Lo que los resúmenes de datos de entrenamiento de la Ley de IA de la UE revelan — y lo que no

El artículo 53(1)(d) de la Ley de IA de la UE obliga a todo proveedor de un modelo de IA de propósito general a publicar un «resumen suficientemente detallado» del contenido usado para entrenarlo, según una plantilla que la Oficina de IA publicó en julio de 2025. La obligación entró en vigor el 2 de agosto de 2025. Llevo un tiempo reuniendo los resúmenes efectivamente presentados en un pequeño conjunto de datos comparable —está disponible en transparency.kieranmaynard.com/ai-training— y el ejercicio termina diciendo más sobre el estado de la regulación que sobre los modelos.

Lo que la plantilla pide en realidad

La plantilla es deliberadamente modesta. Para cada modalidad presente en los datos de entrenamiento —texto, imagen, audio, vídeo, otros— el proveedor marca uno de tres tramos de tamaño (para texto: menos de mil millones de tokens, de mil millones a diez billones, o más de diez billones) y describe el tipo de contenido. Luego, una serie de casillas sí/no sobre la procedencia de los datos: conjuntos de datos de acceso público, datos con licencia comercial, datos privados de terceros, datos que el proveedor rastreó él mismo, datos de usuarios y datos sintéticos. Más una fecha de corte de adquisición de datos.

Eso es todo. Sin recuento de tokens, sin nombres de conjuntos de datos, sin proporciones. La Comisión lo diseñó para dar a los titulares de derechos y al público una referencia mínima sin forzar a los proveedores a entregar secretos comerciales. Así que el techo de lo que un resumen aislado puede decir está fijado bajo, por diseño. El valor, si lo hay, surge de ponerlos uno al lado del otro —algo que nadie más hacía, y la razón por la que construí el conjunto de datos—. Normalizo cada tramo de tamaño a un rango (1 a 3, 0 para «no aplicable») para que los tamaños toscos al menos puedan ordenarse entre proveedores.

La señal más reveladora es quién falta

En mi última actualización, once modelos de siete proveedores habían presentado la plantilla estandarizada: Google (Gemini 3 Pro), Meta (Muse Spark), Microsoft (la familia Phi-4), OpenAI (GPT-5.5), la suiza Swiss AI (Apertus), la polaca SpeakLeash (Bielik) y Hugging Face (SmolLM3).

Las ausencias llamativas son los laboratorios de frontera que uno esperaría ver. Anthropic —incluido su modelo insignia actual, Fable 5— junto con Mistral y xAI no han presentado según la plantilla. Divulgan el contenido de entrenamiento a la vieja usanza, como un párrafo de prosa en una ficha de modelo: «una mezcla propietaria de información de acceso público, datos con licencia y datos generados por nuestros equipos», o algo por el estilo. Es una divulgación real, pero no es el artefacto estandarizado que la regulación exige ahora, y no es comparable con nada.

La brecha no es desafío frente a cumplimiento. Es una costura temporal escrita en la ley. Los modelos puestos en el mercado de la UE después del 2 de agosto de 2025 deben presentar ya; los que ya estaban en el mercado antes de esa fecha tienen hasta el 2 de agosto de 2027 para elaborar su resumen. Así que los modelos en la plantilla son, casi sin excepción, o bien modelos insignia recién estrenados que cruzaron la línea tras la fecha límite, o bien laboratorios de código abierto y europeos que presentaron de forma proactiva porque la apertura es todo su argumento. Los que se abstienen están, en su mayoría, sentados sobre el plazo transitorio. «Quién ha presentado» es hoy mejor indicador de «quién sacó un modelo nuevo hace poco, o quiere parecer transparente» que de «quién es más transparente».

Lo que los datos presentados sí muestran

Al leer los resúmenes en horizontal, algunas cosas se sostienen.

Todos afirman usar datos públicos; la variación interesante está en todo lo demás. Cada presentador marca «conjuntos de datos de acceso público». Esa casilla casi no aporta información —es el precio de entrada—. Donde los proveedores realmente difieren es en las otras categorías: si ejecutaron su propio rastreador o se apoyaron en conjuntos públicos que otro armó; si licenciaron datos comercialmente; si usaron datos sintéticos; y —la que se lee como una divulgación genuina— si entrenaron con datos de usuarios. OpenAI marca «sí» en datos de usuarios, y el resumen aclara con cuidado que se refiere a datos de productos como ChatGPT y Codex, no a los registros de interacción con el modelo; Meta también marca «sí». Los laboratorios abiertos y europeos —Apertus, Bielik, SmolLM3— marcan «no», junto a ninguna licencia comercial y ningún rastreo propio. Las casillas sí/no de la plantilla son toscas, pero es justamente esa columna la que te dice algo que una página de marketing callaría.

