya exploran cómo insertar IA en etapas específicas de producción (Lionsgate, 2024; CVL Economics, 2024).

El reporte concluye que no basta con proteger imágenes aisladas. Hay que proteger condiciones: consentimiento antes del entrenamiento, trazabilidad de datasets, auditoría de fuentes, licencias claras, compensación, crédito, negociación laboral, derecho a exclusión efectiva y modelos de producción donde la IA pueda ampliar capacidades humanas sin convertir la cultura visual en una mina de extracción sin retorno para sus autores.

Metodología

Este reporte se construye a partir de una revisión documental de fuentes técnicas, institucionales, judiciales, periodísticas y sectoriales. La investigación distingue entre evidencia técnica documentada, evidencia institucional y económica, evidencia judicial y política, y evidencia industrial.

La investigación evita presentar como hechos cerrados aquellas afirmaciones que siguen bajo litigio o que dependen de información no pública. En modelos cerrados, donde las fuentes de entrenamiento no son transparentes, se distingue entre documentación oficial, indicios, demandas, investigaciones periodísticas y prácticas reportadas por la industria.

El objetivo no es sostener que toda IA generativa usa los mismos datos ni que todos los artistas enfrentan el mismo riesgo, sino reconstruir la cadena de vulnerabilidad que convirtió la cultura visual publicada en internet en una fuente estratégica para modelos generativos.

Introducción

La imagen vulnerable

Durante años, internet le pidió a los artistas que se hicieran visibles. Les pidió portafolios, redes sociales, portafolios en línea, tiendas digitales, videos de proceso, biografías y más presencia algorítmica. Para muchos publicar no era una forma de regalar su obra. Era una forma de existir profesionalmente. Incluso el plagio de las obras que publicaban en la Red comenzó a ser considerado una manera de promoción entre algunos círculos de artistas.

La visibilidad se volvió requisito laboral. Quien no aparecía en buscadores y posteriormente en Instagram o Devianart corría el riesgo de no ser encontrado por clientes, estudios, editoriales, galerías, marcas, becas, convocatorias o audiencias. La obra debía circular para probar que el artista existía. Debía estar acompañada por metadatos y señales de actividad. Internet no solo ofreció difusión: organizó la supervivencia creativa alrededor de la exposición. Más tarde explicaremos por que los metadatos facilitaron el uso de obras para entrenamiento de modelos.

Cuando llegó la IA generativa de imagen y video, esa exposición ya estaba ahí. Millones de imágenes no solo eran visibles para humanos; eran legibles para máquinas. Estaban publicadas en por toda la Red. Muchas estaban asociadas a texto alternativo, captions, etiquetas, nombres de autor, categorías estéticas y contextos de circulación. Esa capa lingüística hizo que la imagen pudiera convertirse en dato. La IA generativa no encontró un archivo artístico protegido. Encontró una economía visual expuesta.

Antes de que los modelos pudieran producir imágenes a partir de un prompt, internet ya había convertido la visibilidad en condición de trabajo y la publicación en infraestructura. Los artistas necesitaban mostrarse para sobrevivir; las plataformas necesitaban que publicaran para crecer; los sistemas de rastreo necesitaban páginas accesibles; los datasets necesitaban pares imagen-texto; los modelos necesitaban relaciones estadísticas entre lenguaje e imagen.

El objetivo no es sostener una oposición simple entre arte humano e IA. Tampoco presentar a los artistas como un bloque homogéneo ni negar que existan usos creativos, experimentales o industriales de IA con dirección humana. El objetivo es documentar bajo qué condiciones la cultura visual publicada se volvió entrenable, quiénes quedaron expuestos, qué actores capturaron valor y qué preguntas mínimas deben responderse antes de normalizar la integración de IA en procesos creativos.

La pregunta central ya no es solo si una máquina puede crear imágenes. La pregunta es qué sociedad permitió convertir obras, nombres, estilos y trayectorias humanas en infraestructura entrenable, y qué condiciones serán necesarias para que la creación asistida por IA no se levante sobre la vulnerabilidad de quienes crean.

1. La cadena técnica

De imagen publicada a dato entrenable

La IA generativa de imagen no empezó en el momento en que una persona escribió un prompt y obtuvo una ilustración, una fotografía sintética o un video. Empezó antes, en una web organizada para ser rastreada. Durante años, diversos sitios y plataformas acumularon imágenes acompañadas por texto. Esa combinación de imagen y lenguaje fue la condición material que permitió convertir cultura visual en dato entrenable.

Una imagen en internet rara vez aparece sola. Puede estar acompañada por un título, una descripción, un nombre de archivo, texto alternativo, etiquetas, comentarios, metadatos, categorías, nombre de autor, licencia, ubicación, estilo, plataforma de origen o contexto de publicación. Para una persona, esas capas ayudan a entender qué está viendo. Para un sistema computacional, permiten asociar una representación visual con una representación lingüística.

Common Crawl es una de las infraestructuras que permiten entender esa escala. Su función no es entrenar modelos de IA por sí misma, sino archivar páginas de la web abierta en formatos procesables para investigación, análisis y extracción de datos. Sus archivos web pueden ser utilizados por terceros para buscar patrones, textos, enlaces, imágenes o estructuras de página (Common Crawl, s. f.).

