Sobre el trabajo cultural en el dispositivo de la IA generativa

En 2019, la antropóloga Mary L. Gray formuló una hipótesis que ha envejecido bien y mal a la vez. Su libro Ghost Work, escrito con Siddharth Suri, describía la economía oculta de microtrabajadores que clasifican imágenes, moderan contenido y etiquetan datos para que los sistemas de inteligencia artificial parezcan funcionar solos. Gray advirtió entonces que esa lógica podía extenderse hacia el resto del trabajo intelectual: lo que llamó la posible “uberización” del trabajo cognitivo, una fragmentación del oficio en microtareas precarias bajo demanda.

Seis años después, la cita circula con frecuencia en discusiones sobre IA generativa y trabajo cultural. La uso aquí como punto de partida, no como conclusión. Mi tesis es que Gray vio una cosa importante pero no podía ver todavía la cosa decisiva: lo que está ocurriendo en 2025-2026 con el trabajo cultural bajo la presión de la IA generativa no es solo uberización. Es algo estructuralmente más grave: el desplazamiento sistemático del valor desde quienes producen obra hacia quienes diseñan, financian y operan las infraestructuras que la procesan, la generan y la distribuyen.

La diferencia importa porque cambia dónde está la palanca. Y conecta directamente con la línea de pensamiento que vengo desarrollando en este Cuaderno público: en Tecnología de masas y consumo ético sostuve que la responsabilidad por la sostenibilidad digital es infraestructural, no individual; en Cuando el marco pinta el cuadro mostré cómo la infraestructura institucional produce la experiencia artística más que limitarse a influirla. Este texto extiende la misma lógica a la producción cultural misma. La pregunta no es si los creadores deben usar menos IA generativa. Es quién está diseñando las infraestructuras que reconfiguran la producción cultural, en qué condiciones, y con qué consecuencias.

1. Lo que vio Gray, lo que no podía ver todavía

Ghost Work describió con precisión un fenómeno que en 2019 era visible sobre todo en la economía de datos: la transformación de tareas complejas en microtareas estandarizadas, ejecutadas por trabajadores fragmentados geográficamente, mal pagados, sin protección laboral, contractualmente clasificados como “contratistas independientes” pese a operar bajo control algorítmico. Amazon Mechanical Turk, los moderadores de contenido subcontratados en Filipinas o Kenia, los anotadores que entrenan modelos de visión computacional. Gray vio esto, lo nombró, y advirtió que la lógica podía expandirse hacia trabajos antes considerados profesiones intelectuales completas.

Su intuición era correcta y necesaria. Pero el escenario empírico de 2019 era distinto al actual en al menos tres dimensiones.

Primera. En 2019, la IA generativa de masas no existía aún en sentido pleno. GPT-2 había aparecido ese año, pero su uso era marginal; DALL-E llegó en 2021, Midjourney en 2022, Stable Diffusion en 2022, ChatGPT en noviembre de 2022. La pregunta de Gray operaba sobre el trabajo de datos que alimentaba a los modelos. La pregunta de hoy opera sobre el trabajo cultural que los modelos imitan, sustituyen o desplazan.

Segunda. El sujeto de la “uberización” en Gray era el microtrabajador invisible. El sujeto del fenómeno actual es el creador profesional plenamente visible: el ilustrador, el músico, el guionista, el traductor, el diseñador, el fotógrafo. No estamos hablando de trabajo invisible que se hace visible al describirlo, como en Ghost Work. Estamos hablando de trabajo previamente reconocido, profesional, articulado en oficios con historia, que está siendo reorganizado por una infraestructura nueva.

Tercera. En la economía de datos descrita por Gray, el trabajador microfragmentado al menos recibía pago por la tarea. Insuficiente, precario, sin derechos, pero pago al fin. En el régimen actual de IA generativa, los creadores cuya obra entrena los modelos no reciben pago alguno por esa contribución, salvo iniciativas marginales como el Contributor Fund de Shutterstock al que volveré más adelante.

La uberización fue metáfora útil para describir una transformación parcial del trabajo intelectual. Es metáfora incompleta para describir lo que está ocurriendo ahora. Y la diferencia entre lo parcial y lo incompleto importa: una metáfora parcial ilumina; una metáfora incompleta puede ocultar el problema central detrás de la parte que sí describe bien.

2. Lo que muestran los datos de 2024-2025

La evidencia empírica sobre IA generativa en el sector cultural se ha multiplicado rápidamente. Cuatro estudios recientes permiten ver el fenómeno con cierta nitidez.

