💬 NLP

When Algorithms Meet Artists: Semantic Compression and Stake-holder Marginalisation in Public AI-Art Discourse (2013-2025)

Este artículo revela que el discurso público sobre la IA y el arte margina sistemáticamente a los artistas mediante la "compresión semántica", un proceso en el que las diversas preocupaciones de las partes interesadas se reducen a un conjunto limitado de temas dominados por tropos generales sobre la creatividad, dejando las reivindicaciones regulatorias específicas y las experiencias vividas de los artistas mayormente ausentes de las narrativas que dan forma a la gobernanza de la IA.

Autores originales: Ariya Mukherjee-Gandhi, Oliver Muellerklein

Publicado 2026-07-29

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ariya Mukherjee-Gandhi, Oliver Muellerklein

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que entras en una plaza de pueblo gigante y ruidosa donde todo el mundo grita sobre un nuevo invento: la Inteligencia Artificial. En esta plaza, hay dos grupos principales de personas. Un grupo son los "Constructores", las empresas tecnológicas y los científicos que están creando la IA. El otro grupo son los "Usuarios", los artistas cuyo trabajo está aprendiendo la IA. Los Constructores son ruidosos y claros, hablando de lo increíble, rápido y revolucionario que es la nueva máquina. Ellos son los que sostienen los megáfonos.

Pero aquí está la parte difícil: ¿Cómo sabemos qué piensan realmente los Usuarios? En la ciencia, especialmente cuando se estudia cómo las personas interactúan con la tecnología, los investigadores suelen observar el "discurso público". Esto es solo una forma elegante de decir "lo que la gente dice en las noticias, en los documentos judiciales, en los podcasts y en los artículos de investigación". Utilizan una herramienta llamada "modelado de temas" (topic modeling), que es como una máquina de clasificación superinteligente. Lee miles de frases y las agrupa en cubetas basadas en aquello de lo que tratan. Si las noticias hablan principalmente de "la IA como una herramienta genial" y "la IA como un monstruo aterrador", la máquina pone esas frases en dos grandes cubetas.

La gran pregunta que este artículo plantea es: Si escuchamos toda la plaza del pueblo, ¿escuchamos realmente a los Usuarios? ¿O el ruido de los Constructores los ahoga? Los investigadores querían ver si las opiniones complejas, desordenadas y variadas de los artistas reales estaban recibiendo una parte justa del micrófono, o si sus voces estaban siendo aplastadas en un rincón diminuto e irreconocible de la conversación.

El Gran Aplastamiento de la Voz

En este estudio, dos investigadores decidieron jugar a la "etiqueta semántica" para ver qué estaba pasando realmente en el mundo de la IA y el arte entre 2013 y 2025. Reunieron una pila masiva de charla pública: 1.736 fragmentos de texto de artículos de noticias, podcasts, casos judiciales y artículos de investigación. Utilizaron su máquina de clasificación para organizar esta pila en 20 temas diferentes. Algunos temas trataban sobre la historia de la tecnología, otros sobre la filosofía de la creatividad y otros sobre los derechos legales de los artistas.

Luego, trajeron a los verdaderos artistas. Tomaron las respuestas de 252 artistas en ejercicio en los EE. UU. (pintores, fotógrafos, escritores, músicos y más) que habían sido encuestados sobre sus sentimientos hacia la IA. Estos artistas tenían opiniones muy específicas y matizadas. Algunos pensaban que la IA era una gran herramienta pero un mal modelo de negocio. Algunos querían que se les pagara por su trabajo; otros estaban dispuestos a donarlo gratis. Algunos tenían miedo; otros tenían curiosidad. En total, estos artistas expresaron 70 puntos de vista únicos (o "marcos") a través de cinco áreas principales: Amenaza, Utilidad, Propiedad, Transparencia y Compensación.

Los investigadores tomaron entonces estos 70 puntos de vista únicos de los artistas e intentaron "proyectarlos" en el mismo mapa de 20 temas que habían construido a partir de las noticias públicas. Querían ver: ¿Dónde aterrizan los artistas en el mapa?

El Resultado Sorprendente: Una Isla Diminuta en un Océano Grande

La respuesta fue sorprendente. El mapa del discurso público era enorme y variado, lleno de 20 temas diferentes. Pero cuando los investigadores dejaron caer las voces de los artistas sobre este mapa, estas no se dispersaron. No aterrizaron en la cubeta de "Derechos Legales" o en la de "Pago Justo". En cambio, el 94.9% de todas las preocupaciones de los artistas quedó aplastado en solo dos temas.