A partir de ese tipo de rastreos, proyectos como LAION construyeron datasets de pares imagen-texto. LAION-400M fue presentado como un conjunto de 400 millones de pares filtrados con CLIP. Después, LAION-5B amplió la escala a 5.85 mil millones de pares imagen-texto filtrados con CLIP. El dato es importante no solo por su tamaño, sino por lo que revela sobre el método: la extracción masiva no se limitó a guardar imágenes, sino a construir relaciones entre imágenes y lenguaje para que modelos multimodales pudieran aprender de ellas (Schuhmann et al., 2021; Schuhmann et al., 2022).

CLIP cumple una función central en esa cadena. En términos generales, permite calcular la proximidad entre una imagen y un texto dentro de un espacio de representación compartido. Si una imagen y su descripción parecen corresponderse, el par puede conservarse; si la relación parece débil, puede descartarse. Esto no significa que el sistema entienda una imagen como lo haría una persona. Significa que puede ordenar grandes cantidades de pares según una métrica algorítmica de correspondencia.

Después del filtrado semántico vinieron otras formas de jerarquización. No todas las imágenes recolectadas fueron tratadas igual. Algunos subconjuntos se organizaron por idioma, resolución, calidad o criterios estéticos. Esta capa es decisiva porque muestra que la cadena no solo rastreó imágenes: también las clasificó, filtró y ordenó según criterios de utilidad para el entrenamiento.

Stable Diffusion es uno de los casos más importantes porque permite reconstruir parte de la cadena con mayor trazabilidad que en modelos cerrados. Sus documentos técnicos y model cards registran el uso de LAION-5B y subconjuntos derivados para entrenamiento. El modelo no opera como una galería que consulta obras específicas cada vez que genera una imagen. Aprende relaciones estadísticas entre lenguaje e imagen durante el entrenamiento y luego produce nuevas salidas desde representaciones latentes (CompVis, s. f.; Stable Diffusion v1-5, s. f.).

En video, la cadena se vuelve más compleja. Los modelos generativos audiovisuales pueden partir de entrenamiento con imágenes, pares video-texto, secuencias temporales, subtítulos, descripciones, clips, archivos de stock o material de alta calidad usado para ajuste fino. A diferencia de Stable Diffusion, muchos modelos comerciales de video ofrecen menos información pública sobre sus datos de entrenamiento. Por eso, esta investigación distingue entre lo que puede afirmarse con documentación técnica y lo que permanece bajo opacidad empresarial.

La cadena técnica no debe entenderse como un acto único de extracción. Es una secuencia: publicación, contextualización, rastreo, extracción, filtrado, jerarquización, entrenamiento y generación. En cada etapa se pierde algo del contexto original. Una obra deja de ser una pieza situada en la trayectoria de un artista y se vuelve una URL; después, un par imagen-texto; después, un embedding; después, parte de un subconjunto; después, una contribución estadística a una capacidad generativa.

El consentimiento llegó después. Las etiquetas NoAI, los registros de exclusión, los debates sobre robots.txt, las políticas de opt-out y las promesas de trazabilidad aparecieron cuando la cadena ya había demostrado que podía operar a escala. Primero se construyó la infraestructura de extracción; después se discutió si los creadores podían salir de ella.

Como conclusión de esta primera parte de la investigación encontramos que la IA generativa no extrajo solamente imágenes. Extrajo imágenes con lenguaje, metadatos, clasificación y contexto social. La web convirtió la obra en contenido visible; los datasets la convirtieron en par imagen-texto; los filtros la convirtieron en dato entrenable; los modelos la convirtieron en capacidad visual.

2. La ecología de visibilidad

Plataformas, portafolios y archivos abiertos

Las imágenes no llegaron a la IA generativa por una sola puerta. Llegaron por una ecología de visibilidad. No todas estas superficies participaron de la misma manera ni con el mismo nivel de evidencia, pero juntas muestran una transformación profunda: publicar una imagen dejó de significar únicamente mostrarla a una audiencia humana.

DeviantArt condensa la tensión entre comunidad, archivo y plataforma. Durante años funcionó como espacio de publicación, pertenencia y descubrimiento para artistas digitales, ilustradores, fotógrafos, creadores de fan art, diseñadores de personajes y comunidades visuales enteras. Tras el lanzamiento de DreamUp, la plataforma anunció mecanismos de exclusión y sostuvo que no había autorizado que tecnologías externas usaran obras de sus usuarios para entrenar modelos. También reconoció que contenidos de plataformas de creadores habían sido recolectados desde la web abierta por datasets usados para IA (DeviantArt, 2022).

ArtStation representa otra superficie de vulnerabilidad. Su peso está más vinculado al portafolio profesional: concept artists, ilustradores de videojuegos, artistas de cine, diseñadores de mundos, modeladores, animadores y creadores visuales para industrias de entretenimiento. Las protestas No AI Art que ocuparon la plataforma en 2022 no fueron solo una reacción estética. Fueron una defensa laboral. La plataforma respondió con una etiqueta NoAI y una metaetiqueta HTML para declarar que el contenido no debía ser usado por sistemas de IA (ArtStation, 2022).

Behance permite mirar un antecedente menos discutido. Antes del boom público de la IA generativa, portafolios profesionales ya habían sido usados para construir datasets académicos de análisis visual. El caso de BAM, el Behance Artistic Media Dataset, muestra que la conversión de obras publicadas en plataformas creativas en datos para aprendizaje automático precede a la explosión de herramientas como Stable Diffusion o Midjourney (Wilber et al., 2017).

