Nelson Chu, fundador y CEO de ARCOS Labs – Serie de entrevistas

Nelson Chu, fundador y CEO de ARCOS Labs, es un emprendedor en serie y ejecutivo tecnológico con una trayectoria que abarca infraestructura financiera, inversión y plataformas digitales. Antes de fundar ARCOS Labs, pasó ocho años como fundador y CEO de Percent, donde construyó una plataforma tecnológica diseñada para modernizar los mercados de crédito privado, y ahora se desempeña como presidente del consejo. En etapas anteriores de su carrera, Chu cofundó MySupport, una plataforma en línea que conecta a personas mayores y con discapacidades con trabajadores de apoyo, que luego fue adquirida por RISE Services, y fundó la firma de asesoría estratégica Lumenary. También ha sido asesor e inversor en empresas como BlockFi y Recharge Capital, mientras iniciaba su carrera en servicios financieros con cargos en BlackRock, Bank of America y Merrill Lynch.

ARCOS Labs, abreviatura de Applied Research in Creative Output Synthesis, desarrolla infraestructura diseñada para ayudar a que la IA opere de manera responsable a medida que los modelos generativos interactúan cada vez más con obras protegidas por derechos de autor, personajes y semejanzas humanas. La empresa se centra en inteligencia forense de propiedad intelectual y gestión de derechos, con tecnología destinada a identificar y medir cómo los activos creativos son reproducidos por la IA, rastrear su uso y respaldar marcos de licenciamiento y cumplimiento. Su plataforma insignia, VN, está diseñada para ofrecer a creadores, estudios, agencias de talento y titulares de derechos mayor visibilidad y control sobre cómo los sistemas de IA utilizan su propiedad intelectual, mientras que ARCOS también está detrás de Lightbar, una iniciativa colaborativa para investigar los modelos de entrenamiento de IA. La compañía salió públicamente del modo sigiloso en agosto de 2026 con el objetivo más amplio de construir la infraestructura de confianza y derechos necesaria para que creadores y sistemas de IA coexistan a gran escala.

Pasaste ocho años construyendo Percent alrededor de la infraestructura necesaria para aportar eficiencia y transparencia a un mercado fragmentado de crédito privado. ¿Qué lecciones de la construcción de ese tipo de infraestructura financiera estás aplicando ahora a ARCOS Labs mientras abordas el problema muy diferente de la propiedad intelectual y la gestión de derechos en la era de la IA generativa?

Mucho de eso se traslada. Cuando iniciamos Percent, el crédito privado estaba fragmentado y era opaco. Cada operación se describía de manera distinta, por lo que nada podía compararse o valorarse con confianza. La primera lección es que la estandarización debe preceder al mercado. Pasamos años en la infraestructura poco glamorosa que permitió describir y verificar una operación de la misma forma cada vez, y las transacciones eficientes solo llegaron después de eso. La propiedad intelectual en la era de la IA generativa tiene el mismo problema. No existe un registro estándar de qué es un activo y quién lo posee, mucho menos de cómo estos modelos lo están utilizando. Hasta que ese registro exista, todo lo que sigue queda improvisado, ya sea en materia de cumplimiento o de licenciamiento.

La segunda lección es que la confianza se construye sobre la verificación. Los inversores en crédito privado nunca aceptaron la palabra del emisor sobre el desempeño de una operación. Querían datos que pudieran comprobar por sí mismos. Los titulares de derechos están en la misma posición con las empresas de IA hoy. Las garantías sobre barreras de seguridad tienen muy poco peso. La evidencia que puede reproducirse de forma independiente es lo que cambia la conversación.

La tercera lección trata sobre los incentivos. Cualquier mercado fragmentado y de tipo huevo y gallina solo funciona cuando cada parte está convencida de que la solución le beneficia. Con Percent, observamos intentos de resolver el problema para un lado u otro, y nunca se mantuvieron. En la gestión de la propiedad intelectual y los derechos, los incentivos están gravemente desalineados en este momento. Las empresas de modelos quieren crecer, ofrecer herramientas valiosas a sus clientes y, a veces, crear contenido infractor como táctica de marketing, con Sora y ByteDance como ejemplos recientes. Los titulares de derechos, por su parte, intentan mantenerse al día con cambios que ni siquiera pueden anticipar, mientras tratan de seguir siendo relevantes en una era en la que producir contenido se ha vuelto drásticamente más fácil. La infraestructura que triunfa en un mercado así es la que ambas partes pueden confiar, lo que generalmente significa aquella que no participa directamente en la transacción.