Productividad y homogeneización. Zhou y Lee (2024), en un estudio sobre cuatro millones de obras digitales publicadas en plataformas online, encontraron que los artistas que adoptan IA generativa producen aproximadamente un 25% más obras y reciben un 50% más de “favoritos” por obra. Pero el mismo estudio señaló algo menos comentado: la novedad media de los contenidos producidos con asistencia de IA desciende. Las obras tienden a parecerse más entre sí, aunque la “novedad pico” —las ideas más exploratorias dentro del conjunto— aumenta. Es un patrón clásico de optimización: más output, mayor reconocimiento algorítmico, menor diferenciación. La distribución del valor se concentra en el extremo superior; la media se aplana.

Caída proyectada de ingresos en sectores específicos. La Confederación Internacional de Sociedades de Autores y Compositores (CISAC), en su estudio económico global de 2024, proyectó que los ingresos de los creadores musicales podrían caer aproximadamente un 24% para 2028 debido a la sustitución progresiva por contenidos generados por IA. Para los creadores audiovisuales, la caída proyectada es del 21%. El mismo informe estima que el mercado global de contenido generado por IA pasará de unos 3.000 millones de euros en 2024 a 64.000 millones en 2028. Es una transferencia de magnitud sin precedentes en el sector cultural: el dinero no desaparece, se redistribuye. Sale del bolsillo de los creadores y entra en el balance de las plataformas tecnológicas.

Precariedad estructural preexistente. El estudio Cultural Freelancers UK (2024), realizado en el Reino Unido, encontró que el 73% de los freelancers culturales ganan menos de 25.000 libras anuales. El 60% no está afiliado a ningún sindicato. Muchos trabajan horas no remuneradas para completar proyectos y reportan “paredes de ingresos” a media carrera: estancamiento económico pese a la experiencia acumulada. Estos datos importan porque indican que la presión de la IA generativa cae sobre un sector cultural que ya operaba bajo condiciones de precariedad estructural sostenida. La IA no inaugura el problema. Lo intensifica sobre una base ya frágil.

Adopción masiva con reservas explícitas. El informe de Adobe de 2025, basado en encuesta a 16.000 creadores en todo el mundo, encontró que el 86% utiliza activamente IA generativa en su trabajo, el 76% afirma que ha acelerado el crecimiento de su actividad profesional, y el 81% utiliza IA para generar textos o contenidos que antes no podía producir. Simultáneamente, el 69% manifiesta preocupación explícita por el uso no autorizado de su propia obra en los entrenamientos. La adopción es masiva y al mismo tiempo profundamente ambivalente: los creadores usan la herramienta porque pueden, y desconfían de ella porque saben.

Estos cuatro hallazgos no son piezas sueltas. Forman patrón. La IA generativa eleva la productividad inmediata del creador individual al tiempo que homogeneiza el resultado agregado, proyecta caídas significativas de ingreso sectorial sobre una base laboral ya precarizada, y produce adopción masiva entre profesionales que simultáneamente desconfían de las condiciones de su propio uso. El patrón no es “trabajadores fragmentados haciendo microtareas”. Es algo distinto, y merece nombre propio.

3. Por qué “uberización” se queda corta

La metáfora de Uber funcionó porque captó tres rasgos: precarización de un oficio antes estable, control algorítmico sobre el trabajo, y desplazamiento del riesgo desde la empresa hacia el trabajador clasificado como autónomo. Aplicada al trabajo cultural bajo IA generativa, la metáfora ilumina parcialmente esos tres rasgos. Pero deja fuera lo decisivo.

Uber, al fin y al cabo, paga al conductor por viaje. Su modelo de negocio extrae renta —comisión sobre cada trayecto, control sobre tarifas, desplazamiento de costes operativos al trabajador— pero el conductor recibe ingreso por cada acto de trabajo concreto. La relación de explotación es densa, asimétrica, problemática. Pero hay transacción.

En el régimen de IA generativa que opera sobre el sector cultural, esto no ocurre. Los creadores cuya obra entrena los modelos generativos no son consultados, no firman contrato, no reciben pago. Su obra es asimilada por el modelo durante el entrenamiento y posteriormente reproducida, reorganizada o estilísticamente imitada por la infraestructura sin que medie compensación de ningún tipo. La extracción no opera por transacción asimétrica: opera por incorporación silenciosa.