Piénsalo así: Imagina una biblioteca gigante con 20 habitaciones diferentes. El público habla de todo, desde la historia de los pinceles hasta las matemáticas detrás de la IA. Pero cuando los artistas intentan hablar, todos son forzados a entrar en la Habitación 1 y la Habitación 2.

La Habitación 1 está etiquetada como "La IA como Colaboradora Creativa".
La Habitación 2 es "Autenticidad del Arte por IA y Creatividad Humana".

Las otras 15 habitaciones de la biblioteca, que constituyen el 58.2% de toda la conversación, están completamente vacías de voces de artistas. Estas habitaciones vacías son donde el público habla de "Derechos de Autor de la IA y Protección Legal", "Herramientas de Defensa del Artista" y "Debates sobre la Autoría del Arte por IA". El público está teniendo una gran conversación sobre los artistas en estas habitaciones, pero los artistas mismos no están allí. Es como una reunión comunitaria sobre tu vecindario donde el alcalde, la policía y los promotores inmobiliarios están hablando, pero los residentes reales están encerrados fuera del edificio.

No es Solo un Desajuste de Estilo

Podrías pensar: "Bueno, tal vez los artistas simplemente suenan diferente. Tal vez usan frases cortas y sencillas en las encuestas, mientras que las noticias usan párrafos largos y sofisticados. Tal vez sea por eso que no coinciden".

Los investigadores comprobaron esto. Tomaron las noticias públicas y las fragmentaron en frases cortas y sencillas que sonaran exactamente como las respuestas de las encuestas de los artistas. Intentaron igualar el estilo. Pero incluso cuando el estilo era idéntico, los artistas seguían sin encajar. La brecha no era por cómo hablaban; era por de qué estaban hablando. El discurso público simplemente estaba ignorando las demandas específicas y accionables de los artistas.

Las Cuatro Formas en que Ocurre el Aplastamiento

El artículo encontró que este "aplastamiento" ocurre de cuatro maneras astutas:

Exclusión Temática: Los artistas simplemente no son invitados a la fiesta. Como se mencionó, 15 de los 20 temas tienen cero voces de artistas, a pesar de que esos temas tratan literalmente sobre los derechos de los artistas y la defensa legal.
Redirección de Marcos: Esta es la parte más confusa. Cuando los artistas hablan de Propiedad (¿quién es dueño del arte?) o Utilidad (¿es útil esta herramienta?), sus palabras son redirigidas. En lugar de aterrizar en un tema sobre "Dinero" o "Derechos", sus palabras terminan en la habitación de "Autenticidad". Así, un artista que dice "Quiero ser dueño de mi obra", es agrupado con un filósofo que pregunta "¿Es esto siquiera arte real?". La demanda específica de propiedad se pierde en un debate sobre estética.
Simplificación Binaria: Al público le encantan las historias simples: ¿Es la IA una "Amenaza" o una "Herramienta"? Los investigadores descubrieron que el discurso público fuerza a los artistas en estas dos cajas. Si un artista dice "La IA es una amenaza para mi trabajo", la conversación pública lo pone en la caja de "Amenaza". Pero si dicen "La IA no es una amenaza", se les pone en la caja de "Autenticidad". La sutileza desaparece. La conversación pública no tiene lugar para un artista que dice: "Es una amenaza para mi trabajo, pero también la uso para hacer cosas geniales".
Colapso de la Voz: Esta es la más compleja. El discurso público agrupa a las personas simplemente porque suenan similares, incluso si significan cosas opuestas. Por ejemplo, la habitación de "Colaborador Creativo" contiene tanto a artistas que aman la IA como a artistas que la odian, simplemente porque ambos usan el mismo tono de "artista preocupado". El público ve a un grupo de artistas hablando, pero no puede distinguir que la mitad de ellos quiere prohibir la tecnología y la otra mitad quiere venderla.

Por Qué Esto Importa

Los investigadores son muy claros: esto no es solo una extraña peculiaridad estadística. Es un problema estructural. Cuando los responsables políticos, los jueces y las empresas miran las noticias para decidir qué quieren los artistas, están mirando una imagen distorsionada. Ven un debate simple entre "IA vs. Humano" o "Arte vs. Tecnología". No ven la realidad compleja donde los artistas tienen 70 demandas diferentes y específicas sobre cómo deben ser pagados, cómo debe usarse su información y cuáles son sus derechos.