El arco más amplio también es familiar. El crédito privado se convirtió en una clase de activo convencional una vez que existió la infraestructura para medirlo, y creo que la propiedad intelectual está al inicio de la misma transición.

¿Qué te convenció de que proteger la obra creativa de la IA generativa requería una nueva capa de infraestructura técnica, en lugar de depender principalmente de una mejor legislación de derechos de autor, políticas de moderación de contenido o marcas de agua?

Fundamentalmente, los modelos son una solución tecnológica y, por lo tanto, si se quiere proteger la creatividad de los modelos, se requerirá una solución técnica. La legislación de derechos de autor sigue siendo vaga, hecho evidente en casos como Cox, Anthropic y también lo que está ocurriendo en Alemania con GEMA. El concepto de uso justo aún es una cuestión abierta y no se ha decidido, y los tribunales, como corresponde, tardarán mucho en dictaminar. La moderación de contenido depende de que los modelos se autorregulen, lo cual les exige demasiado y resulta casi imposible según lo que hemos observado. Las marcas de agua son una idea prometedora, pero también dependen de que las personas se autorregulen y pueden eliminarse fácilmente. Con todo eso en mente, sabíamos que la única forma real de abordar este problema era hacerlo nosotros mismos y ofrecer una respuesta tecnológica a este problema tan real y tan significativo.

VN está diseñado para medir cuán estrechamente el contenido generado por IA se asemeja a personajes protegidos, obras creativas y semejanzas humanas. A nivel técnico, ¿cómo determina el sistema cuándo una salida ha pasado de ser meramente similar a algo que debería preocupar a un titular de derechos?

En última instancia, dejamos la decisión al usuario. Nuestro papel es determinar cuán estadísticamente similar es la salida, asegurándonos de capturar cada postura y posibilidad, y luego compararla con el personaje protegido, la obra creativa o la semejanza humana. Algunos usuarios tienen un umbral bajo el cual no pueden publicar el trabajo. Las empresas más grandes tienden a ser más estrictas porque todo el contenido producido debe ser suyo. Los usuarios prosumidores, que experimentan por diversión, pueden aceptar un umbral más alto y permitir más variaciones.

Al realizar pruebas forenses para un estudio, agencia de talento o cliente similar, proporcionamos un análisis de exposición:

• Qué modelos generan el contenido con mayor precisión
• Qué modelos pueden producirlo en absoluto
• Qué modelos podrían situarlo en situaciones problemáticas

En última instancia, nuestro trabajo es realizar el análisis y proporcionar los resultados, pero cómo el cliente los utilice es totalmente su decisión.

Tu prueba de Seedance 2.5 encontró salvaguardas mucho más fuertes alrededor de los personajes reconocibles que alrededor de la propiedad intelectual menos prominente. ¿Qué nos indica esa disparidad sobre cómo las empresas de IA están construyendo actualmente sus salvaguardas de derechos de autor, y por qué la IP de cola larga es particularmente difícil de proteger?

Cada empresa de IA es diferente, y cada una se preocupa por este tema en distintos grados. Cuando Seedance 2.0 se lanzó a principios de este año, ByteDance reconoció rápidamente el problema que había creado para sí misma debido a la reacción negativa y comenzó a mejorar sus salvaguardas. Algunos modelos bien conocidos y populares parecen indiferentes, ya sea por elección o por descuido, pero respetar la propiedad intelectual nunca se considerará un error; simplemente aún no han llegado a esa conclusión.

Proteger la cola larga es difícil debido a cómo funciona la tecnología:

Verificaciones a nivel de prompt: Examinar el prompt de entrada en busca de contenido infractor, permitiendo que el modelo decida si continúa. Desafortunadamente, incluso al examinar el prompt, siguen existiendo muchas formas de eludirlo. Pueden expresarlo ligeramente diferente, describir al personaje sin nombrarlo, usar errores tipográficos. Los prompts pueden evadir fácilmente los detectores, y los modelos también pueden alucinar produciendo salidas que difieren del prompt del usuario y pueden incluir un personaje infractor.

Verificaciones de análisis de salida: Escanear cada salida contra una base de datos de personajes conocidos. Los personajes reconocibles activan una mayor sensibilidad, mientras que los personajes de cola larga pueden pasar desapercibidos porque fueron directamente a DVD y la base de datos no los tiene, por lo que la vigilancia integral es inevitablemente desafiante.

La velocidad también importa. Para los modelos de generación de imágenes, comprobar una sola imagen es relativamente rápido. Sin embargo, la generación de video requiere escanear muchos fotogramas, lo que puede ralentizar significativamente la salida y afectar la experiencia del usuario.