El caso de Shutterstock ilustra esto con precisión cruel. La plataforma lanzó en 2023 un “Contributor Fund” para compensar a los fotógrafos cuyas imágenes habían entrenado sus modelos generativos. La iniciativa fue presentada como respuesta ética al problema de la apropiación. Un análisis publicado en PetaPixel en julio de 2023 estimó que el pago medio por imagen utilizada en entrenamiento fue de aproximadamente 0,0078 dólares; la mediana, alrededor de 0,0069 dólares. Una imagen profesional cuya licencia comercial costaría decenas o cientos de dólares al usuario final fue compensada al autor con menos de un céntimo. La empresa, mientras tanto, mantenía ingresos netos anuales del orden de 32 millones de dólares.

Esto no es uberización. Es algo más radical. Uber al menos finge ser empleador. Las plataformas de IA generativa no fingen nada: simplemente operan sobre la materia prima cultural existente como si fuera recurso público, mientras el producto resultante es propiedad privada de la plataforma. Es desposesión silenciosa con un barniz de fondo compensatorio simbólico.

Aquí conviene introducir una distinción que la metáfora de Uber no permite formular. Lo que está ocurriendo no es tanto fragmentación del trabajo —que sí ocurría en el escenario de Ghost Work— como desplazamiento del valor. Son dos fenómenos distintos. La fragmentación describe cómo se reorganiza la tarea. El desplazamiento describe quién captura la renta que la tarea genera. Pueden coexistir, pero su lógica es diferente, y la palanca de intervención es diferente.

4. El desplazamiento del valor como problema estructural

Llamo desplazamiento del valor al proceso por el cual la renta económica y simbólica generada por la producción cultural se transfiere de quienes producen la obra a quienes operan las infraestructuras que la procesan. No es proceso nuevo: el mercado del arte siempre ha distribuido valor de forma asimétrica entre creadores, intermediarios y plataformas. Lo que cambia con la IA generativa es la magnitud, la velocidad y, sobre todo, la opacidad del desplazamiento.

Magnitud. Las cifras de CISAC ya citadas —24% de caída proyectada en ingresos musicales, transferencia de decenas de miles de millones de euros desde el sector creador hacia el sector tecnológico— son de un orden de magnitud que el sistema cultural no había experimentado antes en plazos tan cortos. No estamos hablando de la pérdida de empleos en una subindustria. Estamos hablando de la reasignación estructural del valor en el conjunto de la cadena cultural.

Velocidad. La transición habitual entre regímenes técnicos del trabajo cultural —de la pintura al taller industrial, del taller a la fotografía, de la fotografía al cine, del cine al digital— se ha medido históricamente en décadas. La transición que está ocurriendo ahora se mide en meses. Esto importa porque la velocidad del cambio impide la articulación colectiva de respuesta. Los sindicatos, las asociaciones profesionales, los marcos jurídicos, las prácticas institucionales operan en plazos largos. La infraestructura se transforma más rápido de lo que el sector puede organizarse para discutirla.

Opacidad. A diferencia del mercado del arte tradicional —que es opaco pero documentable—, la infraestructura de IA generativa es estructuralmente opaca por diseño. No sabemos con precisión qué imágenes entrenaron Midjourney. No sabemos qué proporción de la obra de un autor específico fue procesada. No sabemos cómo se distribuyen los pesos. No sabemos qué decisiones de selección curatorial implícita aplicaron los equipos de entrenamiento. Los propios desarrolladores, en muchos casos, no podrían responder con precisión a estas preguntas. La opacidad no es accidental: es condición operativa del sistema.

Este desplazamiento del valor opera además sobre dos planos distintos que conviene separar.

Plano económico. El que las cifras de CISAC, Shutterstock y Adobe documentan. Ingresos que salen del bolsillo de los creadores y entran en el de las plataformas. Aquí el problema es contable y, en principio, susceptible de intervención por la vía de licencias obligatorias, fondos compensatorios significativos, derechos de remuneración específicos. La Unión Europea ha empezado a debatir estas vías en el contexto del AI Act y de la actualización de la directiva de copyright. El Parlamento Europeo, en informe de julio de 2025, ha señalado que el entrenamiento masivo de modelos generativos sobre obra protegida viola en muchos casos las excepciones legales actuales y exige nuevos marcos. Es lentitud regulatoria, pero al menos hay diagnóstico institucional.