El artículo sugiere que este "aplastamiento semántico" significa que las personas principales afectadas por la IA (los artistas) están siendo empujadas al margen de la conversación. Son el sujeto de la charla, pero no son los que están hablando. El espacio público ha capturado la idea de la IA y el arte, pero ha fallado en capturar la realidad de las preocupaciones de los artistas. El resultado es un sistema de gobernanza que podría crear leyes basadas en una versión simplificada y comprimida de la verdad, pasando por alto las necesidades reales de las personas que se supone debe proteger.

Resumen Técnico: Compresión Semántica y Marginalización de los Grupos de Interés en el Discurso Público sobre el Arte por IA

Planteamiento del Problema
El artículo aborda una brecha crítica en la gobernanza de la IA generativa: la falta de evidencia empírica sobre si las preocupaciones de los principales grupos de interés (artistas) logran una representación proporcional en el discurso público que moldea las políticas de IA. Aunque los artistas son los autores primarios de los datos de entrenamiento y los más susceptibles a los impactos disruptivos de los sistemas generativos, sus puntos de vista complejos y multidimensionales suelen reducirse a narrativas binarias (por ejemplo, "la IA como amenaza" frente a "la IA como herramienta") en los medios y el debate público. Los autores postulan que el discurso público puede comprimir sistemáticamente las diversas preocupaciones de los grupos de interés en una región estrecha del "espacio de significado", volviendo periféricos a los principales grupos de interés mediante mecanismos de marginalización epistémica en lugar de un silenciamiento explícito. Este fenómeno, denominado compresión semántica, corre el riesgo de distorsionar las señales de política si la gobernanza depende del discurso público como un sustituto de las prioridades de los grupos de interés.

Metodología
El estudio emplea un enfoque de ciencias sociales computacionales para mapear el paisaje semántico del discurso público sobre el arte y la IA (2013–2025) y proyectar los puntos de vista de los artistas en este espacio compartido para cuantificar la alineación y la divergencia.

Construcción del Corpus:
- Discurso Público: Se ensambló un corpus multimodal de 125 documentos (noticias, podcasts, escritos legales, artículos de investigación) mediante consultas dirigidas en Google Search, segmentados en 1,736 fragmentos de texto (~250 palabras).
- Datos de Encuesta de Artistas: Derivados de Lovato et al. (2024), capturando a 252 artistas en ejercicio radicados en EE. UU. Las respuestas se convirtieron en 1,259 "sondas" declarativas cortas que cubren 70 marcos únicos en cinco dimensiones de preocupación: Amenaza, Utilidad, Propiedad, Transparencia y Compensación.
- Controles de Estilo: Para distinguir la divergencia semántica sustantiva del desajuste estilístico (formato de encuesta frente al de medios), se generaron 7 hitos de "sondas públicas emparejadas por estilo" (frases declarativas cortas extraídas de documentos públicos) mediante similitud de embeddings.
Mapeo y Proyección Semántica:
- Embedding: Todas las unidades de texto fueron codificadas utilizando sentence-transformers/e5-large-v2 (1,024 dimensiones).
- Geometría de Consenso: Para asegurar la estabilidad, se generaron 30 proyecciones UMAP con distintas semillas aleatorias, y sus matrices de distancia euclidiana por pares se promediaron para crear un espacio de consenso de 5 dimensiones.
- Proyección: Se entrenó un Perceptrón Multicapa (MLP) para mapear los embeddings de 1,024 dimensiones a las coordenadas de consenso de 5 dimensiones. Las sondas de los artistas y las sondas públicas emparejadas por estilo se proyectaron en esta geometría fija después del entrenamiento para evitar la fuga de datos (data leakage).
- Clustering: Los 1,736 fragmentos públicos se agruparon en 20 temas distintos mediante KMeans ( $k=20$ ), seleccionados mediante un proceso de validación de hiperparámetros que equilibra los puntajes de silueta y la validez de los temas.
Marco de Análisis:
- Análisis Distribucional: Pruebas de chi-cuadrado, V de Cramér y divergencia de Jensen-Shannon compararon la distribución de las sondas de los artistas contra el discurso público y los controles emparejados por estilo a través de los 20 temas.
- Análisis Geométrico: Las distancias de centroides y las tasas de $k$ -vecinos más cercanos midieron la separación espacial en el espacio de consenso de 5D.
- Métricas de Compresión: El estudio calculó la entropía de la distribución, la cobertura de temas y una Relación de Compresión de Marco a Tema (marcos únicos divididos por temas ocupados) para cada dimensión de preocupación.
- Interpretación de Temas: Un enfoque de múltiples anotadores (2 codificadores humanos + 4 LLM) sintetizó las etiquetas para los 20 temas, tratándolos como interpretaciones derivadas de un panel en lugar de una verdad absoluta.

