Si una persona escribe unas instrucciones y acepta el código que devuelve un modelo sin revisarlo, ¿debería poder cerrarlo y venderlo como si lo hubiera creado desde cero? Jakub T. Jankiewicz responde que no: sostiene que el código generado por IA tendría que publicarse con una licencia de código abierto o dedicarse al dominio público. La tesis es convincente para el código producido con escasa intervención humana, aunque no basta para imponer una regla idéntica a cualquier fragmento asistido por IA.
El argumento central de Jankiewicz apunta a una asimetría: los modelos se entrenaron con grandes corpus de código abierto, y luego el resultado puede acabar dentro de software propietario. También menciona contenido de Stack Overflow y otros sitios de Stack Exchange, publicado bajo licencias Creative Commons que exigen atribución. Convertir ese conocimiento colectivo en código cerrado le parece una forma de «lavado» de licencias.
Turning this collective knowledge into proprietary, closed-source code feels like license laundering.
— Jakub T. Jankiewicz
La imagen es potente, pero la metáfora no resuelve la cuestión legal. Que un modelo haya sido entrenado con código publicado bajo una licencia no demuestra por sí solo que cada resultado reproduzca ese código ni que herede automáticamente sus condiciones. TechTarget describe precisamente ese desacuerdo: algunos sostienen que el uso de sistemas entrenados con código abierto debe activar las licencias; otros responden que el entrenamiento no equivale a reutilizar el código de la manera convencional.
Una regla para el código casi automático
La parte más sólida de la propuesta no es que toda línea influida por una IA deba quedar abierta. Es que quien apenas aporta una instrucción y acepta la salida sin cambios no debería poder reclamar una exclusividad sin explicar de dónde procede ese resultado. Jankiewicz identifica ese caso: código donde el esfuerzo humano se reduce, en la práctica, a escribir prompts. Ahí, publicar el resultado bajo una licencia abierta o con CC0 parece una respuesta proporcionada.
La distinción importa porque el desarrollo asistido no es siempre una operación de copiar y pegar. TechTarget diferencia entre incorporar directamente una salida, modificarla y usarla solo como orientación antes de escribir código propio. Tratar esos escenarios como equivalentes convertiría una propuesta razonable para la automatización casi total en una carga difícil de justificar para cualquier uso de una herramienta.
También hay un límite práctico: la opacidad de los datos de entrenamiento. TechTarget señala que muchos modelos preentrenados no publican qué materiales utilizaron. Sin esa información, resulta difícil identificar qué licencias podrían estar implicadas en una salida concreta. Exigir que cada desarrollador abra todo código generado podría trasladar al usuario una responsabilidad que no puede determinar con los datos disponibles.
El derecho no ofrece una respuesta única
Jankiewicz apoya parte de su postura en la idea de que el código generado sin autoría humana no debería tener copyright. Pero la legislación no es uniforme. En Estados Unidos, recuerda, se ha invocado el principio de que los animales no pueden poseer derechos de autor; en el Reino Unido, la ley contempla otra fórmula para ciertas obras generadas por ordenador. La sección 9 de la Copyright, Designs and Patents Act 1988 atribuye la autoría de esas obras a quien realiza los arreglos necesarios para su creación.
Por eso, una política voluntaria y clara es más defendible que presentar la apertura como obligación legal universal. Jankiewicz propone licencias abiertas o CC0 para armonizar el tratamiento entre jurisdicciones, pero esa elección no borra las diferencias entre sus leyes. Y si una empresa publica código con una licencia concreta, eso tampoco resuelve por sí solo si el modelo reutilizó material sujeto a otra licencia.
TechTarget informa de que, hasta junio de 2025, no había una decisión judicial que resolviera si entrenar modelos con código abierto constituye reutilización o modificación a efectos de esas licencias. En el litigio sobre GitHub Copilot, un juez desestimó algunas reclamaciones en 2024 al considerar que el código generado no era idéntico al código abierto del entrenamiento; los demandantes apelaron después. La controversia seguía abierta en la primavera de 2025. Esa incertidumbre aconseja no confundir una posición ética con una conclusión asentada en los tribunales.
Abrir por defecto, con una frontera explícita
La objeción más fuerte a la apertura automática es que el código puede mezclar trabajo humano sustancial con sugerencias de IA. Una persona puede revisar, modificar e integrar una salida hasta producir algo distinto de la respuesta inicial. TechTarget plantea que la cantidad de modificación podría afectar a las obligaciones, aunque no hay una regla judicial definitiva que trace esa frontera. Obligar a abrir el conjunto en todos esos casos podría borrar diferencias relevantes entre creación y asistencia.
La respuesta no debería ser fingir que esas diferencias son fáciles de medir. Conviene exigir transparencia sobre el uso de IA y conservar un registro de qué partes se generaron, como recomienda TechTarget para poder revisarlas si aparecen problemas de licencias. En paralelo, los proveedores pueden explicar mejor qué datos emplearon para entrenar sus modelos. Esas medidas no sustituyen una licencia, pero hacen menos arbitraria la decisión sobre qué abrir.
El principio que merece respaldo es más concreto: si casi todo el trabajo lo hizo la IA, quien publica el resultado debería optar por una licencia abierta o por CC0, salvo que pueda justificar otra base. No porque ya exista una obligación legal universal, sino porque la pretensión de cerrar un resultado obtenido con mínima aportación humana resulta difícil de conciliar con el origen colectivo que Jankiewicz señala. Para el código que incorpora trabajo humano apreciable, la respuesta debería depender de la intervención y de las licencias realmente implicadas, no de una etiqueta genérica de «hecho con IA».
La discusión, por tanto, no se resuelve declarando abierta toda línea asistida ni ignorando cómo se entrenaron los modelos. Empieza por separar los casos: quién hizo el trabajo, cuánto se modificó la salida y qué licencia puede aplicarse. Mientras esas respuestas sigan siendo opacas, la propuesta más sensata es abrir por defecto el código generado casi sin intervención humana y pedir más transparencia a quienes construyen los modelos.
Fuentes: Jakub T. Jankiewicz Blog, TechTarget, UK legislation