Flickr ofrece otro antecedente decisivo. El dataset YFCC100M reunió alrededor de cien millones de fotos y videos alojados en Flickr bajo licencias Creative Commons, con metadatos asociados. A diferencia de otros casos más opacos, aquí había una capa de licenciamiento abierto. Pero el caso sigue siendo relevante porque normalizó una lógica: imágenes compartidas públicamente podían convertirse en infraestructura de investigación computacional a gran escala (Thomee et al., 2015).

Pinterest, Tumblr, Instagram, Twitter/X y otras plataformas de circulación secundaria agregan otra capa al problema. En estos espacios, muchas imágenes no circulan únicamente desde sus autores originales. Circulan como referencias, moodboards, memes, capturas, fan art, inspiración visual, reposts o archivos personales de usuarios. Una obra puede separarse de su autoría, perder contexto, recibir nuevas etiquetas, mezclarse con imágenes similares y aparecer en colecciones temáticas que no fueron creadas por el artista.

Wikimedia Commons, museos, archivos patrimoniales y repositorios abiertos plantean una pregunta distinta. En estos casos no siempre se trata de infracción o extracción opaca. Muchas imágenes pueden estar en dominio público, bajo licencias abiertas o disponibles para uso educativo y cultural. Pero eso no elimina la tensión. Una cosa es abrir archivos para conocimiento público, memoria, investigación o difusión cultural; otra es incorporarlos a sistemas comerciales capaces de generar outputs que compiten dentro de mercados visuales.

Esta ecología de visibilidad obliga a abandonar una idea simplista: la imagen no llegó a los modelos por una sola filtración, robo o base de datos secreta. Llegó por una red de prácticas que internet había normalizado durante años: publicar para ser visto, etiquetar para ser encontrado, licenciar para circular, repostear para inspirarse, archivar para preservar, indexar para buscar, rastrear para analizar y extraer para entrenar.

En conclusión, las obras no llegaron a la IA por una sola puerta. Llegaron por una ecología de visibilidad formada por portafolios profesionales, comunidades artísticas, archivos fotográficos, plataformas de reposteo, redes sociales, archivos abiertos y rastreos web.

3. La economía de la exposición

Por qué los artistas estaban tan visibles

La cadena técnica explica cómo una imagen publicada pudo convertirse en dato entrenable. Pero no explica por sí sola por qué había tantas imágenes disponibles. Para entenderlo hay que mirar la economía que empujó a artistas a publicar de manera constante. La exposición no fue solo una condición técnica de internet. Fue una condición laboral.

Durante las últimas dos décadas, la visibilidad digital se volvió parte del trabajo creativo. Tener un portafolio en línea dejó de ser un complemento y se convirtió en una forma de existencia profesional. Para muchos artistas visuales, publicar obra en plataformas como Behance, ArtStation, DeviantArt, Instagram, Tumblr, Flickr, Pinterest, X, páginas personales o tiendas digitales era una manera de conseguir clientes, comisiones, becas, convocatorias, contratos, seguidores, compradores, editoriales, galerías o estudios interesados. En México, la autogestión digital de artistas visuales ha sido analizada como mecanismo de resistencia frente a la precarización laboral y como reconfiguración del campo artístico (Gayol Massimi, 2022).

La lógica era sencilla y brutal: quien no era visible, no era encontrable. Y quien no era encontrable quedaba fuera de encargos, audiencias, oportunidades y redes de recomendación. En ese entorno, el artista no publicaba solamente para mostrar obra terminada. Publicaba bocetos, pruebas y documentación de distintas fases del proceso creativo.

Esa visibilidad no era neutral. Las plataformas la ordenaban mediante algoritmos. Un portafolio o una cuenta social no solo mostraba trabajo: traducía trayectoria artística en datos de plataforma. Número de vistas, likes, comentarios, compartidos, guardados, etiquetas, rankings, seguidores o posiciones en tendencias se volvieron señales de valor.

El problema se vuelve más claro cuando se distingue entre el mercado del arte y la economía real de los artistas. El mercado global del arte puede mover miles de millones de dólares en galerías, ferias, subastas, coleccionismo y ventas privadas. Pero esa cifra agregada no representa las condiciones de la mayoría de quienes producen imágenes. UNESCO ha señalado desafíos persistentes en protección social, remuneración, movilidad y condiciones laborales de artistas, y una encuesta reciente encontró que 62% de participantes consideraba pobre o nula la protección de sus derechos económicos y sociales (UNESCO, 2019; UNESCO, 2025).

Gran parte de esa economía opera de manera fragmentada donde prevalecieron figuras de precarización laboral entre ellas el freelance, los pagos por proyecto, comisiones individuales, contratos temporales, colaboraciones mal remuneradas, concursos, convocatorias, becas, residencias, encargos editoriales, trabajo por pieza, venta de prints, suscripciones, patrocinios pequeños, enseñanza, diseño comercial, empleos paralelos y periodos sin ingresos. Estudios sobre México han documentado condiciones precarias y bajos ingresos entre artistas, incluso cuando existe alta escolaridad (Sánchez Daza, 2019).