Plano simbólico y ontológico. Este es más difícil de nombrar y, por tanto, de regular. Lo que la IA generativa desplaza no es solo el ingreso del creador, sino algo más estructural: el régimen de atribución de valor cultural a la producción humana. Cuando una herramienta puede generar mil imágenes en el estilo de un artista en un día, el estilo deja de funcionar como marca de singularidad y empieza a operar como filtro técnico. Cuando un sistema puede componer una canción que pasa razonablemente por la de un compositor reconocido, la composición deja de ser índice de un proceso humano y empieza a ser uno entre muchos outputs posibles. Esto conecta con mi argumento en Cuando el marco pinta el cuadro: no es que la obra cambie por la herramienta; es que el marco interpretativo cambia y, con él, lo que la obra puede significar dentro del sistema cultural.

Aquí es donde la metáfora de Uber se vuelve no solo incompleta sino engañosa. Uber no transforma la naturaleza del trayecto: ir del punto A al B sigue siendo lo que era. La IA generativa, sobre la producción cultural, sí transforma la naturaleza del trabajo. No es solo que el ilustrador cobre menos: es que el oficio de ilustrar se reconfigura en su definición misma.

5. La pregunta infraestructural

Si el problema es desplazamiento del valor, y no fragmentación del trabajo, entonces las palancas de intervención están en otro lado. La pregunta no es cómo proteger al creador individual de la presión competitiva de la IA generativa. La pregunta es cómo intervenir en el diseño de las infraestructuras que producen ese desplazamiento.

Esto es exactamente la misma lógica que sostuve en Tecnología de masas y consumo ético: la responsabilidad por las consecuencias sociales de las infraestructuras digitales no es asunto individual de los usuarios, sino asunto colectivo de diseño, modelo de negocio y regulación. El error categorial es el mismo aquí: pedir al ilustrador, al músico o al traductor que “adapte su práctica al nuevo contexto” es trasladar al lado más débil de la cadena una responsabilidad que pertenece estructuralmente a quienes operan la infraestructura.

Hay tres niveles de intervención infraestructural identificables.

Diseño de los modelos mismos. Quién decide qué datos entrenan el modelo, en qué proporciones, con qué reglas de exclusión y consentimiento. Hoy esto se decide internamente en cada empresa, sin transparencia ni regulación específica. Una infraestructura responsable exigiría, como mínimo: transparencia obligatoria sobre datasets de entrenamiento, mecanismos efectivos de opt-out, sistemas de compensación significativa —no simbólica— para creadores cuya obra entrena modelos comerciales, y trazabilidad sobre la influencia de obras específicas en outputs específicos. Nada de esto existe hoy de forma generalizada.

Modelo de negocio. Cuando el negocio de la IA generativa es generar contenido sustitutorio de obra previa, capturando renta que antes circulaba por el sector cultural, el incentivo estructural empuja a expandir el desplazamiento del valor. Mientras esto no cambie —y no va a cambiar por iniciativa propia de las plataformas—, las mejoras técnicas marginales del sistema solo intensificarán el problema. La regulación tendría que incidir aquí: licencias colectivas obligatorias, derechos de remuneración asociados al uso de obra en entrenamiento, fondos sectoriales financiados por las propias plataformas en proporción a sus ingresos.

Marcos jurídicos. Tres dinámicas merecen atención específica. Primero, el régimen de copyright aplicado al entrenamiento de modelos: la excepción de “minería de textos y datos” prevista en algunas legislaciones europeas fue diseñada para investigación académica y se está aplicando, problemáticamente, a explotación comercial masiva. Segundo, los regímenes de transparencia: el AI Act europeo introduce obligaciones de transparencia para modelos generativos, pero su implementación efectiva está aún por demostrarse. Tercero, los derechos culturales colectivos: la UNESCO ha llamado la atención sobre la “desposesión cultural” que puede operar cuando datos culturales locales son extraídos sin consentimiento por modelos entrenados en otros contextos. Las tres dinámicas requieren marcos jurídicos que no existen aún, o que existen de forma fragmentaria y desigual entre jurisdicciones.

La intervención infraestructural no es sustituto del compromiso individual de los creadores. Es la condición para que ese compromiso pueda tener efecto. Pedir a creadores individuales que rehúsen usar IA generativa o que negocien individualmente con plataformas masivas es pedirles que carguen, en solitario, con un problema cuya escala excede por completo la capacidad de respuesta individual.

6. Lo que esto no es

Conviene ser explícito sobre tres lecturas que rechazo, porque debilitarían el argumento si se confundieran con él.

