7.095 fotos: la cifra que decidirá la demanda contra ByteDance por imágenes de IA | Fanch AI

Fanch AIon 8 hours ago

Una impactante fotografía panorámica en 16:9 de un vasto archivo fotográfico: largas hileras de cajoneras de acero que se pierden en la penumbra, cajas de cartón con diapositivas apiladas en estantes metálicos abiertos, y un único haz de luz natural desde lo alto iluminando el polvo suspendido en el pasillo.

Siete mil noventa y cinco. No "millones de imágenes", ni "vastas extensiones de internet", sino exactamente 7.095 fotografías. Es una cifra lo bastante precisa como para sonar a recuento de inventario, porque, en esencia, eso es lo que es.

La agencia de fotografía de automoción EVOX Productions ha demandado a ByteDance ante el Tribunal del Distrito Central de California, alegando que la empresa matriz de TikTok copió de forma no autorizada esas 7.095 imágenes para emplearlas como datos de entrenamiento de IA (AI training data) en Seedream, su generador de imágenes. El caso, EVOX Productions LLC v. Bytedance Inc. et al (expediente 5:26-cv-06428), fue desvelado esta semana por medios como Music Business Worldwide y Digital Music News.

La acusación de utilizar material protegido como datos de entrenamiento de IA ya no es la parte novedosa; casi todas las demandas de derechos de autor contra modelos de IA en los últimos dos años se basan en una premisa similar. Lo que convierte a este caso en un potencial punto de inflexión para la industria es la implacable matemática que subyace a la denuncia.

Qué alega exactamente la demanda

Es fundamental mantener la precisión jurídica: se trata de alegaciones contenidas en una demanda interpuesta que aún no ha sido juzgada. Ningún tribunal ha declarado a ByteDance culpable de ningún cargo.

La acusación central: Las fotografías de automoción propiedad de EVOX fueron extraídas (scraped) de la web y utilizadas como datos de entrenamiento de IA para Seedream, el modelo de generación visual de ByteDance.

La escala reclamada: 7.095 imágenes. Una cantidad minúscula en términos de la red, y esa es una decisión legal muy deliberada: se trata de un conjunto de archivos contable y estrictamente catalogado, en lugar de una masa indeterminada de datos.

La jurisdicción: Un tribunal federal de California. El demandante es una sociedad de responsabilidad limitada (LLC) de Delaware, el demandado es otra corporación registrada en Delaware, y el foro elegido es el distrito californiano donde se están acumulando los precedentes de este tipo de litigios.

El estado de la jurisprudencia: Hasta el momento, no existe ninguna sentencia firme en Estados Unidos sobre datos de entrenamiento de IA con estas características específicas. Esto es tan solo el inicio del proceso, y el desenlace dependerá de la fase de proposición de prueba (discovery), de cómo el tribunal clasifique la naturaleza de las obras y de las defensas que ByteDance aún no ha articulado.

Por qué una agencia de fotografía de coches es el demandante más peligroso

Este es el aspecto clave que hay que entender, ya que explica por qué EVOX representa una amenaza legal mucho mayor para un laboratorio de IA que un periódico tradicional o una plataforma genérica de imágenes de stock.

La fotografía de automoción es, por definición, un catálogo estructurado. Y los catálogos organizados son el maná sobre el que se sustentan los conjuntos de datos de entrenamiento de IA. Diferentes ángulos de cámara estandarizados, años del modelo, paletas de colores, detalles del interior, diseños de llantas... el trabajo es sistemático y, sobre todo, enumerable. Una empresa como EVOX sabe con exactitud milimétrica qué activos posee y puede señalar la autoría de cada archivo individual.

Cada imagen es identificable por separado. Las marcas de agua físicas, los metadatos incrustados (EXIF) y la consistencia absoluta en el estilo de iluminación hacen que la procedencia de la imagen sea fácilmente verificable. Y la verificación de la procedencia es el eslabón más débil en la mayoría de las acusaciones sobre datos de entrenamiento de IA. El mayor obstáculo en estos litigios suele ser demostrar de manera concluyente qué obras concretas se ingirieron en el modelo. Una biblioteca catalogada con marcas visuales consistentes derrumba ese obstáculo técnico.

La estandarización permite escalar la reclamación económica. Miles de imágenes técnicamente similares, cada una de ellas con su propio registro de derechos de autor independiente, permiten articular una demanda masiva pero muy fácil de desglosar y auditar; exactamente lo opuesto a un editor de prensa intentando cuantificar el daño sobre un archivo histórico de textos dispares.

El negocio de EVOX es la concesión de licencias. Una empresa que factura vendiendo licencias individuales de imágenes a concesionarios y plataformas de venta de vehículos tiene un argumento impecable sobre el "daño al mercado" (market harm): su modelo de ingresos al completo es precisamente lo que supuestamente le ha sido usurpado.

Esa combinación —enumerable, identificable y licenciable— explica por qué el demandante más temible en un caso de datos de entrenamiento de IA se parece menos a un conglomerado mediático y mucho más a un archivo fotográfico comercial.