La IA generativa llegó a esa economía de exposición. No encontró un campo artístico protegido, sino una infraestructura visual ya organizada alrededor de la disponibilidad. El mismo gesto que permitía conseguir clientes o comunidad podía volver la imagen legible para datasets. Una obra publicada como portafolio podía ser tratada como dato; un estilo personal, construido durante años para diferenciarse en un mercado saturado, podía volverse una etiqueta útil para generar imágenes similares.

La preocupación de muchos artistas no se limita a que una obra específica sea reproducida sin permiso. El temor es más amplio: que clientes, estudios o usuarios puedan invocar un nombre, un estilo o una estética cercana para obtener una imagen “suficientemente buena” sin contratar al artista. En mercados precarizados, esa sustitución parcial puede ser suficiente para reducir ingresos.

Por eso, la discusión no puede reducirse a una defensa romántica del arte. La pregunta no es si los artistas deben adaptarse o no a nuevas herramientas. La pregunta es bajo qué condiciones se introduce una tecnología que fue entrenada, directa o indirectamente, con material producido por trabajadores que no necesariamente dieron consentimiento, recibieron compensación o conservaron capacidad de negociación.

En conclusión: la vulnerabilidad técnica fue también económica. Muchos artistas no publicaban porque quisieran entregar su obra a sistemas de entrenamiento, sino porque la visibilidad se volvió condición de trabajo.

4. América Latina

Crisis cultural previa a la IA

La discusión sobre IA generativa y artistas visuales suele estar dominada por casos de Estados Unidos y Europa: demandas en tribunales federales, artistas de concept art vinculados a la industria del entretenimiento, plataformas globales, sindicatos audiovisuales, estudios de Hollywood y debates sobre copyright en jurisdicciones con mayor capacidad litigante. Pero, en América Latina, la IA llega a un campo cultural que ya vivía precariedad, informalidad, baja protección social, concentración de oportunidades y dependencia de plataformas.

En la región, muchos artistas visuales, audiovisuales y trabajadores culturales entraron al siglo XXI en condiciones frágiles: mercados locales limitados, instituciones con recursos insuficientes y una amplia zona de trabajo informal. CEPAL ha documentado que entre 2013 y 2022 América Latina registró el menor crecimiento del número de ocupados desde 1950 y que la mayoría de los nuevos empleos fueron informales (CEPAL, 2024).

Internet ofreció una salida parcial. Permitió mostrar obra fuera del circuito local y acceder a referentes internacionales. Para artistas fuera de centros culturales dominantes, la red podía compensar aislamiento geográfico, falta de galerías, ausencia de agentes o debilidad de mercados locales. Pero esa misma salida aumentó la exposición.

En América Latina, la imagen vulnerable no fue solamente una imagen publicada. Fue la imagen de un trabajador cultural que muchas veces no tenía seguridad social suficiente, ingreso estable, asesoría legal, sindicato, representación colectiva o infraestructura institucional para defender su obra frente a empresas globales. UNESCO recogió en un foro sobre la condición de artista en Ciudad de México que la condición de los artistas visuales en América Latina, respecto al ejercicio de sus derechos intelectuales, es de gran precariedad (UNESCO, 2018).

La informalidad regional agrava el problema. La OIT ha señalado que la informalidad es un detonante de pobreza laboral en América Latina y el Caribe, y que una proporción muy alta de trabajadores pobres se encuentra en condiciones de informalidad (OIT, 2024). Muchos trabajadores culturales combinan docencia, diseño, ilustración, fotografía, producción audiovisual, gestión cultural, ventas ocasionales, proyectos institucionales, encargos privados, trabajo editorial, publicidad, animación, ferias, talleres o empleos no artísticos.

La situación latinoamericana también obliga a mirar la brecha entre cultura como riqueza simbólica y cultura como trabajo precario. En México, la Cuenta Satélite de la Cultura reportó en 2023 más de 1.4 millones de puestos de trabajo vinculados al sector cultural, equivalentes a 3.5% del total de la economía (INEGI, 2024). Pero ese peso económico no corrige por sí mismo la intermitencia, los pagos bajos, la dependencia de convocatorias, la informalidad o la debilidad de defensa jurídica que viven muchos creadores.

La IA generativa entra en ese terreno como una segunda presión. No llega a reemplazar un sistema estable, sino a reorganizar un campo ya debilitado. Si un cliente puede pedir imágenes “tipo” ilustración editorial por IA, el primer golpe puede caer sobre encargos pequeños. Si una agencia puede resolver moodboards, bocetos o variaciones sin contratar a un artista, se reduce una fuente de ingresos de entrada. Si una institución cultural adopta IA para abaratar diseño, comunicación o materiales visuales, puede desplazar trabajo local.

La lengua es otro factor. Gran parte de la discusión técnica, legal y política sobre datasets, model cards, opt-out, licencias, demandas y herramientas de auditoría ocurre en inglés. Muchos artistas latinoamericanos pueden usar plataformas globales sin acceder plenamente a las discusiones donde se definen sus derechos, mecanismos de exclusión o formas de reclamación. La asimetría lingüística amplía la brecha de poder.

También hay un problema de archivo. América Latina tiene enormes zonas de cultura visual insuficientemente documentada, mal preservada o dispersa en redes, blogs, páginas institucionales, archivos personales y plataformas. Para muchos artistas, publicar en internet ha sido una forma de construir archivo donde las instituciones no lo hicieron. La IA generativa puede apropiarse de esa disponibilidad sin preservar el contexto histórico, comunitario o territorial de las imágenes.

