Si una persona escribe veinte instrucciones, genera cien imágenes, descarta noventa y nueve, modifica la restante y la incorpora a una obra mayor, ¿dónde ocurrió exactamente la creación: en el modelo, en las instrucciones, en la selección o en el proceso completo?
La inteligencia artificial generativa vuelve inestable una frontera que parecía sencilla: distinguir herramienta, autor y obra. Puede ampliar posibilidades expresivas, disminuir costos de experimentación y permitir formas inéditas de creación; también puede desplazar trabajo, reproducir convenciones presentes en sus datos y complicar derechos de autor, atribución y remuneración. Esta ficha no dará UNA respuesta sobre si la IA “es creativa”. Dará herramientas para construir una posición propia.
Objetivo didáctico
Al terminar esta ficha serás capaz de sintetizar y defender un criterio propio para incorporar inteligencia artificial a un proceso creativo, distinguiendo generación algorítmica, autoría humana, derechos, sustitución de trabajo, impacto industrial y decisiones estéticas cuando desarrolles o evalúes proyectos de texto, imagen, música u otros medios digitales.
Introducción
La inteligencia artificial generativa no apareció de la nada con los primeros servicios capaces de producir imágenes o textos a petición. Forma parte de una historia más larga de automatización cultural: cámaras fotográficas, sintetizadores, edición digital, algoritmos compositivos, filtros, motores gráficos y software de diseño ya habían trasladado determinadas decisiones desde la mano hacia una máquina. La diferencia contemporánea es la amplitud: un mismo paradigma computacional puede producir material lingüístico, visual, sonoro y audiovisual con instrucciones relativamente accesibles.
Técnicamente, estos sistemas no necesitan “imaginar” en el sentido humano para producir resultados que una persona interprete como novedosos. Aprenden regularidades estadísticas de grandes conjuntos de datos y generan nuevas configuraciones condicionadas por instrucciones, ejemplos u otros datos. Arquitecturas como el transformer, presentada en 2017, y los modelos probabilísticos de difusión desarrollados con enorme impacto desde 2020, contribuyeron a la capacidad actual de generar texto e imágenes; sistemas de música condicionada por lenguaje demostraron posteriormente capacidades semejantes en audio (Vaswani et al., 2017; Ho et al., 2020; Agostinelli et al., 2023).
🔷 Marco conceptual: creatividad asistida por IA
Proceso en el que un sistema generativo participa en la producción, exploración o transformación de material creativo, mientras las decisiones humanas pueden intervenir en distintos niveles: definición del problema, selección de datos, instrucciones, iteración, curaduría, edición, combinación y publicación. La profundidad de esa contribución humana no puede deducirse únicamente observando el resultado final.
Esto explica por qué la pregunta “¿lo hizo una persona o una IA?” suele ser demasiado pobre. Un diseñador puede utilizar IA solo para explorar veinte composiciones y desarrollar manualmente la elegida. Una escritora puede delegar un borrador casi completo y limitarse a corregirlo. Un músico puede generar una textura sonora, grabar después instrumentos propios y reorganizar la pieza. Los tres utilizaron IA, pero la distribución de decisiones creativas es radicalmente distinta.
También es necesario separar creatividad de legalidad. Una obra puede resultar culturalmente interesante y no reunir las condiciones jurídicas de protección esperadas en una determinada jurisdicción. Del mismo modo, una creación humana protegida puede haber sido utilizada para entrenar un sistema bajo condiciones cuya licitud todavía se debate. Autoría, copyright, contratos, derecho a la imagen, voz y datos son problemas conectados, pero no intercambiables.
Desarrollo del tema
IA generativa: texto, imagen y música no son la misma operación creativa
Bajo la etiqueta “IA generativa” conviven sistemas con arquitecturas, datos y formas de salida diferentes. En texto, los modelos de lenguaje producen secuencias estimando qué unidades lingüísticas resultan plausibles a partir del contexto previo. La arquitectura transformer, presentada por Vaswani y siete colaboradores en 2017, sustituyó buena parte del procesamiento secuencial anterior por mecanismos de atención capaces de relacionar diferentes partes de una secuencia de manera altamente paralelizable (Vaswani et al., 2017).
