Todo equipo de IA llega pronto a la misma encrucijada: licenciar un conjunto de datos que ha creado otro o recopilar los datos por su cuenta. Los marketplaces hacen que comprar parezca una decisión de un solo clic, y en algunos proyectos lo es. En otros, los datos con licencia resultan estar desactualizados, ser escasos justo donde importa o venir con condiciones que bloquean el producto que pensabas lanzar. Esta guía está pensada para equipos que crean modelos a partir de datos web y quieren tomar esa decisión de forma consciente, no por inercia.
Explicamos cómo es el mercado de datos de entrenamiento, qué te da realmente una licencia, los costes que no aparecen en el precio y un marco para decidir, junto con la configuración híbrida que acaban usando la mayoría de los equipos con experiencia.
Cómo es el mercado de datos de entrenamiento
«Marketplace» engloba varias formas bastante distintas de conseguir datos:
- Plataformas generales de intercambio de datos. Los proveedores cloud y las plataformas de datos gestionan catálogos donde los vendedores publican conjuntos de datos y los compradores se suscriben, con entrega directa en el almacenamiento o el data warehouse del comprador. La mayoría de los listados se crearon para analítica; el uso para entrenamiento tiene que estar permitido de forma explícita en la licencia.
- Proveedores especializados en datos para IA. Empresas que venden colecciones seleccionadas de texto, imagen, audio y voz, a menudo con anotaciones, y cada vez más con recopilación a medida bajo pedido.
- Repositorios abiertos de conjuntos de datos. Repositorios donde los conjuntos de datos se descargan gratis, pero cada uno tiene su propia licencia, y el campo de licencia no siempre está rellenado ni es correcto.
- Acuerdos de licencia directos. Las grandes plataformas y editoriales ya licencian su contenido directamente a los desarrolladores de IA. El acuerdo de Reddit con Google en 2024 y una serie de acuerdos entre medios de comunicación y laboratorios de IA convirtieron esto en una parte visible del mercado, pero es una vía para grandes compradores, no un catálogo de autoservicio.
Lo que tienen en común es que compras derechos tanto como bytes. Dos conjuntos de datos con el mismo contenido pueden valer cantidades muy distintas según lo que te permita hacer la licencia.
Qué te da realmente una licencia
Antes de comparar precios, revisa cuatro aspectos de la licencia:
- Uso permitido. Entrenamiento, ajuste fino, evaluación y despliegue comercial son permisos separados. El «uso para investigación» suele excluir un modelo comercial.
- Alcance y exclusividad. ¿La licencia es por modelo, por producto o para toda la empresa? ¿Puede el proveedor vender los mismos datos a tus competidores? Casi siempre, sí.
- Duración y qué pasa después. Muchas licencias son anuales. Comprueba si un modelo entrenado durante la vigencia puede seguir usándose cuando termina y si debes eliminar los datos en bruto.
- Garantías. ¿Confirma el proveedor que tenía derecho a recopilar y vender los datos, y respaldará esa afirmación? Una licencia sin esa garantía te devuelve a ti el riesgo legal.
Los repositorios abiertos merecen el mismo escrutinio. La auditoría de la Data Provenance Initiative sobre conjuntos de datos de texto muy utilizados detectó que la información de licencia faltaba o era incorrecta en una gran parte de los casos, y por eso recomendamos llevar tu propio registro del origen de cada documento, como explicamos en nuestra guía sobre la procedencia en el pipeline de entrenamiento de IA.
Los costes que no aparecen en el precio
Actualidad. Un conjunto de datos comprado es una instantánea. Si tu modelo tiene que conocer precios, productos, normativas o usos del idioma actuales, la instantánea empieza a envejecer el mismo día que la compras, y las suscripciones de actualización tienen un precio acorde.
Lagunas de cobertura. Los catálogos son más sólidos en inglés y en los mercados más grandes. Los equipos que necesitan un país concreto, un idioma regional o un dominio de nicho a menudo encuentran pocos datos, o datos muestreados de formas que el proveedor no documenta.
Datos compartidos. Si tú puedes comprarlos, cualquiera puede. Los datos con licencia rara vez dan ventaja a un modelo por sí solos.