En América Latina, proteger imágenes aisladas será insuficiente. Hay que proteger condiciones: seguridad social, contratos, licencias, gestión colectiva, educación jurídica, herramientas de auditoría, capacidad de opt-out real, negociación con plataformas, financiamiento cultural, archivos soberanos y políticas públicas que entiendan la creación visual como trabajo.

Conclusión: en América Latina, la imagen vulnerable no fue solo la imagen publicada; fue la imagen de un trabajador cultural sin suficiente protección laboral, obligado a convertir internet en portafolio, mercado, archivo, vitrina y prueba de existencia profesional.

5. Los artistas frente a la extracción

Demandas, protestas, rechazo, matices y agencia

La cadena técnica muestra cómo la obra visual publicada pudo convertirse en dato entrenable. La economía de la exposición explica por qué tantos artistas estaban obligados a publicar. Pero el conflicto no se entiende completo hasta mirar la respuesta de los propios creadores. Frente a la IA generativa, los artistas no actuaron como un bloque homogéneo.

La primera gran respuesta visible fue jurídica. En enero de 2023, Sarah Andersen, Kelly McKernan y Karla Ortiz presentaron una demanda colectiva contra Stability AI, Midjourney y DeviantArt. El caso, conocido como Andersen v. Stability AI, se volvió una de las disputas centrales sobre arte, copyright e IA generativa. El litigio ha tenido modificaciones, reclamaciones descartadas y nuevas versiones; por eso debe tratarse con precisión: no hay una sentencia definitiva que resuelva todo el fondo, pero sí existe un proceso judicial que mantiene vivas preguntas centrales sobre entrenamiento, uso de obras protegidas, generación de outputs y daño económico (Copyright Alliance, s. f.; AI Lawsuit Tracker, s. f.; Reuters, 2024; The Verge, 2024).

Kelly McKernan se volvió uno de los rostros más claros de esa disputa. Según TIME, McKernan descubrió que usuarios de herramientas como Midjourney y Stable Diffusion podían usar su nombre como palabra clave para generar imágenes cercanas a su estilo visual (TIME, 2023). El problema no era solo ver una imagen parecida, sino ver cómo una trayectoria artística se volvía una instrucción reutilizable por otros.

Greg Rutkowski representa otro caso paradigmático: el estilo convertido en etiqueta masiva. Rutkowski, artista polaco asociado con ilustración fantástica y concept art, se volvió uno de los nombres más usados en prompts de generadores de imagen. Hyperallergic documentó en 2022 que su nombre había sido usado de forma extendida para producir imágenes en un estilo asociado a su trabajo, y que el artista rechazaba esa situación (Sharp, 2022).

Karla Ortiz llevó el conflicto más allá de la experiencia individual. Además de participar en el litigio, presentó testimonio ante el Senado de Estados Unidos sobre IA generativa y derechos de creadores (Ortiz, 2023). Su intervención es relevante porque traduce la demanda de artistas a lenguaje de política pública: consentimiento, compensación, regulación, derechos de autor, transparencia y responsabilidad empresarial.

Las protestas en plataformas mostraron otra forma de respuesta colectiva. En ArtStation, artistas subieron imágenes de No AI Art como protesta contra la presencia de obras generadas por IA y contra el uso de portafolios profesionales como posible materia de entrenamiento. La plataforma respondió con una etiqueta NoAI y una metaetiqueta HTML para declarar que el contenido no debía ser usado por sistemas de IA (ArtStation, 2022).

DeviantArt enfrentó una crisis similar tras el lanzamiento de DreamUp. La plataforma anunció que todas las “deviations” quedarían etiquetadas automáticamente como no autorizadas para uso en datasets de IA, y afirmó que los generadores habían sido entrenados con datasets recolectados de la web abierta, incluidos contenidos de plataformas como DeviantArt, Pinterest y Twitter, sin permiso de DeviantArt ni de sus usuarios (DeviantArt, 2022).

También hay artistas que rechazan la IA generativa como modelo completo, no solo como práctica mal regulada. Para esta posición, el problema no se resuelve con mejores prompts, créditos simbólicos o herramientas de opt-out. El problema es que la IA generativa comercial se construyó sobre una extracción masiva de trabajo humano no remunerado, y después se vende como herramienta capaz de reducir la necesidad de contratar a quienes produjeron el imaginario de entrenamiento.

Esa postura frontal convive con posiciones más matizadas. Algunos artistas establecidos, protegidos por galerías, coleccionistas, obra física, prestigio institucional o mercado propio, pueden ver la IA como una amenaza menor o como una tecnología más dentro de una larga historia de apropiación, copia, referencia y automatización. Otros artistas no la rechazan por principio, pero exigen consentimiento, licencias, trazabilidad y compensación. Otros la usan con archivos propios, modelos entrenados con obra autorizada, experimentación conceptual o procesos donde la dirección humana sigue siendo central (UNESCO, 2023; Lovato et al., 2024).

El hallazgo central es que la IA generativa no solo disputó imágenes. Disputó nombres, estilos, trayectorias y futuros encargos. La obra publicada dejó de ser solo una pieza visible; se volvió parte de una red de asociaciones que podía alimentar sistemas capaces de producir imágenes nuevas bajo instrucciones textuales.

