La inteligencia artificial puede acelerar un diseño, pero el archivo terminado apenas cuenta cómo se llegó hasta él. Para las empresas que innovan con estas herramientas, conservar esa historia empieza a formar parte del valor del proyecto.
Imaginemos una empresa de ingeniería que acaba de resolver un problema de vibraciones en una pieza. Durante semanas, su equipo ha trabajado con un sistema de IA: ha aportado diseños anteriores y datos de ensayos, ha estudiado las variantes propuestas y ha corregido las que parecían prometedoras. La pieza finalmente supera las pruebas. Cuando un socio se interesa por fabricarla, pide saber qué puede licenciarle la empresa y de dónde procede la solución.
Responder exige volver atrás. Una restricción importante estaba en un informe de hace tres años; el modelo sugirió una geometría que nadie había considerado; una ingeniera detectó un problema de fatiga y cambió una tolerancia. El diseño final reúne todo ese trabajo, aunque al abrir el archivo solo se vea la pieza. Para explicar quién aportó qué, el equipo tendrá que reunir documentos, conversaciones y decisiones que quedaron repartidos entre distintas aplicaciones.
La escena es hipotética, pero permite situar una dificultad concreta de la innovación asistida por IA. Entre la primera consulta y el resultado se mezclan conocimientos previos, propuestas del sistema y criterio profesional. Cuando llega el momento de compartir o explotar lo creado, importa poder distinguirlos. Esa capacidad de reconstruir el recorrido es lo que aquí entendemos por trazabilidad del conocimiento.
Lo que la empresa sabía antes de preguntar
En el proyecto de la pieza, parte de la ventaja competitiva podría encontrarse en los diseños que fracasaron. Cada ensayo fallido ha dejado información sobre materiales, cargas o geometrías que conviene evitar. Al incorporar ese archivo a una consulta, el equipo ofrece al sistema un punto de partida que otro competidor quizá necesitaría años de trabajo para reunir.
Por eso, la protección del conocimiento comienza antes de recibir una respuesta. La empresa necesita saber qué documentos está compartiendo, si puede utilizarlos de ese modo y qué sucede con ellos después. Un informe elaborado para un cliente, por ejemplo, puede estar disponible en el repositorio del equipo sin que eso autorice a introducirlo en cualquier servicio externo.
Las condiciones de uso de la IA requieren cierta atención porque describen operaciones diferentes. Durante una consulta, el modelo procesa información para responder: es la inferencia. El servicio también puede conservar datos para recuperarlos después, mientras que el entrenamiento modifica los parámetros del modelo. Enviar un archivo no demuestra que se haya utilizado para entrenar; tampoco permite concluir que se haya borrado al terminar la conversación.
Una promesa de que los datos no se emplean en entrenamiento deja, por tanto, preguntas pendientes: cuánto tiempo permanecen almacenados, quién puede acceder a ellos y qué ocurre si el asistente utiliza herramientas de terceros. En nuestro ejemplo, estas condiciones ayudarían a decidir si basta con compartir una versión simplificada del diseño o si resulta necesario aportar ensayos completos en un entorno autorizado.
La Ley de Secretos Empresariales conecta esa gestión cotidiana con la protección jurídica. Para que una información quede amparada, debe ser secreta, tener valor empresarial por ese carácter y haber sido objeto de medidas razonables para mantenerla así. Compartirla bajo condiciones adecuadas de confidencialidad no equivale automáticamente a hacerla pública. Lo decisivo es cómo se ha protegido realmente y qué obligaciones asumen quienes acceden a ella.
Qué puede reclamar quien trabaja con IA
Con la pieza terminada, la conversación cambia. El posible socio quiere conocer sus prestaciones y también los derechos que podría adquirir. La empresa quizá haya contratado un servicio cuyas condiciones le atribuyen derechos sobre los resultados, como contemplan las condiciones comerciales de Anthropic. Sin embargo, ese acuerdo entre cliente y proveedor no determina por sí solo qué protección tendrá el diseño frente a otras empresas.
La diferencia se aprecia con facilidad en una imagen. Un diseñador puede pedir cientos de versiones hasta encontrar una que le guste, o puede incorporar material generado a una composición propia y modificarla de forma creativa. Ambas tareas requieren decisiones, pero su relevancia para los derechos de autor debe examinarse en cada caso. La cantidad de intentos no permite deducir, por sí sola, quién ha creado la expresión final.
En su informe de 2025 sobre IA y copyright, la oficina estadounidense explica que los prompts, por sí solos, no proporcionan suficiente control sobre la expresión en las tecnologías analizadas. También reconoce que determinadas aportaciones humanas, como modificaciones o composiciones originales, pueden ser protegibles. En España, los artículos 5 y 10 de la Ley de Propiedad Intelectual sitúan la autoría en la persona natural y protegen las creaciones originales. Conservar bocetos y versiones ayuda a identificar esa aportación.
