# ¿Qué son los datos de entrenamiento IA? Definición y retos para la empresa

> Los datos de entrenamiento son el conjunto de textos, imágenes, códigos y otros contenidos utilizados para entrenar un modelo de IA. Su composición determina lo que el modelo sabe, lo que ignora, sus sesgos y sus riesgos jurídicos. Una parte mayor del contencioso IA actual se refiere a su procedencia y a su licitud.

## Definición
Los modelos de fundación se entrenan sobre corpus de varios billones de tokens, cuya composición rara vez es totalmente pública. Dominan tres fuentes. La web pública, vía Common Crawl: más de 300 mil millones de páginas archivadas, que constituyen la materia prima de la mayoría de los LLM. Los corpus de libros y prensa, cuya legalidad de uso está hoy en disputa: la demanda del New York Times contra OpenAI (diciembre de 2023, todavía en curso en 2026) se refiere precisamente a este punto. Los datos generados específicamente: anotaciones RLHF, ejemplos de fine-tuning, datos sintéticos. La trazabilidad de los datos de entrenamiento se ha vuelto central. El AI Act europeo exige desde agosto de 2025 a los proveedores de modelos de IA de uso general publicar un resumen suficientemente detallado de los contenidos utilizados para el entrenamiento (artículo 53). El 24 de julio de 2025 la Comisión Europea publicó una plantilla de este resumen, que los proveedores deben seguir.

## Ejemplo
El estado del contencioso en 2026 ilustra la incertidumbre jurídica. En junio de 2025, dos decisiones estadounidenses (*Bartz contra Anthropic*, *Kadrey contra Meta*) consideraron que entrenar un modelo con libros podía entrar en el fair use, por ser altamente transformativo. Pero en el caso Bartz, el juez rechazó el fair use para la creación de una biblioteca permanente a partir de libros pirateados. El asunto terminó con un acuerdo de 1 500 millones de dólares (unos 3 000 dólares por obra), aprobado definitivamente el 20 de julio de 2026. Del lado de OpenAI, la demanda emblemática del New York Times sigue en curso. En noviembre de 2025, una jueza ordenó a OpenAI entregar una muestra de 20 millones de conversaciones de ChatGPT anonimizadas para evaluar la reproducción de contenidos protegidos; la decisión fue confirmada el 5 de enero de 2026. El tema no está zanjado. Para un dirigente europeo, esta incertidumbre estadounidense se suma al RGPD y al AI Act, cuyo calendario acaba de ajustar el Ómnibus digital de 2026.

## Para un directivo
Cinco cláusulas a exigir a todo proveedor de un modelo de IA desplegado en producción en su empresa. Primero, una declaración formal de las categorías de datos de entrenamiento utilizadas (web pública, libros, prensa, código, datos adquiridos bajo licencia), con nivel de granularidad mínimo definido contractualmente. Segundo, una garantía de no utilización de sus datos de negocio transmitidos al modelo para el entrenamiento de versiones futuras, con compromiso escrito. Tercero, la posibilidad de pedir la purga lógica de sus datos en los corpus de fine-tuning, en un plazo contractual máximo. Cuarto, una cláusula de garantía en caso de demanda de terceros por violación de derechos de autor vía el modelo utilizado: ¿quién cubre a quién? Quinto, una obligación de información en 30 días en caso de modificación sustancial del corpus de entrenamiento del modelo. Sin estas cinco cláusulas, el riesgo jurídico se transfiere a su empresa sin contraparte.

## Preguntas frecuentes

**¿Qué son los datos de entrenamiento y por qué importan?**
Son los textos, imágenes, códigos y otros contenidos utilizados para entrenar un modelo de IA. Su composición determina lo que el modelo sabe, lo que ignora, sus sesgos y sus riesgos jurídicos. Una parte mayor del contencioso IA actual se refiere a su procedencia y a su licitud.

**¿De dónde vienen estos datos?**
Dominan tres fuentes. La web pública, vía Common Crawl (más de 300 mil millones de páginas archivadas). Los corpus de libros y prensa, cuya legalidad de uso está hoy en disputa. Los datos generados específicamente: anotaciones RLHF, ejemplos de fine-tuning, datos sintéticos. La composición de estos corpus, que pesan varios billones de tokens, rara vez es totalmente pública.

