Cómo la IA genera arte y música, y por qué la "verdadera creatividad" sigue siendo controversial

Las herramientas de IA generativa ahora producen imágenes, canciones y pistas completas a partir de un breve mensaje de texto, y la tecnología detrás de ellas se ha convertido en una lucha legal y cultural activa. En octubre de 2026, la editorial de música Reservoir presentó demandas contra Suno y Anthropic en la Corte de Distrito de los EE.UU. para el Distrito Norte de California, acusando a ambas empresas de entrenar sistemas de IA con miles de composiciones protegidas por derechos de autor sin licencia. Junto con esa lucha, los investigadores continúan debatiendo una pregunta separada: ¿alguno de este producto califica como creatividad, o es algo completamente diferente?

Cómo se construyen las imágenes generadas por IA

Herramientas como Stable Diffusion, Midjourney y DALL-E se basan en lo que se denominan modelos de difusión. Durante el entrenamiento, al sistema se le muestran imágenes reales mientras se les añade ruido aleatorio paso a paso hasta que la imagen original es irreconocible. El modelo entonces aprende el proceso inverso — cómo eliminar ese ruido nuevamente, según una guía técnica publicada por Cloudinary. La generación invierte esto: el sistema comienza a partir de ruido completamente aleatorio y lo elimina en etapas, con los pasos iniciales produciendo formas amplias y composición y pasos posteriores refinando textura, iluminación y detalle hasta que aparece una imagen coherente. Un mensaje de texto guía cada paso de denoising, diciendo al modelo qué sujeto, estilo y configuración buscar.

Cómo la IA compone música a partir de un mensaje de texto

Sistemas de música como Suno y Udio funcionan de manera diferente en detalle pero similar en principio. Debido a que el audio sin procesar es demasiado denso — millones de números por segundo — para alimentar directamente en un modelo de estilo lenguaje, estos sistemas primero comprimen el sonido en un pequeño número de "tokens" discretos usando códecs de audio neurales, logrando aproximadamente 600 veces compresión, según una descripción técnica general por AI-TLDR. Una vez que el audio se convierte en tokens, un modelo de transformador — el mismo tipo de arquitectura detrás de grandes modelos de lenguaje — predice el siguiente token, luego el siguiente, construyendo una canción completa pieza por pieza. Un mensaje de texto (y cualquier letra) se expande primero en un plan aproximado que cubre género, tempo y estructura de la canción antes de que se generen los tokens de audio. Los modelos se entrenan en grandes bibliotecas de música y funcionan, en la descripción utilizada por esa descripción general, como "motores de composición" que absorben progresiones de acordes y estructuras de canciones en lugar de recuperar canciones existentes específicas.

La batalla de derechos de autor detrás de la tecnología

El entrenamiento de estos sistemas requiere enormes cantidades de trabajo creativo existente, que es ahora tema de litigios activos. Las demandas del 21 de octubre de 2026 de Reservoir alegan que Suno utilizó 1.050 composiciones musicales protegidas por derechos de autor y que Anthropic utilizó letras de 853 composiciones — incluyendo obras de Madonna, Johnny Cash y Joni Mitchell — sin autorización, según un resumen de los escritos revisados por Law Commentary. Reservoir está buscando aproximadamente $186,4 millones en daños estatutarios de Suno y aproximadamente $151,4 millones de Anthropic, además de reclamaciones bajo la Ley Digital del Milenio de Derechos de Autor. Suno ha argumentado que entrenar IA en material protegido por derechos de autor puede calificar como uso justo y ha firmado por separado acuerdos de licencia con Warner, BMG y Believe; Anthropic dijo que tiene la intención de defender el caso. La queja de Reservoir cita esos acuerdos de licencia como evidencia de que ya existe un mercado legítimo para usar la música.

¿Es alguno de esto "creativo"? Los investigadores no están de acuerdo

Separado de la cuestión legal, los académicos no están de acuerdo sobre si el resultado de estos sistemas cumple con ninguna definición razonable de creatividad. La lingüista computacional Emily Bender y colegas describen grandes modelos como "loros estocásticos" que ecos estadísticos de patrones en datos de entrenamiento en lugar de originar ideas, según la revisión de la Fundación Heidelberg Laureate de debate. El investigador de visión por computadora Alexei Efros hace una distinción entre dominios cerrados y limitados por reglas como el ajedrez o el Go — donde los sistemas de IA pueden decirse que innovan dentro de reglas fijas — y dominios abiertos como el arte, donde no existe objetivo fijo.

Otros investigadores contraatacan desde un ángulo diferente. El investigador de IA Selmer Bringsjord argumenta que el resultado actual de IA equivale a "remixing" de datos de entrenamiento en lugar de creación genuina, y propuso la Prueba de Lovelace, bajo la cual un sistema solo contaría como creativo si produjera resultado que sus propios diseñadores no podrían explicar — un nivel que dice que los modelos actuales no cumplen, según un resumen publicado por BrainFacts.org. La psicóloga Mark Runco añade que la intencionalidad es central para la creatividad humana: las personas eligen conscientemente crear, mientras que los sistemas de IA responden a indicaciones que reflejan la intención del usuario en lugar de la suya propia. En bases de prueba, el mismo resumen de BrainFacts.org nota que algunos modelos, incluyendo GPT-4, puntuaron más alto que el promedio humano en pruebas de pensamiento divergente que miden la capacidad de generar ideas variadas — aunque los principales desempeñadores creativos humanos aún superaron los sistemas de IA probados.

Dónde deja el debate a artistas y oyentes

La revisión de la Fundación Heidelberg Laureate señala que, dado lo controvertida que ya es la definición de creatividad humana entre investigadores, una respuesta definitiva sobre IA puede permanecer esquiva. Varios comentaristas citados en esa revisión enmarcan el camino más práctico hacia adelante como tratar la IA como una herramienta que aumenta el trabajo creativo humano en lugar de un agente creativo separado en su propio derecho — un marco que se sitúa junto a, pero no resuelve, las disputas de derechos de autor en curso sobre cómo se entrenaron estos sistemas en primer lugar.