El número que dictará sentencia

Aquí reside el mecanismo jurídico que la mayoría de los medios generalistas pasa por alto, y que constituye el verdadero campo de batalla.

En los litigios por derechos de autor en Estados Unidos, resulta extremadamente difícil demostrar los "daños reales" (actual damages) económicos que un modelo de IA ha causado al demandante. Por ello, los abogados recurren a la figura de los daños estatutarios (statutory damages). La clave de los daños estatutarios es que se otorgan por cada obra infringida, no como una suma global por todo el lote. Por tanto, el riesgo financiero para el demandado no es "¿cuánto daño he causado?", sino "¿cuántas obras multiplicadas por el rango legal de indemnización?". En un caso de datos de entrenamiento de IA, ese multiplicador lo es todo.

Esto significa que la pregunta legal que decidirá este caso sobre datos de entrenamiento de IA no es si se produjo la copia. La pregunta es: ¿Se contabiliza cada fotografía como una obra independiente y separada?

Los escritos presentados por EVOX en otros litigios paralelos dejan clara su estrategia: argumentan que cada imagen individual es una obra distinta con derecho a su propia indemnización estatutaria. En uno de esos casos paralelos, la cifra de imágenes en disputa se cuenta por cientos de miles. Aplicando esa misma lógica a este caso de datos de entrenamiento de IA, aunque a menor escala (7.095 imágenes), si cada una es considerada una obra independiente, al multiplicarlas incluso por una indemnización modesta por obra, la cifra final adquiere dimensiones punitivas y disuasorias.

Es previsible que la defensa de ByteDance argumente exactamente lo contrario: que un catálogo comercial es a efectos prácticos una única "obra de compilación", o que el conjunto de imágenes debe tratarse legalmente como una única "obra colectiva" (collective work), lo que limitaría drásticamente la indemnización a un solo pago. Es esta disputa sobre la aritmética, y no el acto técnico de raspar datos (scraping), lo que determinará la cuantía de la condena.

Para cualquier compañía que base su negocio en recopilar datos de entrenamiento de IA, este es el frente judicial que deben vigilar de cerca. Una sentencia que determine que cada imagen de un dataset masivo es una obra independiente que exige compensación separada, reevaluaría el riesgo financiero del scraping de datos de entrenamiento de IA para toda la industria tecnológica de la noche a la mañana.

Una limpia ilustración conceptual en 16:9 de un pequeño cuadrado ámbar, un símbolo de multiplicación, y luego una densa cuadrícula de cientos de diminutos cuadrados ámbar unidos por una fina flecha, con una línea base debajo.

EVOX no es un francotirador solitario

Un detalle crucial: EVOX también mantiene un litigio activo contra Midjourney por el uso de sus imágenes en otro caso paralelo de datos de entrenamiento de IA. Este hecho cambia radicalmente la forma de leer la demanda actual.

Que un fotógrafo indignado demande una vez es una queja. Que un mismo demandante interponga demandas calcadas contra múltiples gigantes de la generación de imágenes es una estrategia corporativa: busca establecer un marco teórico, sentar precedentes judiciales, y forzar acuerdos extrajudiciales millonarios o litigar en bloque contra toda la industria. Los litigios sobre datos de entrenamiento de IA se están consolidando exactamente bajo este patrón, con un reducido grupo de "demandantes recurrentes" asumiendo el peso de la ofensiva legal.

La consecuencia práctica es que el caso de ByteDance no se resolverá en el vacío. Los escritos y las sentencias de los casos paralelos influirán directamente en él, y cualquier fallo judicial que valide la tesis de indemnizar "por obra individual (per work)" se exportará rápidamente al resto de tribunales.

Una precisa fotografía de estudio en 16:9 y formato panorámico de un sedán azul genérico sin marcas comerciales sobre un fondo continuo gris pálido, visto en tres cuartos frontal y perfilado por franjas de luz que dibujan líneas de reflejo limpias en los flancos.

Qué cambia esto para los modelos generativos de imagen

Si la teoría del demandante prospera en los tribunales, provocará tres movimientos tectónicos en la industria:

Los datos de entrenamiento de IA se convertirán en un pasivo financiero cuantificable. Una vez que el multiplicador "por obra" cuente con respaldo judicial, el volumen del dataset de un modelo dejará de ser una ventaja competitiva gratuita para convertirse en un riesgo económico que deberá reflejarse en los balances. Esto alterará la forma en que los laboratorios de IA enfocan la obtención de datos de entrenamiento de IA mucho más rápido que cualquier debate ético.

El mercado de licencias de datos de entrenamiento de IA se volverá real. Si los catálogos extraídos sin permiso conllevan un riesgo financiero inasumible, los catálogos licenciados legalmente adquirirán un inmenso valor comercial. El mercado transaccional de datos de entrenamiento de IA, que ha sido pura teoría durante tres años, recibirá por fin una señal de precios sólida.