6. La IA ya entró al cine

Producción audiovisual, VFX y herramientas generativas

La IA generativa no es solo un problema de artistas independientes ni una disputa limitada a plataformas de imagen. También entró a la industria audiovisual. Su incorporación no ocurre como reemplazo total e inmediato del cine, sino por capas de preproducción. El cine no está siendo sustituido de golpe; está siendo reconfigurado por dentro.

El uso más extendido y difícil de documentar probablemente ocurre en preproducción. Herramientas como Midjourney, Stable Diffusion, DALL-E, Runway, Pika, Luma y otros sistemas permiten generar referencias visuales con rapidez. Un equipo puede producir moodboards, atmósferas, mundos, personajes, variaciones de iluminación, ideas de vestuario, pruebas de composición, imágenes de pitch o secuencias exploratorias antes de contratar una cadena completa de producción.

El concept art y el storyboard son zonas especialmente sensibles. Tradicionalmente, estas fases permitían a artistas explorar ideas, proponer lenguajes visuales, construir mundos y traducir guiones en imágenes. También eran puertas de entrada para talento junior. Si una herramienta generativa reduce la necesidad de contratar artistas para bocetos iniciales, moodboards o variaciones rápidas, puede cambiar la estructura laboral desde la base.

La adopción industrial formal se volvió más visible con el acuerdo entre Lionsgate y Runway anunciado en septiembre de 2024. Las empresas informaron una colaboración para crear y entrenar un modelo generativo personalizado con el portafolio propietario de cine y televisión de Lionsgate. El comunicado presentó la herramienta como apoyo para cineastas, directores y talento creativo, orientado a aumentar su trabajo y crear oportunidades de generación cinematográfica controlable (Lionsgate, 2024).

El acuerdo Lionsgate-Runway también permite distinguir regímenes de datos. No es lo mismo entrenar o ajustar sistemas con web abierta opaca que hacerlo con material propietario, licenciado o controlado por un estudio. En teoría, los catálogos propios reducen algunos riesgos de copyright externo. Pero no eliminan las preguntas laborales. Un catálogo puede pertenecer legalmente a un estudio, pero haber sido producido por miles de personas.

La industria de VFX y animación es otra zona de impacto. La IA generativa puede asistir en fondos, rotoscopía, limpieza de imagen, creación de assets, texturas, variaciones, composición, interpolación, previsualización, animación de personajes, generación de movimientos o síntesis de elementos visuales. Algunas de estas funciones pueden ahorrar tiempo y ampliar posibilidades para equipos pequeños. Pero también pueden presionar tarifas, reducir puestos, acelerar entregas y concentrar trabajo en menos personas con más herramientas.

El reporte Future Unscripted analizó el impacto de la IA generativa en empleos de cine, televisión y animación. Entre sus hallazgos, advirtió que el 21.4% de los trabajos podría ver tareas consolidadas, reemplazadas o eliminadas por IA generativa en Estados Unidos hacia 2026 (CVL Economics, 2024). Aunque esas cifras no deben trasladarse automáticamente a todos los países o sectores, sí muestran que la preocupación laboral ya no es hipotética.

También existe un campo experimental de cine con IA. Festivales como Runway AI Film Festival y cortos generativos muestran que hay creadores explorando nuevas formas visuales, narrativas y de producción (Runway, s. f.). Para cineastas independientes, artistas audiovisuales o equipos con pocos recursos, las herramientas generativas pueden abrir posibilidades de prototipado, experimentación, animación, composición o visualización que antes requerían presupuestos inaccesibles.

La tensión está en que la misma herramienta que permite a un creador independiente producir una pieza experimental puede permitir a un estudio reducir contrataciones. La tecnología no tiene un único efecto. En manos de un artista con archivo propio, puede ampliar lenguaje. En manos de una empresa con presión por bajar costos, puede funcionar como sustituto. Por eso, el debate debe mirar usos concretos, no promesas generales.

El hallazgo de esta sección es que el cine no está siendo reemplazado de golpe por IA; está siendo reconfigurado por dentro, etapa por etapa. La pregunta ya no es si la IA entrará a la producción audiovisual, sino bajo qué datos, contratos, créditos, protecciones laborales y formas de autoría.

7. Qué se puede proteger

Consentimiento, trazabilidad, crédito y condiciones

El recorrido del reporte muestra que el problema no puede resolverse protegiendo únicamente imágenes aisladas. La IA generativa no disputó solo archivos visuales; disputó relaciones entre obra, lenguaje, nombre, estilo, mercado, archivo y trabajo. Por eso, cualquier respuesta seria debe ir más allá de preguntar si una imagen específica fue copiada. Hay que preguntar qué condiciones permiten que una obra, una trayectoria o una cultura visual se conviertan en insumo de sistemas generativos.

La primera condición es el consentimiento antes del entrenamiento. El opt-out posterior es insuficiente cuando la extracción ya ocurrió. Las etiquetas NoAI, los registros de exclusión y las señales de plataforma pueden ser útiles, pero no sustituyen un modelo donde los creadores decidan previamente si sus obras pueden usarse para entrenar IA. El consentimiento debe ser claro, informado, verificable y revocable (UNESCO, 2023; Kyi et al., 2025).