Integración. Cada proveedor tiene su propio esquema, sus reglas de deduplicación y su nivel de calidad. Limpiar y combinar fuentes es trabajo de ingeniería real, sea cual sea la vía por la que llegaron los datos.
Documentación de cumplimiento. La plantilla de resumen de la Ley de IA de la UE (EU AI Act) para modelos de uso general pide a los proveedores que incluyan los conjuntos de datos privados con licencia junto con los conjuntos de datos públicos y las fuentes obtenidas mediante scraping. Comprar datos no elimina el trabajo de documentación; cambia lo que tienes que documentar.
Los costes de recopilarlos tú mismo
La recopilación tiene su propia factura:
- Ingeniería. Crawlers, parsers, programación de tareas, almacenamiento y monitorización, además del mantenimiento cuando cambian los sitios objetivo.
- Acceso. Los sitios limitan las solicitudes repetidas desde una sola IP y a menudo muestran contenido distinto según el país. Recopilar datos públicos a escala, desde las ubicaciones adecuadas, requiere una red pensada para ello, como los proxies residenciales con segmentación por país y ciudad.
- Política. Necesitas una regla clara sobre robots.txt, las reservas de minería de textos y datos y las condiciones de cada sitio, registrada en el momento de la recopilación. Nuestro resumen sobre robots.txt y las señales de exclusión para IA explica qué señales respetar.
- Trabajo de calidad. La deduplicación, la identificación de idioma, la eliminación de contenido repetitivo y el filtrado llevan tanto tiempo como el propio rastreo.
A cambio obtienes datos actualizados, adaptados a tu tarea, documentados como necesitas y que no forman parte de la mezcla de entrenamiento de un competidor.
Un marco: cuándo comprar y cuándo recopilar
| Situación | Mejor opción | Por qué |
|---|---|---|
| Benchmark o conjunto de evaluación puntual | Comprar o usar datos abiertos | Es acotado y la actualidad importa menos |
| Los datos deben actualizarse cada semana o cada día | Recopilar | Las licencias de actualización encarecen y van con retraso |
| Países concretos o idiomas regionales | Recopilar, o comprar y completar | Los catálogos son escasos fuera de los grandes mercados |
| Datos que solo existen dentro de una plataforma | Licenciar directamente | Recopilarlos incumpliría las condiciones o sería imposible |
| La ventaja propia es el objetivo | Recopilar | Los datos con licencia están al alcance de todos |
| Equipo pequeño, primer prototipo | Comprar o usar datos abiertos | Lanza primero e invierte en recopilación después |
| Clientes o reguladores con muchas auditorías | Cualquiera, con registros completos | Lo que importa es el registro, no la vía |
Una prueba útil: si tuvieras que volver a comprar el mismo conjunto de datos dentro de seis meses, estás pagando por un pipeline sin ser su dueño.
El modelo híbrido que acaban usando la mayoría de los equipos
Los equipos con experiencia rara vez eligen un solo lado. Un patrón habitual:
- Empieza con datos abiertos y con licencia para tener rápidamente una base que funcione.
- Mide dónde falla el modelo: países que faltan, datos desactualizados, dominios débiles.
- Recopila solo para cubrir esas lagunas, desde fuentes públicas, de forma periódica y registrando la procedencia en el momento de la descarga.
- Mantén un único catálogo que incluya cada fuente, su licencia o política de recopilación y su fecha de actualización, para que el resumen público y los cuestionarios de clientes lleven horas en lugar de semanas.
Si estás creando esa capa de recopilación, nuestra guía para crear conjuntos de datos de entrenamiento a gran escala desde la web abierta recorre el pipeline desde el rastreo hasta los registros limpios.
En resumen
Compra datos de entrenamiento cuando la necesidad sea acotada, común y no dependa del tiempo, y lee la licencia con tanta atención como la muestra. Recopílalos tú mismo cuando importen la actualidad, la cobertura regional o una ventaja propia, y registra la procedencia desde la primera solicitud. La mayoría de los equipos hacen ambas cosas, y los que lo hacen bien tratan cada fuente, comprada o recopilada, como algo que pueden explicar.