**¿Qué debe publicar un proveedor sobre sus datos de entrenamiento?**
Desde agosto de 2025, el AI Act europeo obliga a los proveedores de modelos de uso general a publicar un resumen suficientemente detallado de los contenidos utilizados para el entrenamiento (artículo 53). El 24 de julio de 2025 la Comisión Europea publicó una plantilla de este resumen, que los proveedores deben seguir.

**¿En qué punto está el contencioso sobre derechos de autor?**
Incierto. En junio de 2025, dos decisiones estadounidenses (Bartz contra Anthropic, Kadrey contra Meta) consideraron que entrenar con libros podía entrar en el fair use, pero en el caso Bartz el juez rechazó el fair use para una biblioteca creada a partir de libros pirateados; el asunto terminó con un acuerdo de 1 500 millones de dólares, aprobado el 20 de julio de 2026. La demanda del New York Times contra OpenAI sigue en curso.

**¿Qué cláusulas contractuales exigir a un proveedor?**
Cinco. Una declaración de las categorías de datos de entrenamiento utilizadas. Una garantía de que sus datos de negocio no servirán para entrenar futuras versiones. La posibilidad de pedir la purga lógica de sus datos en los corpus de fine-tuning. Una cláusula de garantía en caso de demanda de terceros por violación de derechos de autor. Una obligación de información en 30 días en caso de modificación sustancial del corpus.

## Para seguir

- [Entrenamiento](https://wyp.agency/es/glosario/entrenamiento/)
- [Sesgo algorítmico](https://wyp.agency/es/glosario/sesgo-algoritmico/)
- [RGPD e IA](https://wyp.agency/es/glosario/rgpd-ia/)
- [AI Act](https://wyp.agency/es/glosario/ai-act/)
- [Alineación](https://wyp.agency/es/glosario/alineacion/)
- [Shadow AI](https://wyp.agency/es/glosario/shadow-ai/)
- [Aprendizaje supervisado](https://wyp.agency/es/glosario/aprendizaje-supervisado/)
- [Machine learning (aprendizaje automático)](https://wyp.agency/es/glosario/aprendizaje-automatico/)

## Fuentes

- The New York Times Company v. Microsoft Corporation, S.D.N.Y. No. 23-CV-11195, presentada en diciembre de 2023, en fase de discovery en 2026 (https://nytco-assets.nytimes.com/2023/12/NYT_Complaint_Dec2023.pdf)
- Reglamento (UE) 2024/1689 sobre inteligencia artificial (AI Act), artículos 53-55 sobre las obligaciones de los proveedores de modelos de fundación (https://eur-lex.europa.eu/eli/reg/2024/1689/oj)
- Court Grants Final Approval of $1.5 Billion Anthropic Copyright Settlement, The Authors Guild, julio de 2026 (https://authorsguild.org/news/court-grants-final-approval-anthropic-copyright-settlement/)
- Fair Use and AI Training: Two Recent Decisions Highlight the Complexity of This Issue (Bartz v. Anthropic, Kadrey v. Meta), Skadden, julio de 2025 (https://www.skadden.com/insights/publications/2025/07/fair-use-and-ai-training)
- OpenAI Loses Privacy Gambit: 20 Million ChatGPT Logs Likely Headed to Copyright Plaintiffs, National Law Review, enero de 2026 (https://natlawreview.com/article/openai-loses-privacy-gambit-20-million-chatgpt-logs-likely-headed-copyright)
- Reglamento (UE) 2026/1744 (Ómnibus digital sobre IA), EUR-Lex (https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=CELEX%3A32026R1744)
- Plantilla del resumen público de los contenidos de entrenamiento, Comisión Europea (Oficina de IA), 24 de julio de 2025, análisis de WilmerHale (https://wilmerhale.com/en/insights/blogs/wilmerhale-privacy-and-cybersecurity-law/european-commission-releases-mandatory-template-for-public-disclosure-of-ai-training-data)
- Common Crawl, presentación del archivo (https://commoncrawl.org/)

---
Ficha del glosario de IA de WYP.agency · https://wyp.agency/es/glosario/datos-entrenamiento/ · Última actualización : 2026-10-14