En imagen, los modelos de difusión popularizaron otra estrategia. El trabajo de Ho, Jain y Abbeel de 2020 mostró resultados de síntesis visual de alta calidad mediante procesos que aprenden a revertir progresivamente la incorporación de ruido. Las interfaces actuales ocultan gran parte de esta complejidad: la persona escribe una descripción y recibe una imagen, pero debajo existe una operación probabilística que no funciona como un ilustrador humano siguiendo literalmente una orden (Ho et al., 2020).
La música presenta restricciones adicionales. No basta con producir una imagen instantánea: una composición necesita continuidad temporal, estructura, timbre y relaciones entre eventos. MusicLM, presentado en 2023, generaba audio a 24 kHz condicionado por descripciones textuales y podía mantener coherencia durante varios minutos; sus autores liberaron además MusicCaps, un conjunto de 5,500 pares entre música y descripciones elaboradas por especialistas (Agostinelli et al., 2023).
Comprender esta diferencia evita hablar de la IA como una única “máquina creativa”. Cada medio conserva problemas específicos. Un texto exige coherencia conceptual; una imagen puede resolverse en una sola superficie; una canción debe sostener relaciones temporales. La pregunta útil no es únicamente qué puede generar un sistema, sino qué decisiones estéticas permanecen sin resolver después de que genera.
Autoría y derechos: quién genera no siempre coincide con quién puede reclamar protección
El derecho de autor se construyó históricamente alrededor de autores humanos. En México, el texto vigente de la Ley Federal del Derecho de Autor —con última reforma publicada el 14 de mayo de 2026— establece en su artículo 12 que autor es la persona física creadora de una obra literaria o artística. El artículo 13 incluye, entre otras ramas, obras literarias, musicales, pictóricas, audiovisuales, fotográficas, arquitectónicas y programas de cómputo.
Esa regla vuelve central una pregunta práctica: ¿qué parte del resultado refleja decisiones creativas atribuibles a una persona? La respuesta no siempre será “todo” o “nada”. Una obra puede integrar elementos humanos protegibles con material generado automáticamente. También puede existir creatividad en la selección, disposición o modificación de materiales, aunque eso no convierta automáticamente cada elemento generado en una obra protegida de forma independiente.
Como referencia comparada, la Oficina de Copyright de Estados Unidos publicó en enero de 2025 la segunda parte de su estudio sobre IA. Concluyó que el material generado mediante IA puede formar parte de una obra protegida cuando existen suficientes elementos expresivos determinados por una persona —por ejemplo, aportaciones humanas perceptibles, selección, disposición o modificaciones creativas—, mientras que proporcionar únicamente instrucciones o prompts no suele bastar para controlar los elementos expresivos del resultado.
Existe otro problema distinto: los materiales utilizados para entrenar modelos. Aquí el debate internacional continúa abierto y no existe una respuesta única. La OMPI ha dedicado sucesivas sesiones desde 2024 y 2025 a entradas de entrenamiento, resultados, atribución, compensación e infraestructura de derechos. Consentimiento, licencias, transparencia y mecanismos de exclusión siguen siendo puntos de disputa entre desarrolladores, titulares de derechos y creadores.
Por eso un proyecto creativo responsable puede documentar cuatro niveles: qué material humano entra, qué hace el sistema, qué modifica después la persona y qué derechos posee sobre cada componente. Ese registro no resuelve por sí mismo todos los problemas jurídicos, pero impide que una cadena creativa compleja quede reducida a la frase “lo hizo la IA”.
Herramienta o sustituto: la diferencia está en qué decisiones y capacidades se delegan
Llamar a la IA “herramienta” parece resolver el debate, pero también puede ocultarlo. Un procesador de texto es una herramienta; un sistema que propone argumento, estructura, tono, ilustraciones y correcciones también puede llamarse herramienta. La palabra no informa cuánto trabajo cognitivo o expresivo fue delegado. Para analizar ese límite conviene observar funciones concretas.
En 2025, especialistas de la Oficina de Copyright estadounidense explicaron que ya habían registrado más de mil obras en las que los solicitantes habían seguido las orientaciones para declarar la presencia de material generado mediante IA y excluir de la reclamación aquello que correspondía al sistema. El caso muestra que “obra con IA” y “obra completamente automática” no constituyen una misma categoría.