El tramo de tamaño superior ya está saturado. «Más de diez billones de tokens» es el mayor cubo que la plantilla ofrece para texto, y ya es simplemente la norma: Gemini 3 Pro, Muse Spark, GPT-5.5 y SmolLM3 caben todos en él. Un modelo abierto de 3.000 millones de parámetros y un sistema de frontera declaran el mismo tramo de tamaño de texto. No es un error —es exactamente lo que hace una escala de tres cubos una vez que el campo ha superado el cubo superior—. Deja de discriminar. Los campos de tamaño sirven para separar un modelo pequeño o antiguo (Bielik cae en el tramo intermedio) de uno grande y moderno, e son inútiles para cualquier distinción más fina.

La cobertura de modalidades es el corte más limpio. Lo único que los datos separan con nitidez es multimodal frente a solo texto. Google, Meta y OpenAI declaran datos de entrenamiento de imagen, audio y vídeo; las entradas de los laboratorios abiertos son solo de texto. Es una distinción real y verificable, visible de un vistazo de un modo en que los tramos de tamaño no lo son.

Las limitaciones son estructurales, no incidentales

Como con los informes de transparencia de la DSA sobre los que ya escribí, las restricciones importan tanto como el contenido, y varias están incrustadas en el régimen mismo, no en mi recopilación de él.

No hay registro. Nadie mantiene una lista canónica de resúmenes presentados, así que «quién ha publicado» es en sí una pregunta de investigación —encontré varios de estos trabajando hacia atrás desde un estudio académico y desde fichas de modelo de Hugging Face—. Cada proveedor se autopublica donde quiere, en el formato que quiere. En la práctica eso significó un PDF de informe de transparencia de Google, PDF con campos de formulario de Meta y OpenAI, una «ficha de resumen de datos» en markdown de Microsoft, un PDF en un repositorio de Hugging Face para Apertus, y —para SmolLM3— un widget interactivo respaldado por una aplicación Gradio, de la que tuve que extraer la plantilla rellenada del código fuente de la aplicación. Una plantilla estandarizada publicada de cinco maneras distintas está solo medio estandarizada.

No hay auditoría. Cada casilla es autodeclarada; nada externo confirma que un «no» en datos rastreados o de usuarios sea exacto. Y la plantilla pregunta si se usó una fuente, nunca cuánto, de modo que un proveedor que se entrenó abrumadoramente con datos licenciados y otro que apenas tocó un único conjunto licenciado marcan la misma casilla. «De acceso público» nunca se define, así que absorbe todo, desde corpus de investigación cuidadosamente curados hasta la web abierta.

Nada de esto vuelve inútiles los datos. Los hace lo que son: una instantánea estructurada, autodeclarada y transversal a los proveedores, genuinamente útil para captar la forma del campo —quién entrena con qué tipos de fuentes, aproximadamente a qué escala, en qué modalidades— y engañosa si tratas una casilla marcada como una cantidad medida.

Qué esperar

Las facultades de ejecución se activan el 2 de agosto de 2026 —la Oficina de IA podrá actuar desde esa fecha ante un resumen ausente o insuficiente, con sanciones de hasta el 3 % de la facturación mundial o 15 millones de euros—. El cambio mayor llega con el plazo transitorio del 2 de agosto de 2027, cuando los modelos preexistentes también deban presentar. Ahí es donde el conjunto de datos se pone interesante: los modelos insignia que hoy divulgan en prosa —los que debo dejar fuera— tendrán que producir el artefacto estandarizado o arriesgarse a la ejecución, y la señal de «quién falta» significará por fin algo más cercano al incumplimiento que al calendario.

Espero que dos cosas se hagan visibles a medida que eso ocurra. Primero, el tramo superior tosco se volverá más embarazoso, no menos: conforme más sistemas de frontera se amontonen en «más de diez billones de tokens», crecerá la presión por añadir cubos más finos —o por declarar una cifra real—, porque un instrumento de transparencia incapaz de distinguir un modelo de 12 billones de tokens de uno de 50 billones no le dice gran cosa a los reguladores. Segundo, la fragmentación de formatos empeorará antes de mejorar, a menos que la Oficina de IA levante un registro de verdad; cien resúmenes más dispersos por cien CDN corporativas y repositorios de modelos no son un régimen de transparencia, son una búsqueda del tesoro.

La plantilla es una mejora real frente al statu quo anterior, que era nada. Pero la historia interesante en los datos ahora mismo no es lo que cualquier modelo divulga —es la costura entre los laboratorios que tuvieron que presentar y los que aún no lo han hecho, y cuánto explica hoy ese solo accidente de calendario—. Mantendré actualizado el conjunto de datos a medida que el plazo de 2027 arrastre al resto del campo hacia la plantilla, y veremos si la comparabilidad sobrevive al contacto con cien presentaciones más.