No estoy sosteniendo que la IA generativa sea, en sí misma, problema. La herramienta es ambivalente. Puede operar como amplificador legítimo de la práctica creativa de quien la usa con consciencia, puede facilitar exploración formal, puede producir reorganizaciones del campo de configuraciones posibles que satisfagan los criterios de excedente estructural que defendí en Art as Structural Surplus. El problema no es la existencia de la tecnología. El problema es la infraestructura que la opera y las condiciones en que esa infraestructura ha sido diseñada y desplegada.

No estoy sosteniendo nostalgia por un régimen anterior. El mercado del arte previo a la IA generativa también operaba sobre desplazamientos del valor: comisiones de galerías, márgenes de intermediarios, distribución asimétrica de la renta entre creador y estructura. La diferencia es de magnitud y velocidad, no de naturaleza absoluta. Volver a un estado anterior no es opción ni objetivo. La pregunta es cómo se diseña la transición.

No estoy sosteniendo que los creadores carezcan de agencia. La crítica al individualismo de la responsabilidad no implica negar que los creadores puedan organizarse, negociar colectivamente, presionar regulatoriamente, articular respuestas sectoriales coordinadas. De hecho, la única vía realista de intervención pasa por esa organización colectiva. Lo que critico es la atribución individual de la carga moral, no la posibilidad de acción colectiva. Son cosas distintas.

7. Una observación sobre el sur global y las brechas que se profundizan

Hay un aspecto del problema que la mayoría de los estudios revisados toca de pasada y que merece subrayarse. La inmensa mayoría de los modelos generativos disponibles hoy han sido entrenados predominantemente sobre obra producida en contextos occidentales, en lenguas mayoritarias —especialmente inglés—, dentro de tradiciones estéticas hegemónicas. El informe de la UNESCO sobre IA y cultura (2025) llama la atención sobre esta asimetría: la IA generativa puede agravar la brecha cultural entre Norte y Sur globales, no solo porque concentra la renta económica en empresas predominantemente estadounidenses, sino porque reproduce y amplifica un canon estético específico como si fuera neutro.

Estudios sobre outputs de Midjourney muestran sesgos demográficos significativos: solo el 23% de las personas representadas son mujeres, solo el 9% son personas de ascendencia africana. Estas cifras no reflejan distribución poblacional real. Reflejan la composición del corpus de entrenamiento, que privilegia ciertos tipos de obra, ciertas estéticas, ciertas representaciones por encima de otras.

Aplicado al desplazamiento del valor cultural, esto significa que el problema no es solo distributivo en términos económicos. Es también distributivo en términos simbólicos y geográficos. Las tradiciones culturales subrepresentadas en los datos de entrenamiento aparecerán subrepresentadas en los outputs, y los creadores que trabajan dentro de esas tradiciones tendrán doblemente desventaja: menor visibilidad en el mercado generativo dominante, y menor capacidad de presión regulatoria sobre las plataformas, que operan desde jurisdicciones lejanas a la suya.

Cualquier respuesta seria al problema del trabajo cultural bajo IA generativa tiene que incorporar esta dimensión. No como cláusula adicional, sino como parte estructural del diagnóstico.

8. Conclusión

Tres conclusiones se derivan del análisis.

La primera es descriptiva. Lo que está ocurriendo con el trabajo cultural bajo presión de la IA generativa no se describe bien como uberización del trabajo intelectual. La metáfora de Mary L. Gray fue precisa para 2019, cuando el fenómeno visible era la fragmentación del trabajo de datos en microtareas. En 2025-2026, lo que está ocurriendo es estructuralmente distinto: desplazamiento masivo del valor, económico y simbólico, desde quienes producen obra hacia quienes operan las infraestructuras que la procesan. La diferencia importa porque cambia el diagnóstico y, por tanto, las posibles respuestas.

La segunda es metodológica. La pregunta “¿cómo deben adaptarse los creadores al nuevo contexto?” está mal planteada. Trasladar al individuo la responsabilidad de un fenómeno cuya escala es estructural produce el mismo error categorial que ya identifiqué en el caso de la sostenibilidad digital: confundir la palanca aparente con la palanca real. La palanca real está en el diseño de las infraestructuras, en los modelos de negocio que las sostienen, y en los marcos regulatorios que podrían orientarlas. No en la conducta del ilustrador o del músico individual.

La tercera es ética. La responsabilidad por las consecuencias del despliegue actual de la IA generativa en el sector cultural no es del creador que decide usarla, ni del creador que decide no usarla. Es de quienes diseñan los modelos, financian su entrenamiento, capturan la renta resultante y operan sin obligación efectiva de transparencia, consentimiento o compensación significativa. Mientras la conversación pública siga centrada en si los creadores individuales están “adaptándose bien” a la IA, las decisiones que de verdad mueven la aguja —cómo se entrenan los modelos, quién recibe la renta, qué regulación se aprueba, cómo se distribuye internacionalmente la influencia— se siguen tomando lejos del escrutinio del propio sector cultural.