Si una herramienta ahorra exactamente la parte del proceso donde usted aprendía a tomar decisiones estéticas, ¿está aumentando su capacidad creativa o eliminando el lugar donde esa capacidad se desarrollaba?
Un continuo resulta más útil que una dicotomía. En un extremo está la asistencia: resumir referencias, detectar repeticiones, limpiar ruido o producir variantes para explorar. Después aparece la co-elaboración: el sistema propone material y la persona lo reorganiza, modifica y evalúa de manera sustantiva. Más adelante está la delegación: se encarga al modelo una porción central de la expresión. En el extremo final aparece la sustitución, cuando el objetivo explícito es reemplazar tareas antes realizadas por profesionales creativos.
Ningún punto del continuo es automáticamente virtuoso o ilegítimo. Automatizar una tarea repetitiva puede liberar tiempo para decisiones de mayor valor. Una persona con discapacidad puede utilizar síntesis de voz o generación visual como medio para expresar decisiones que de otro modo serían difíciles de materializar. Al mismo tiempo, una organización puede utilizar la misma tecnología para reducir contratación sin crear mejores condiciones ni reconocer los materiales con los que el sistema fue desarrollado.
La pregunta decisiva para quien crea es pedagógica además de económica: ¿qué capacidad quiero conservar en mí? Si un escritor delega siempre el primer borrador, quizá gane velocidad y pierda práctica para descubrir una idea escribiéndola. Si un ilustrador genera composiciones pero continúa dibujando, puede incorporar la IA como espacio de exploración. La herramienta transforma inevitablemente a quien la utiliza.
Industrias creativas: no basta preguntar cuántos empleos desaparecerán
Las industrias culturales se encuentran especialmente expuestas porque buena parte de su producción ya es digitalizable: texto, imagen, sonido, video, diseño y publicidad pueden atravesar sistemas generativos. El índice global actualizado de la Organización Internacional del Trabajo en 2025 estimó que una de cada cuatro personas trabajadoras en el mundo se encuentra en una ocupación con algún grado de exposición a IA generativa. El informe subraya, sin embargo, que la transformación de tareas es más probable que la desaparición completa de la mayoría de ocupaciones.
La misma investigación señala que las capacidades crecientes para generar voz, imágenes y video elevaron la exposición de tareas presentes en ocupaciones de medios y web. Esto sugiere que el efecto no se concentrará únicamente en “artistas”: puede modificar ilustración comercial, doblaje, edición, traducción, producción musical, previsualización, diseño de conceptos, publicidad y múltiples trabajos intermedios que sostienen la cadena creativa.
música
La transformación tampoco será uniforme. Para una pequeña productora latinoamericana, generar bocetos visuales puede reducir el costo de presentar una propuesta antes de filmar. Para un ilustrador independiente, la misma capacidad puede aumentar la competencia de imágenes baratas. Para una plataforma, abaratar producción puede significar más contenido; para el público, esa abundancia puede dificultar encontrar trabajos singulares. Ganancia de eficiencia y pérdida de valor para determinados trabajadores pueden ocurrir simultáneamente.
Seleccione una situación y después el efecto dominante que conviene investigar.
En América Latina este análisis necesita incorporar concentración tecnológica. En julio de 2026, UNESCO y CECC/SICA publicaron un diagnóstico regional sobre adopción, impacto y gobernanza de IA en industrias culturales y creativas de Centroamérica y República Dominicana. El surgimiento de investigaciones regionales de este tipo es significativo: importar únicamente diagnósticos de mercados tecnológicos de altos ingresos puede ocultar diferencias de conectividad, idioma, informalidad laboral, infraestructura y capacidad regulatoria.
Estética computacional: cuando el espacio de posibilidades también fue aprendido
La cuestión estética más interesante quizá no sea si una computadora “tiene gusto”. Mucho antes del auge reciente, la creatividad computacional ya estudiaba si procesos algorítmicos podían combinar, explorar o transformar espacios de posibilidades. Margaret Boden desarrolló precisamente esta distinción al analizar creatividad combinatoria, exploratoria y transformacional mediante conceptos computacionales (Boden, 2010).
