Durante años se ha repetido una idea bastante cómoda sobre la inteligencia artificial: los modelos no almacenan información, la generalizan. No recuerdan textos concretos, aprenden patrones. No copian, generan. Era una explicación razonable, incluso necesaria, para entender algo que de otro modo resultaba difícil de explicar.
El problema es que empieza a dejar de encajar. Varios estudios recientes, algunos de ellos procedentes de universidades como Cornell, Stanford o Yale, han puesto en evidencia algo bastante incómodo. Bajo determinadas condiciones, modelos como GPT-4o, Gemini o DeepSeek pueden reproducir textos protegidos por derechos de autor con una fidelidad sorprendente. No fragmentos sueltos, sino pasajes largos, reconocibles, en algunos casos cercanos al texto original casi palabra por palabra.
Y eso cambia completamente la conversación. Uno de los trabajos más relevantes, publicado en 2026 y centrado específicamente en este fenómeno, demuestra que mediante técnicas de ajuste fino es posible reactivar esa capacidad de reproducción. Los investigadores lograron que modelos como GPT-4o, Gemini 2.5 Pro o DeepSeek-V3.1 reconstruyeran entre el 85% y el 90% de libros completos a partir de simples descripciones o resúmenes, sin proporcionar el texto original durante la interacción.
Esto introduce una idea que hasta ahora se intentaba evitar: para poder reproducir algo con ese nivel de precisión, ese contenido tiene que estar, de alguna forma, dentro del modelo. No como un archivo accesible, pero sí como una huella suficientemente estable. Y eso apunta directamente a la memoria.
Otro detalle especialmente revelador es que esa capacidad no depende del ajuste concreto. En ese mismo estudio, modelos afinados exclusivamente con obras de un solo autor eran capaces de reproducir textos de muchos otros. Es decir, el ajuste fino no introduce la información, simplemente desbloquea algo que ya estaba ahí.
Eso sugiere una memorización previa generalizada. No puntual. No accidental.
Además, investigaciones paralelas de Stanford y Yale han mostrado que distintos modelos, desarrollados por empresas diferentes, son capaces de reproducir los mismos libros con niveles de coincidencia elevados, llegando en algunos casos a más del 70% o incluso superiores en fragmentos completos.
Y cuando distintos sistemas coinciden en los mismos textos, la explicación más plausible no es técnica. Es de origen. Comparten datos. O, al menos, comparten una parte significativa de ellos.
Esto conecta directamente con otra sospecha que lleva tiempo circulando: el uso de grandes colecciones de libros digitalizados sin licencia en los procesos de entrenamiento. Bases de datos como Books3 o repositorios similares han sido mencionados en múltiples investigaciones como posibles fuentes comunes.
Y aquí es donde la cuestión deja de ser técnica para volverse legal. Durante años, las empresas han defendido el uso de estos datos bajo el concepto de “uso justo”, argumentando que los modelos no almacenan contenido, sino que lo transforman. Pero si un sistema puede reproducir fragmentos completos de obras protegidas, ese argumento empieza a debilitarse.
No por interpretación. Sino por evidencia. El propio debate legal en torno a la inteligencia artificial ya gira en torno a esta cuestión. Si un modelo genera contenido que es sustancialmente similar —o directamente idéntico— a una obra original, podría considerarse una reproducción directa, lo que implicaría una posible infracción de derechos de autor.
Y eso abre un escenario complejo. Porque las consecuencias no son menores. Desde indemnizaciones millonarias hasta la necesidad de reentrenar modelos completos con datos auditados. Algo que no solo tendría un coste económico enorme, sino también un impacto directo en la calidad de los sistemas.
Porque parte de su rendimiento actual depende precisamente de esa escala de datos. Reducirla implica perder capacidad.
Hay, además, una lectura más profunda de todo esto. Algunos investigadores ya no hablan de modelos que “aprenden”, sino de sistemas que funcionan como una especie de compresión con pérdida de los datos originales. No almacenan los textos como tal, pero sí lo suficiente como para reconstruirlos bajo ciertas condiciones.
Y eso cambia la metáfora. Ya no es tanto aprendizaje como almacenamiento difuso.
Al final, la cuestión no es si los modelos pueden memorizar contenido. Parece claro que pueden. La cuestión es si el sistema en su conjunto —técnico, legal y económico— está preparado para asumir lo que implica que lo hagan.
Uno de los aspectos más interesantes —y más incómodos— de estos estudios no es solo que los modelos puedan reproducir textos, sino cómo se ha conseguido provocar ese comportamiento. La clave está en el fine-tuning, o ajuste fino, una técnica que en teoría sirve para especializar un modelo en tareas concretas, pero que en la práctica ha demostrado ser capaz de “desbloquear” información que ya estaba latente dentro del sistema.
En el trabajo publicado en 2026 bajo el título “Alignment Whack-a-Mole”, investigadores de distintas instituciones mostraron que bastaba con entrenar ligeramente el modelo en una tarea aparentemente inocua —por ejemplo, expandir resúmenes argumentales en textos completos— para que empezara a reconstruir libros enteros sin haber visto esos textos durante la interacción. Lo relevante no es la tarea en sí, sino el efecto: el fine-tuning no introduce conocimiento nuevo, sino que reactiva estructuras ya presentes en los pesos del modelo.
Esto se entiende mejor si se observa el comportamiento resultante. Tras ese ajuste fino, modelos como GPT-4o o Gemini fueron capaces de reproducir entre el 85% y el 90% de obras completas, con fragmentos literales de cientos de palabras, simplemente a partir de descripciones semánticas. Es decir, no se les daba el texto, sino una pista sobre él, y el modelo era capaz de reconstruirlo con un nivel de fidelidad que no encaja con la idea de “generación probabilística”.
Además, el efecto no dependía del contenido utilizado en el ajuste. Incluso cuando el fine-tuning se realizaba con obras de un solo autor, el modelo desbloqueaba textos de decenas de autores distintos. Esto refuerza la idea de que el conocimiento ya estaba distribuido internamente y que el ajuste fino actúa más como un interruptor que como una fuente de aprendizaje.
Otros estudios de Stanford y Yale han confirmado esta dinámica desde otro ángulo, mostrando que mediante prompts estructurados y configuraciones específicas es posible extraer grandes porciones de libros completos de modelos comerciales, incluso desconectados de internet, lo que descarta cualquier recuperación externa de datos.
En conjunto, lo que describen estas investigaciones es un comportamiento que se parece menos al aprendizaje y más a una especie de compresión con pérdida: los modelos no almacenan los textos como archivos accesibles, pero sí contienen suficiente información como para reconstruirlos cuando se les empuja en la dirección adecuada. Y el fine-tuning, en ese contexto, deja de ser una simple técnica de especialización para convertirse en una herramienta capaz de hacer visible esa memoria latente.