El precio del modelo no lo pagan los creadores que lo usan. Lo pagan, sobre todo, los creadores cuya obra lo entrenó sin pedirles permiso, y los que verán reorganizarse el oficio en el que vivían sin haber participado en el diseño de esa reorganización. Reconocer esto no es nostalgia ni tecnofobia. Es la condición previa para que cualquier respuesta colectiva tenga sentido.

Sobre la conversación abierta

Este texto continúa una línea de pensamiento que vengo desarrollando en este Cuaderno público sobre infraestructuras digitales y responsabilidad colectiva. En Tecnología de masas y consumo ético sostuve que la sostenibilidad de la infraestructura digital es asunto estructural, no individual. En Cuando el marco pinta el cuadro mostré cómo la infraestructura institucional produce la experiencia artística más que limitarse a influirla. Aquí extiendo el argumento al trabajo cultural bajo la presión de la IA generativa. Los tres textos comparten una misma tesis de fondo: en los sistemas digitales contemporáneos, lo decisivo no es la conducta individual sino el diseño infraestructural, y la responsabilidad ética por sus consecuencias se distribuye proporcionalmente al poder de quienes diseñan, financian y operan esos sistemas.

Si alguien quiere intervenir en esta conversación desde la sociología del trabajo cultural, la economía política de la cultura, los estudios sobre IA, los estudios de gestión cultural, o la propia experiencia como creador en el sector, este cuaderno sigue abierto.

Fuentes

Gray, Mary L., y Suri, Siddharth. Ghost Work: How to Stop Silicon Valley from Building a New Global Underclass. Houghton Mifflin Harcourt, 2019.

Zhou, Eric, y Lee, Dokyun. “Generative artificial intelligence, human creativity, and art”. Oxford Open Economics, 2024. https://doi.org/10.1093/ooec/odae004

CISAC (Confederación Internacional de Sociedades de Autores y Compositores). Global economic study shows human creators’ future at risk from generative AI, 2024. https://www.cisac.org/Newsroom/news-releases/global-economic-study-shows-human-creators-future-risk-generative-ai

Sutherland, Heather, Easton, Eliza, y Comunian, Roberta. Cultural Freelancers UK Report. University of Essex, 2024. https://repository.essex.ac.uk/41613/

Adobe. Inaugural Adobe Creators’ Toolkit Report: 86 Percent of Global Creators Use Creative Generative AI. Adobe News, octubre de 2025. https://news.adobe.com/news/2025/10/adobe-max-2025-creators-survey

Smith, Matt Growcoot. “Shutterstock May Have Paid Out Over $4 Million From its AI Contributor Fund”. PetaPixel, julio de 2023. https://petapixel.com/2023/07/12/shutterstock-may-have-paid-out-over-4-million-from-its-ai-contributor-fund/

UNESCO. Report of the Independent Expert Group on Artificial Intelligence and Culture. UNESCO, 2025. https://www.unesco.org/sites/default/files/medias/fichiers/2025/09/CULTAI_Report%20of%20the%20Independent%20Expert%20Group%20on%20Artificial%20Intelligence%20and%20Culture%20(final%20online%20version)%201.pdf

Parlamento Europeo. Generative AI and Copyright: Training, Creation, Regulation. European Parliamentary Research Service, julio de 2025. https://www.europarl.europa.eu/thinktank/en/document/IUST_STU(2025)774095

Heigl, Rebecca, et al. “Generative artificial intelligence in creative contexts: a systematic review and future research agenda”. Management Review Quarterly, 2025. https://link.springer.com/article/10.1007/s11301-025-00494-9

Sáez-Velasco, Sonia, et al. “Analysing the Impact of Generative AI in Arts Education”. Informatics, MDPI, 2024. https://www.mdpi.com/2227-9709/11/2/37

Esteban Ruiz, J. A. Tecnología de masas y consumo ético. Cuaderno público en juanesteban.art, 2026.

Esteban Ruiz, J. A. Cuando el marco pinta el cuadro. Cuaderno público en juanesteban.art, 2026.

Esteban Ruiz, J. A. Art as Structural Surplus: Toward a Relational Ontology Beyond Human Authorship (V2.3). PhilArchive y Zenodo, 2026.