Aaron Hertzmann planteó en 2018 una distinción adicional: una computadora puede generar objetos visuales sofisticados sin que la sociedad necesariamente la reconozca como agente autor de arte. Desde esta perspectiva, la categoría de artista no depende solo de novedad formal; es también una relación social que involucra intención atribuida, contexto, responsabilidad e interpretación (Hertzmann, 2018).
Los sistemas generativos contemporáneos introducen otra capa. Su “espacio de posibilidades” no aparece en el vacío: está condicionado por datos, etiquetas, decisiones de arquitectura, filtros y preferencias incorporadas durante entrenamiento y ajuste. Si un modelo observó ciertas convenciones visuales millones de veces y otras muy pocas, su facilidad para producir unas y no otras será desigual. Por eso la estética computacional también puede estudiarse como una estética de la distribución estadística.
Esto ayuda a explicar la sensación de familiaridad que puede producir mucho contenido generado. Un sistema puede combinar elementos de manera novedosa y, sin embargo, tender hacia zonas muy densas de su espacio aprendido: retratos iluminados de determinadas maneras, composiciones reconocibles, armonías frecuentes o estructuras discursivas previsibles. El problema creativo deja entonces de ser “conseguir una imagen bonita” y se convierte en escapar conscientemente de las soluciones que el sistema ofrece con mayor facilidad.
La consecuencia es paradójica: cuanto más poderosa sea la generación automática, más valioso puede volverse el criterio para rechazar. Cuando producir cien variantes cuesta segundos, la escasez se desplaza desde la fabricación hacia la intención, selección, edición y contextualización. La creatividad no desaparece necesariamente; cambia de lugar.
Conclusión
El objetivo de esta ficha era construir un criterio que permita incorporar inteligencia artificial a procesos creativos sin confundir capacidad técnica, autoría, legalidad y valor cultural. La IA generativa puede producir material lingüístico, visual y musical con una velocidad extraordinaria, pero cada medio sigue exigiendo decisiones sobre forma, intención y contexto que no desaparecen porque una interfaz permita obtener resultados en segundos.
La discusión sobre autoría muestra además que el proceso importa. En México, el marco vigente continúa definiendo al autor como persona física; en otras jurisdicciones también se insiste en identificar contribuciones humanas cuando se solicita protección de obras que incorporan material generado. Paralelamente, entrenamiento, licencias, atribución y remuneración permanecen en debate internacional. No existe una sola regla capaz de responder todas estas preguntas.
Tampoco puede comprenderse el fenómeno observando únicamente la obra final. La misma tecnología que amplía la capacidad de una creadora independiente puede utilizarse para sustituir trabajo remunerado o concentrar poder en plataformas que controlan modelos, datos y distribución. La cuestión política y económica acompaña a la estética.
Quizá la pregunta decisiva no sea si una IA puede ser creativa en abstracto. Para quien crea, una pregunta más fértil es: ¿qué decisiones deseo delegar, cuáles necesito conservar y de cuáles quiero seguir siendo responsable? Esa respuesta puede cambiar entre proyectos, pero obliga a convertir la fascinación tecnológica en criterio creativo.
🔭 Para seguir aprendiendo
Esta ficha abre más preguntas de las que cierra. Aquí algunas para explorar:
- ¿Qué formas de creación podrían aparecer cuando artistas diseñen sistemas generativos propios en lugar de utilizar únicamente modelos comerciales?
- ¿Cómo debería distribuirse valor económico cuando una obra final depende de un creador, un modelo, infraestructura de plataforma y grandes cantidades de obras previas?
- ¿Puede desarrollarse una estética verdaderamente singular utilizando un sistema entrenado precisamente para aprender regularidades de enormes conjuntos de producción cultural?
Actividad de aprendizaje autónoma
Producto final: protocolo personal de coautoría humano-IA y experimento creativo comparativo. El propósito es que pueda explicar qué función cumple la IA en un proyecto y qué decisiones continuará realizando usted. La actividad puede hacerse con texto, imagen, música, video o diseño. Si no dispone de una herramienta generativa, puede construir las variantes manualmente describiendo qué tareas habría delegado.