La segunda condición es trazabilidad. Los artistas y trabajadores culturales necesitan saber si sus obras fueron usadas, en qué dataset, bajo qué licencia, con qué propósito y por quién. Sin trazabilidad, no hay posibilidad real de consentimiento, compensación ni reclamación (UNESCO, 2023; Kyi et al., 2025).

La tercera condición es compensación. Si una empresa obtiene valor comercial a partir de obras, estilos, archivos o catálogos, debe existir una discusión sobre reparto de valor. La compensación puede tomar distintas formas: licencias, pagos colectivos, regalías, fondos para creadores, acuerdos sindicales, modelos opt-in remunerados, contratos de catálogo, contribuciones a sociedades de gestión o mecanismos de reparto proporcional (UNESCO, 2023; Lovato et al., 2024).

La cuarta condición es crédito. En arte, cine, música, diseño, fotografía, animación y VFX, el crédito no es un adorno. Es reputación, trayectoria, empleabilidad y memoria profesional. Cuando sistemas de IA se entrenan con obras humanas o se usan dentro de procesos audiovisuales, el crédito se vuelve más difícil de asignar, pero no menos necesario (Lovato et al., 2024; Kyi et al., 2025).

La quinta condición es protección laboral. La IA generativa debe negociarse en contratos, convenios, sindicatos, gremios, asociaciones y políticas públicas. No basta con prometer que será una herramienta para aumentar el trabajo humano. Las empresas deben especificar cómo se usará, qué tareas puede automatizar, qué puestos pueden verse afectados, qué compensaciones habrá, qué derechos conserva cada trabajador y qué límites existen para usar obras, voces, rostros, estilos, archivos o procesos creativos (CVL Economics, 2024; UNESCO, 2019).

La sexta condición es soberanía sobre archivos. Museos, universidades, estudios, instituciones públicas, archivos comunitarios, bibliotecas, colecciones personales y plataformas culturales deben decidir cómo se usan sus fondos visuales en entrenamiento de IA. Abrir un archivo para consulta, educación o memoria no equivale automáticamente a autorizar su explotación comercial en sistemas generativos (UNESCO, 2023).

Los modelos con datos propios o curados pueden ser una vía menos extractiva, pero no son solución automática. Un estudio que entrena con su catálogo evita algunos conflictos con obras externas, pero debe resolver derechos laborales de quienes produjeron ese catálogo. Un artista que entrena con su propia obra puede ejercer autonomía, pero necesita infraestructura, conocimiento técnico y capacidad económica. Una institución que entrena con su archivo puede crear herramientas de acceso o preservación, pero debe cuidar consentimiento, contexto y representación.

La pregunta final no es si la IA puede crear imágenes. Puede hacerlo. Tampoco es si los artistas deben usar o rechazar la IA. Habrá artistas que la usen, artistas que la rechacen, artistas que negocien y artistas que construyan lenguajes nuevos. La pregunta política es otra: bajo qué condiciones una sociedad permite que obras, nombres, estilos, archivos y trayectorias humanas se conviertan en infraestructura entrenable.

El cierre del reporte es este: no basta con proteger imágenes. Hay que proteger condiciones. La cultura visual no es un recurso natural esperando ser extraído. Es trabajo humano, memoria social, oficio, archivo, comunidad, mercado, identidad y trayectoria. Cualquier tecnología que aprenda de ella debe responder ante quienes la hicieron posible.

Conclusión

La IA generativa no apareció frente a una comunidad artística protegida, sino frente a una economía visual ya expuesta. Tomó forma en una web construida para ser rastreada, etiquetada y clasificada; encontró artistas obligados a publicar para sobrevivir; se insertó en industrias audiovisuales que ya buscan reducir costos; y abrió una disputa sobre quién controla el valor de la cultura visual.

La pregunta no es solo si una máquina puede crear imágenes. La pregunta es qué sociedad permitió convertir obras, nombres, estilos y trayectorias humanas en infraestructura entrenable, y qué condiciones serían necesarias para que la IA amplíe la creación sin borrar a quienes crean.

Referencias

Common Crawl. (s. f.). Get started. Common Crawl. https://commoncrawl.org/get-started

Schuhmann, C., Vencu, R., Beaumont, R., Kaczmarczyk, R., Mullis, C., Katta, A., Coombes, T., Jitsev, J., & Komatsuzaki, A. (2021). LAION-400M: Open dataset of CLIP-filtered 400 million image-text pairs. arXiv. https://arxiv.org/abs/2111.02114

Schuhmann, C., Beaumont, R., Vencu, R., Gordon, C., Wightman, R., Cherti, M., Coombes, T., Katta, A., Mullis, C., Wortsman, M., Schramowski, P., Kundurthy, S., Crowson, K., Schmidt, L., Kaczmarczyk, R., & Jitsev, J. (2022). LAION-5B: An open large-scale dataset for training next generation image-text models. arXiv. https://arxiv.org/abs/2210.08402

CompVis. (s. f.). Stable Diffusion v1-1 model card. Hugging Face. https://huggingface.co/CompVis/stable-diffusion-v1-1

Stable Diffusion v1-5. (s. f.). Stable Diffusion v1-5 model card. Hugging Face. https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5

