En medio de la excitación a raíz del fallo a favor de GEMA en su demanda contra Suno, quiero hacer un paréntesis para hablar sobre un tema del que la mayoría seguramente escuchó nombrar, pero que probablemente pocos entiendan: los modelos de atribución.

Mi objetivo con este artículo es explicar, de manera simple, qué son, para qué sirven y cuál es el estado de situación actual de esta tecnología.

Un modelo de atribución es, en esencia, una tecnología diseñada para analizar un archivo generado con inteligencia artificial e intentar determinar qué obras pudieron haber influido en él. Poco a poco iremos complejizando esta definición.

Este archivo podría ser una canción, una imagen o un video. La gracia de los modelos de atribución es intentar reconstruir hacia atrás qué obras del entrenamiento influyeron en ese resultado.

La fiabilidad de esta herramienta es incierta para mí. Pero si algo aprendí en mis más de diez años trabajando en tecnología es que nada es imposible. Sin embargo, más adelante voy a contar algunos detalles técnicos y conceptuales que muestran por qué este es un desafío extremadamente complejo.

Pero antes, ¿qué podría hacerse con un modelo de atribución?

Una de las primeras ideas que surgieron cuando comenzó a discutirse el impacto de la IA fue la de analizar cada output de los modelos. De esta forma, se podría determinar el grado de influencia de cada obra y distribuir regalías entre los creadores de manera proporcional. Sin embargo, con el paso del tiempo esa posibilidad fue perdiendo fuerza debido a la enorme dificultad de llevarla a la práctica.

No solo requeriría un nivel de fiabilidad extremadamente alto, sino que además me resulta imposible imaginar un escenario en el que todas las respuestas generadas por todos los modelos del mundo sean auditadas por un modelo de atribución.

Estamos hablando de miles de millones de respuestas por día. Incluso si el análisis fuera extremadamente preciso, el costo computacional sería enorme. Y aun suponiendo que solo se auditara una muestra, seguiría existiendo un desafío igual o más complejo: definir un estándar aceptado por toda la industria y lograr que las empresas lo adopten.

Me da la sensación de que hay formas mejores de encarar este problema.

Por otro lado, los modelos de atribución podrían utilizarse como herramientas de enforcement.

Por ejemplo, en el caso de PLAI by GEMA, un modelo de atribución podría analizar un resultado generado, identificar qué obras lo influenciaron y verificar si esas obras pertenecen al catálogo debidamente licenciado. A diferencia de un sistema de huella acústica, que solo funciona si el output es una copia reconocible del original, acá el output es una síntesis nueva, así que hace falta atribución para reconstruir esa cadena. En ese contexto, un modelo de atribución podría convertirse en una herramienta para verificar el cumplimiento de las licencias o incluso para aportar evidencia en litigios relacionados con el uso no autorizado de obras.

Personalmente, este caso de uso me parece mucho más razonable.

¿Cuál es el estado de situación?

Aunque el concepto todavía está lejos de ser una tecnología madura, ya existen varias empresas intentando resolver este problema.

Musical AI

Musical AI es una plataforma de gestión de derechos para entrenamiento y generación con IA. Por un lado, permite a los titulares licenciar su catálogo de forma controlada, monitoreando o restringiendo su uso. Por el otro, analiza los outputs generados y calcula qué proporción de cada resultado proviene de qué fuente, separando composición de grabación.

En julio de 2026, SOCAN se convirtió en su primera sociedad de gestión como socia. El acuerdo apunta a dos herramientas separadas, consentimiento para que los compositores decidan si su obra entra al entrenamiento, y atribución para medir su influencia en un resultado puntual, distinguiendo entre composición y grabación. Es el primer caso en el que Musical AI sale del terreno de acuerdos puntuales con sellos y distribuidoras para meterse en el de las sociedades de gestión.

Sureel AI

Sureel AI construye "ADN de IA" para cada obra, descomponiéndola en sus elementos para rastrear cómo la usan los modelos de IA.

STIM, la sociedad sueca de derechos musicales, fue pionera en apostar por esta startup. En septiembre de 2025 la nombró su proveedor de atribución, convirtiéndose en la primera sociedad de gestión en confiar su repertorio a una tecnología de este tipo. Con eso armó la primera licencia colectiva de IA para música del mundo.

Warner la compró en junio de este año, con el objetivo de ser dueña de la tecnología que puede probar cómo se usa un catálogo. Sureel sigue operando como plataforma independiente, y en julio IMPF e IMPEL, dos organismos de editoriales independientes, anunciaron que van a testearla con repertorio acotado en un entorno cerrado, sin uso para entrenamiento, antes de negociar condiciones reales.

ProRata

ProRata nació en 2024 de la mano de Bill Gross, el mismo que inventó el modelo de pago por clic en publicidad online. Levantó $25M en su ronda inicial y otros $40M en septiembre de 2025 liderados por Touring Capital. Desde el lanzamiento tiene un acuerdo estratégico con Universal Music para explorar su tecnología aplicada a música, pero ese acuerdo todavía no se tradujo en un producto.

Donde sí funciona es en texto. Gist Answers, su motor de respuestas con IA, reparte 50% de los ingresos entre más de mil editores según cuánto pesó cada fuente en cada respuesta, y según Gross ya es rentable. Si logran trasladar ese mecanismo a música, sería el modelo más cercano a lo que la mayoría imagina cuando piensa en atribución. Por ahora sigue siendo la pata pendiente del negocio.

Pippa

Por último, y la más reciente, está Pippa, una startup de video generativo lanzada en mayo de 2026 que paga a artistas cada vez que su herramienta genera contenido a partir de un estilo asociado a ellos, $0,005 por imagen y $0,003 por segundo de video. Además, separa un pool del 5% de los ingresos por suscripción del que los artistas participantes van cobrando con el tiempo.

También es un proyecto mucho más incipiente que el resto de los mencionados: hoy declara cerca de 800 suscriptores pagos y apenas cuatro artistas con acuerdo firmado, con cuatro más en conversación.

La opinión del presidente de la CISAC

Björn Ulvaeus, músico y presidente de la CISAC, dio el discurso de apertura del AI for Good Summit en Ginebra, "The Future Needs Creators". Si no lo escucharon, les recomiendo hacerlo porque el mensaje es muy potente.

Björn no pareciera estar muy a favor de los modelos de atribución. De hecho dice: "Para mí, rastrear el output siempre fue la pregunta equivocada". Aunque mi sensación es que se refiere a que no deben ser el principal mecanismo por el cual se calculan las distribuciones. Su argumento se basa en la forma en que los modelos funcionan: probabilísticamente. No producen copias de ninguna canción sino que crean nuevas síntesis con todo lo que han aprendido.

Su propuesta está más alineada con el licenciamiento de catálogos y la distribución de los ingresos de las suscripciones de IA.

Conclusión y cierre

Si bien me mantengo escéptico, los modelos de atribución podrían llegar a un grado de fiabilidad y eficiencia significativo. Sin embargo, no creo que tengan el rol protagónico que imaginábamos al inicio sino más bien de enforcement.

Cuanto más lo pienso, más impracticable me resulta la idea de que compensar a los creadores por output se vuelva un estándar. Me parece que el presidente de la CISAC, en su discurso, buscó correr la conversación de esa idea hacia la que ahora pareciera la más viable: el licenciamiento de catálogos.