La trazabilidad de los datos de entrenamiento de IA pasará de ser un extra a un escudo defensivo. La capacidad de demostrar de qué proveedor legal proviene cada imagen de entrenamiento será la diferencia entre asumir un coste operativo calculable y enfrentarse a un riesgo de quiebra ilimitado.

Lo que esta demanda NO cambia

Es importante tener claros los límites del litigio, porque la prensa tenderá a sobreinterpretar las consecuencias.

Este caso sobre datos de entrenamiento de IA no hace que utilizar generadores de imágenes sea ilegal o inseguro para ti como usuario. Se trata de una disputa comercial entre el desarrollador que entrena el modelo y el propietario de los derechos de autor acerca de cómo se obtienen los datos de entrenamiento de IA. Nada en esta demanda afecta a la legalidad de usar un modelo que otro ha entrenado, ni tiene implicaciones legales para quien se limita a escribir prompts.

Tampoco resuelve el espinoso debate sobre el "uso justo" (fair use). La discusión jurídica sobre si el análisis algorítmico de datos de entrenamiento de IA constituye un uso justo lleva años en desarrollo sin una respuesta definitiva, y la presentación de una demanda en un tribunal de distrito no va a zanjar la cuestión por sí sola.

Lee las noticias sobre demandas con precaución

Cuatro matices imprescindibles antes de sacar conclusiones precipitadas:

Una acusación no es una sentencia probada. Aún no se ha establecido ninguna responsabilidad legal, y la cifra de 7.095 es un cálculo aportado exclusivamente por el demandante.

El conteo de datos de entrenamiento de IA responde a una metodología técnica propia. El número "7.095" refleja el método informático empleado por EVOX para identificar y emparejar las imágenes. Que un juez acepte la validez técnica de ese conteo es una batalla legal aparte.

La teoría de indemnizar "por obra individual" está fuertemente contestada. Es la tesis máxima del demandante para inflar la sanción, no jurisprudencia consolidada.

Los casos en fase inicial mutan constantemente. En este terreno tecnológico es muy habitual que las demandas se modifiquen, que decaigan ciertos cargos o que las partes alcancen acuerdos extrajudiciales confidenciales antes de llegar a juicio.

Qué significa esto para ti como creador visual

Si te dedicas a entrenar modelos (Trainers): la trazabilidad del origen de las imágenes es ahora la línea de flotación de tu gestión de riesgos. Los datos de entrenamiento de IA que introduces en tu sistema son una partida del balance financiero, no solo una variable técnica.

Si eres propietario de un banco de imágenes (Licensors): tu archivo acaba de revalorizarse. Las bibliotecas visuales estructuradas, contabilizables y fácilmente identificables son exactamente la tabla de salvación legal que el mercado de datos de entrenamiento de IA necesita comprar desesperadamente para demostrar que su tecnología es limpia.

Si te limitas a generar imágenes (Generators): esta guerra no va contigo. Sigue utilizando los modelos, afinando tus prompts y observa desde la barrera cómo se resuelve la cuestión del pago "por obra individual", porque esa factura terminará llegando a ti en forma de un aumento en el precio de la suscripción mensual de tu herramienta de IA.

Un prompt para ilustrar el contexto del caso

Si deseas crear imágenes que capturen el espíritu de esta noticia, el sujeto honesto de la composición no es un robot o un mazo de juez, sino el propio archivo: la inmensa biblioteca física que da sentido al negocio de los catálogos de imágenes y, en última instancia, al conflicto.

Copia y pega esto en Fanch AI (Modelo: gpt_image_2):

A wide documentary photograph down the aisle of a vast photographic archive: long rows of steel filing drawers receding into dim depth on both sides, cardboard slide boxes stacked on open metal shelves, a single shaft of daylight falling from a high window and catching dust in the air. Fine detail in the brushed steel drawer fronts, worn paper labels and the fibre of the cardboard boxes, cool grey and warm sepia palette, deep perspective, slight vignetting at the frame edges, 16:9 framing, 8K detail, no people, no legible text.

En la industria de la IA actual, un "archivo fotográfico" es la única imagen cuyo valor en millones de dólares depende exclusivamente de poder demostrar con exactitud matemática qué hay almacenado en su interior.

Por qué Fanch AI te protege en este entorno

La batalla legal en torno a los datos de entrenamiento de IA gira en torno a cómo las grandes empresas de IA extraen y almacenan las bibliotecas de imágenes ajenas, no sobre si las personas deberían o no utilizar herramientas creativas. Esa distinción es vital: la exposición legal recae sobre el ingeniero que raspa la web (scraper) para entrenar la red, no sobre el creador que teclea un prompt en su escritorio.

Fanch AI te proporciona un modelo de generación de imagen dedicado al que diriges con prompts de alta precisión, permitiéndote generar el material visual que necesitas directamente desde tu descripción creativa y no depender de rebuscar en catálogos de stock de terceros. Esto garantiza que tu obra, tus ideas y tus derechos de uso se mantengan limpios y claramente definidos bajo tu propia autoría.

👉 Empieza aquí: crea con GPT Image 2 en Fanch AI.