- Defina una intención creativa en máximo 60 palabras. No describa todavía la herramienta: escriba qué experiencia, pregunta o efecto quiere producir.
- Divida el proceso en al menos ocho decisiones: investigación, concepto, estructura, boceto, generación de material, selección, edición, acabado, publicación u otras que correspondan a su medio.
- Marque cada decisión con una de tres categorías: humana, asistida por IA o delegada a IA. Justifique las tres decisiones que considere más importantes.
- Produzca dos rutas del mismo proyecto. Ruta A: mínima automatización. Ruta B: uso intensivo de IA. Si utiliza una herramienta, conserve las instrucciones y las versiones intermedias; si no la utiliza, describa de manera hipotética qué salida solicitaría.
- Compare las rutas utilizando cuatro criterios: singularidad estética, tiempo, aprendizaje personal y posibilidad de explicar la autoría. No dé por supuesto que la ruta más rápida es la mejor.
- Construya un registro de derechos: materiales propios, materiales de terceros, material generado por IA, voz o imagen de personas y licencias relevantes. Señale cualquier punto que requeriría revisión jurídica antes de explotación comercial.
- Analice el efecto laboral. Si este flujo se utilizara de manera habitual en una editorial, estudio, productora, colectivo o institución cultural, ¿qué tareas aumentaría, transformaría o sustituiría?
- Escriba una regla personal de máximo 150 palabras que responda: “¿En qué condiciones considero que la IA amplía mi creatividad y en cuáles empieza a sustituir capacidades que quiero conservar?”.
Antes de cerrar el protocolo, complete las siguientes relaciones. Cada una resume una distinción que debería aparecer después en las decisiones concretas de su proyecto.
Complete las cuatro afirmaciones.
1. Que un sistema produzca material novedoso no determina automáticamente su .
2. Cuando la persona decide intención, selecciona resultados y transforma expresivamente el material, existe una relevante.
3. Que una ocupación tenga tareas realizables mediante IA describe su , no la desaparición automática del empleo.
4. Cuando resultados distintos conservan composiciones, vocabulario o soluciones recurrentes, conviene investigar la aprendida por el sistema.
Evidencia de logro: el dossier debe incluir un mapa de decisiones, dos rutas creativas comparables, registro de materiales y derechos, análisis del efecto laboral y una regla personal que establezca límites razonados para el uso de IA.
Criterio de éxito: el trabajo será sólido si permite identificar, sin observar únicamente el resultado final, qué decisiones expresivas permanecen bajo control humano, qué tareas fueron delegadas, qué incertidumbres jurídicas existen y qué capacidad creativa se ganó o se perdió durante el proceso.
Reflexión final: después de comparar ambas rutas, ¿qué parte del proceso que inicialmente parecía una tarea aburrida descubrió que en realidad contenía una decisión creativa que no desea delegar?
Referencias · APA 7
Agostinelli, A., Denk, T. I., Borsos, Z., Engel, J., Verzetti, M., Caillon, A., Huang, Q., Jansen, A., Roberts, A., Tagliasacchi, M., Sharifi, M., Zeghidour, N., & Frank, C. (2023). MusicLM: Generating music from text. arXiv. https://doi.org/10.48550/arXiv.2301.11325
Boden, M. A. (2010). Précis of The creative mind: Myths and mechanisms. Behavioral and Brain Sciences.
Cámara de Diputados del H. Congreso de la Unión. (2026). Ley Federal del Derecho de Autor (texto vigente, última reforma DOF 14-05-2026).
Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure. International Labour Organization.
Hertzmann, A. (2018). Can computers create art? Arts, 7(2), 18. https://doi.org/10.3390/arts7020018
Ho, J., Jain, A., & Abbeel, P. (2020). Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems, 33.
Organización Mundial de la Propiedad Intelectual. (2025). Artificial intelligence and intellectual property. WIPO.
United Nations Educational, Scientific and Cultural Organization. (2026). Re|Shaping policies for creativity: We share, we act, we build. UNESCO. https://doi.org/10.58337/DQDA4649
U.S. Copyright Office. (2025). Copyright and artificial intelligence, Part 2: Copyrightability.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.