Wilber, M. J., Fang, C., Jin, H., Hertzmann, A., Collomosse, J., & Belongie, S. (2017). BAM! The Behance Artistic Media Dataset for recognition beyond photography. arXiv. https://arxiv.org/abs/1704.08614

Thomee, B., Shamma, D. A., Friedland, G., Elizalde, B., Ni, K., Poland, D., Borth, D., & Li, L.-J. (2015). YFCC100M: The new data in multimedia research. arXiv. https://arxiv.org/abs/1503.01817

Plataformas, artistas y litigios

DeviantArt. (2022, 11 de noviembre). UPDATE: All deviations are opted out of AI datasets. DeviantArt. https://www.deviantart.com/team/journal/UPDATE-All-Deviations-Are-Opted-Out-of-AI-Datasets-934500371

ArtStation. (2022, 16 de diciembre). NoAI tagging on projects. ArtStation Magazine. https://magazine.artstation.com/2022/12/noli-tag/

Copyright Alliance. (s. f.). Andersen v. Stability AI copyright case. Copyright Alliance. https://copyrightalliance.org/andersen-v-stability-ai-copyright-case/

AI Lawsuit Tracker. (s. f.). Andersen v. Stability AI Ltd. AI Lawsuit Tracker. https://ailawsuittracker.com/cases/andersen-v-stability-ai-ltd-3-23-cv-00201/

TIME. (2023). Kelly McKernan. TIME100 AI. https://time.com/collections/time100-ai/6309445/kelly-mckernan/

Sharp, S. (2022). He’s bigger than Picasso on AI platforms, and he hates it. Hyperallergic. https://hyperallergic.com/753641/greg-rutkowski-ai-art/

Ortiz, K. (2023). Testimony before the United States Senate Judiciary Committee. United States Senate. https://www.judiciary.senate.gov/imo/media/doc/2023-07-12_pm_-_testimony_-_ortiz.pdf

Reuters. (2024). Stability AI, Midjourney should face artists’ copyright case, judge says. Reuters.

The Verge. (2024). Stability, Midjourney artist lawsuit copyright claims approved. The Verge.

Economía cultural, América Latina y condiciones laborales

UNESCO. (2018). Foro Internacional: Ciudad de México y la Condición de Artista. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000366292

UNESCO. (2019). Cultura y condiciones laborales de los artistas: Aplicar la Recomendación de 1980 relativa a la Condición del Artista. UNESCO. https://www.unesco.org/creativity/sites/default/files/medias/fichiers/2023/01/371790spa%20%281%29.pdf

UNESCO. (2023). UNESCO unites diverse perspectives to inform policies for AI in creative sectors. UNESCO. https://www.unesco.org/en/articles/unesco-unites-diverse-perspectives-inform-policies-ai-creative-sectors

UNESCO. (2025). UNESCO survey to artists on MONDIACULT Declaration follow-up actions: Findings. UNESCO. https://www.unesco.org/sites/default/files/medias/fichiers/2025/02/UNESCO%20Survey%20to%20ARTISTS%20on%20MONDIACULT%20Declaration%20Follow-Up%20Actions%20Findings.pdf

Sánchez Daza, G. (2019). Los artistas y sus condiciones de trabajo. Una aproximación a su situación en México. Entreciencias: Diálogos en la Sociedad del Conocimiento. https://www.scielo.org.mx/scielo.php?pid=S2007-80642019000300069&script=sci_arttext

Gayol Massimi, A. T. (2022). La autogestión digital de los artistas visuales en México como mecanismo de resistencia a la precarización laboral y reconfiguración del campo del arte (2015-2021) [Tesis de maestría, Universidad Iberoamericana]. https://www.bib.ibero.mx/tesis/pdf/017386/017386.pdf

Organización Internacional del Trabajo. (2024). Elevada informalidad es detonante de pobreza laboral en América Latina y el Caribe. OIT. https://www.ilo.org/es/resource/news/elevada-informalidad-es-detonante-de-pobreza-laboral-en-america-latina-y-el

Instituto Nacional de Estadística y Geografía. (2024). Cuenta Satélite de la Cultura de México 2023. INEGI. https://www.inegi.org.mx/contenidos/saladeprensa/boletines/2024/CSCM/CSCM2023.pdf

Industria audiovisual y gobernanza

Lionsgate. (2024, 18 de septiembre). Runway partners with Lionsgate in first-of-its-kind AI collaboration. Lionsgate Investors. https://investors.lionsgate.com/news-events/news/news-details/2024/Runway-Partners-with-Lionsgate-in-First-of-its-Kind-AI-Collaboration/default.aspx

CVL Economics. (2024). Future Unscripted: The impact of generative artificial intelligence on entertainment industry jobs. The Animation Guild. https://animationguild.org/wp-content/uploads/2024/01/Future-Unscripted-The-Impact-of-Generative-Artificial-Intelligence-on-Entertainment-Industry-Jobs-pages-1.pdf

Runway. (s. f.). AI Film Festival. Runway. https://aiff.runwayml.com/

Kyi, L., Mahuli, A., Silberman, M. S., Binns, R., Zhao, J., & Biega, A. J. (2025). Governance of generative AI in creative work: Consent, credit, compensation, and beyond. arXiv.

Lovato, J., Zimmerman, J., Smith, I., Dodds, P., & Karson, J. (2024). Foregrounding artist opinions: A survey study on transparency, ownership, and fairness in AI generative art. arXiv.