Resultos Clave
El análisis revela una compresión semántica sistemática de las preocupaciones de los artistas, donde las diversas posiciones de los grupos de interés colapsan en un subconjunto estrecho de temas del discurso público.

Concentración Extrema: El 94.9% de todas las sondas de los artistas se concentran en solo dos de los 20 temas del discurso público: "Autenticidad del Arte por IA y Creatividad Humana" (T13) y "IA como Colaborador Creativo" (T1). Los 15 temas restantes (que comprenden el 58.2% del volumen del discurso público) contienen cero perspectivas de artistas.
Exclusión Temática: Seis temas etiquetados explícitamente por el panel de anotadores como relacionados con los derechos de los artistas (por ejemplo, "Derechos de Autor de la IA y Protección Legal", "Herramientas de Defensa del Artista contra la IA") no contienen sondas de artistas, a pesar de contener 532 fragmentos de discurso público.
Redirección de Marcos:
- Propiedad y Utilidad: Todos los 24 marcos de propiedad y todas las posiciones de utilidad se mapean enteramente al Tema T13 ("Autenticidad del Arte por IA..."). Las afirmaciones sustantivas sobre derechos de propiedad y trabajo se redirigen hacia una región del discurso pre-enmarcada como un debate filosófico sobre la autenticidad estética.
- Simplificación Binaria: La dimensión de "Amenaza" se divide claramente en dos temas, pero los destinos invierten las posiciones sustantivas: los artistas que afirman que "la IA es una amenaza" aterrizan en el tema "IA como Colaborador Creativo", mientras que aquellos que afirman que "la IA no es una amenaza" aterrizan en el tema de "Autenticidad".
- Colapso de Voz: Posiciones heterogéneas (por ejemplo, exigir compensación frente a ofrecer donaciones gratuitas) colapsan en el mismo tema porque comparten un "registro de artista en primera persona preocupado", ocultando las diferencias políticas sustantivas.
Estilístico vs. Semántico: La divergencia es predominantemente semántica. Incluso al controlar el estilo (comparando las sondas de los artistas con las sondas públicas emparejadas por estilo), la separación geométrica aumenta (la distancia del centroide pasa de 2.003 a 3.754 unidades) y el tamaño del efecto (V de Cramér) sigue siendo alto (0.734).

Significado y Reivindicaciones
El artículo afirma proporcionar la primera medición empírica de la marginalización epistémica en el discurso del arte y la IA, demostrando que la subrepresentación de los artistas es estructural y no incidental.

Mecanismo Estructural: El estudio identifica que la marginalización opera a través de un conjunto de mecanismos por capas: exclusión temática, redirección de marcos, simplificación binaria y colapso de voz. Esto crea una "brecha de descripción" donde las demandas de los artistas son procesadas como contribuciones a conversaciones (por ejemplo, filosofía estética) en las que ellos no entraron.
Riesgo de Gobernanza: Los autores argumentan que depender del discurso público como un sustituto de las prioridades de los grupos de interés plantea un riesgo directo para la gobernanza de la IA. Los responsables políticos que interpreten el sentimiento público perderán la complejidad política interna de las demandas de los artistas (por ejemplo, las distinciones entre mecanismos de exclusión voluntaria (opt-out), licencias y compensación), lo que llevará a regulaciones calibradas contra una "señal comprimida".
Contribución Metodológica: El artículo ofrece un marco reproducible para auditar la equidad representativa mediante la proyección de los marcos de encuestas de los grupos de interés en el espacio semántico del discurso público. Este enfoque va más allá de las afirmaciones normativas de "escuchar voces" para ofrecer una demostración medible de dónde se encuentran esas voces (o su ausencia) dentro del ecosistema discursivo.

El estudio concluye que, si bien la esfera pública ha capturado el tema de la IA y el arte, no ha logrado capturar la realidad de las preocupaciones de los artistas, volviendo a los principales grupos de interés periféricos en el mismo discurso que moldea sus condiciones de práctica.