Para una solución técnica, el análisis se desplaza hacia las patentes. La Oficina Europea de Patentes confirmó en el caso DABUS que el inventor designado debe ser humano. Esa decisión no resuelve por sí sola si nuestra pieza sería patentable ni a quién correspondería la contribución inventiva. Habría que estudiar la solución y la intervención de las personas: aprobar un resultado y concebir el cambio que lo hace funcionar pueden ser tareas de participantes distintos.
La dificultad de establecer el origen de una idea también ha aparecido en la investigación matemática. El 8 de septiembre de 2026, OpenAI presentó una propuesta de solución al problema de existencia y regularidad de Navier–Stokes, relacionado con el comportamiento de los fluidos. Acompañó el trabajo de una formalización en Lean, una herramienta que permite comprobar demostraciones expresadas mediante reglas formales.
En su explicación, actualizada el 10 de septiembre, la compañía afirmó que una investigación interna había descartado que las consultas privadas del matemático Tristan Buckmaster a Codex hubieran influido en el resultado. Esa conclusión debe atribuirse a OpenAI. La comprobación formal del argumento y la revisión de la procedencia de las ideas responden a preguntas diferentes; la primera no convierte la segunda en una auditoría independiente. El contexto de este episodio se desarrolla en nuestro artículo sobre investigación científica con IA.
La distinción vuelve a ser útil al regresar al taller. Una simulación satisfactoria aporta información sobre el comportamiento de la pieza, pero deja abiertas las preguntas sobre quién introdujo una solución o con qué permiso se utilizó un documento. Para responderlas hacen falta otras evidencias. Que un resultado funcione y que podamos explicar su origen son dos logros que deben construirse durante el proyecto.
La historia que merece conservarse
Supongamos que, al revisar el desarrollo, el equipo encuentra una nota junto a una versión descartada: la geometría sugerida por el modelo concentraba esfuerzos en una zona que ya había fallado en ensayos anteriores. La ingeniera reconoció el problema, ajustó el diseño y encargó una nueva prueba. Esa anotación explica una intervención que el archivo final oculta y permite que otra persona comprenda por qué se tomó la decisión.
Conservar ese tipo de relaciones daría forma a lo que podemos llamar una «cadena de custodia del conocimiento». La expresión describe aquí una propuesta de gestión de evidencias, sin constituir una figura jurídica nueva ni un certificado de propiedad. Su utilidad consiste en mantener unidos los documentos, las versiones y las decisiones necesarias para reconstruir el desarrollo.
En la empresa del ejemplo, el recorrido empezaría por los ensayos y diseños disponibles antes de utilizar la IA, con su procedencia y permisos. A ellos se vincularían las consultas decisivas, el servicio y modelo empleados, las fechas y las respuestas que influyeron en el trabajo. Cuando una herramienta externa o una configuración tuviera relevancia, también quedaría asociada a la versión correspondiente.
El registro ganaría valor al recoger las razones de los cambios humanos. Una observación sobre fatiga, una tolerancia corregida o una prueba repetida bajo nuevas condiciones permite comprender cómo avanzó el proyecto. Al entregar la pieza, el expediente podría relacionar esas decisiones con los resultados de los ensayos y con los acuerdos que delimitan qué puede compartirse, utilizarse o licenciarse.
Ese archivo necesita criterios de conservación. Acumular todas las conversaciones puede esconder lo importante entre intercambios triviales y multiplicar copias de información sensible. Conviene decidir quién accede, durante cuánto tiempo se guarda cada registro y quién lo mantiene. Las huellas digitales de los archivos, o hashes, pueden ayudar a comprobar su integridad, aunque por sí solas no acreditan quién los creó ni cuándo existían.
También habrá aspectos que la empresa no pueda reconstruir desde sus propios registros. Un historial de consultas no muestra todos los datos con los que se entrenó el modelo ni cada operación interna del proveedor. Para conocer esos tratamientos necesitará garantías y mecanismos de comprobación adecuados. Documentar el trabajo permite precisar qué se sabe, qué depende de una declaración externa y qué sigue sin poder verificarse.
Cuando el socio vuelva a preguntar por la pieza, el equipo tendrá una explicación respaldada por documentos: qué conocimiento aportó, qué propuso el sistema y cómo intervinieron sus profesionales. Ese expediente no crea derechos donde no existen, pero ayuda a evaluar lo que la empresa puede ofrecer y a formular compromisos comerciales más precisos.
Meses después, otra persona podrá retomar el diseño y entender por qué se descartó aquella geometría. Encontrará el ensayo que reveló el fallo, la modificación que lo corrigió y la prueba que permitió seguir adelante. La empresa habrá conservado algo que el archivo final, por sí solo, no podía transmitir: el conocimiento necesario para continuar el trabajo.
Redacción ITO · International Technological Observatory