Equilibrar estas preocupaciones es delicado, pero algunos modelos han puesto el esfuerzo necesario para intentar resolverlo. En última instancia, depende de si un modelo está dispuesto e interesado en respetar la propiedad intelectual.

Un modelo puede rechazar una solicitud directa de generar un personaje protegido por derechos de autor pero aún reproducir ese personaje cuando se le brinda una descripción suficientemente detallada. ¿Cómo debería evolucionar la prueba de seguridad de IA más allá de simples tasas de rechazo de prompts para identificar este tipo de reproducción indirecta?

Este es un problema evidente. Cuando un modelo puede reproducir un personaje a partir de una descripción detallada o incluso muy simple, indica que el personaje está profundamente incrustado en los datos de entrenamiento. Eso plantea una cuestión totalmente distinta sobre cómo se recopilaron los datos, y ese tema está actualmente en los tribunales.

Las pruebas de seguridad deben ir más allá de examinar los prompts y evolucionar hacia el análisis de las salidas reales. Los modelos generan imágenes mediante difusión, construyendo gradualmente una visión del resultado. Debido a este proceso y a la forma en que fueron entrenados, pueden reproducir inadvertidamente personajes con derechos de autor, tanto en primer plano como en el fondo, y a veces sin que se les solicite. La única forma fiable de detectar esto es probar el modelo directamente y medir lo que realmente produce.

La detección de similitud inevitablemente plantea preguntas sobre falsos positivos. ¿Cómo se distingue entre una influencia creativa legítima, una similitud coincidencial y una reproducción que sea estadísticamente significativa como para que un estudio o titular de derechos la investigue?

Este trabajo requerirá una refinación continua. La semejanza visual más precisa que un ser humano pueda reconocer fácilmente debe servir como punto de partida, y eso es lo que se puede lograr bien hoy en día. Cuando se trata de creaciones sintéticas o cuestiones de estilo, se vuelve mucho más difícil de probar y mucho más difícil de hacer cumplir.

Tomemos a Superman como ejemplo. Si un modelo creara un Superman genérico con los ojos de Christopher Reeve, la barbilla de Henry Cavill, los pómulos de otro actor, etc., esas características generarían un Superman extremadamente difícil de revertir y rastrear su origen.

Dos cosas mantienen bajo control los falsos positivos. La primera es que nunca nos basamos en un solo número de similitud de forma aislada. Los resultados se comparan con referencias para que la semejanza genérica pueda separarse de la reproducción real, y cada prueba es reproducible: los mismos insumos bajo las mismas condiciones generan los mismos números. La segunda es que el análisis se alinea con las preguntas legales que un titular de derechos tendría que responder. Para personajes y obras creativas, esa cuestión es la similitud sustancial. Para marcas y semejanzas, es la probabilidad de confusión, es decir, si un espectador promedio sería engañado al pensar que la salida es la cosa real. Nuestro trabajo es colocar un número defendible y repetible detrás de esas preguntas. Si algo alcanza el nivel de una investigación, siempre depende del titular de derechos.

Los modelos generativos están cambiando rápidamente y pueden comportarse de forma muy distinta tras una actualización. ¿Cómo pueden los titulares de derechos evaluar continuamente cientos de modelos y potencialmente miles de activos protegidos sin que el proceso de monitoreo se vuelva prohibitivo en costo o técnicamente inmanejable?

Es casi imposible, por lo que los titulares de IP se están quedando atrás y apenas pueden seguir el ritmo de los últimos modelos de EE. UU. y Asia.

Realistamente, necesitan a alguien en su equipo que pueda seguir el ritmo y luchar en su nombre. Por eso empezamos. Vimos que estos estudios necesitaban una empresa tecnológica que pudiera igualar la velocidad de estos modelos generativos, y nadie más se estaba ofreciendo para hacerlo.

La otra mitad de la respuesta es el registro. Un modelo puede comportarse de forma muy distinta tras una actualización, por lo que una puntuación que no esté vinculada a un momento específico no vale nada. Cada resultado que producimos registra qué modelo se probó, cuándo se probó, contra qué activo protegido se probó y cuáles fueron los números. Eso convierte el monitoreo de un problema imposible y continuo en uno manejable: cuando un modelo se actualiza, se vuelve a probar y se compara con el registro en lugar de comenzar de cero.

La detección solo resuelve parte del problema. Una vez que un sistema identifica que un modelo de IA puede reproducir un personaje o semejanza protegida, ¿qué debería ocurrir a continuación, y qué mecanismos técnicos podrían permitir eventualmente que los creadores especifiquen si su IP puede ser bloqueada, licenciada o utilizada bajo condiciones particulares?

Existen tanto dimensiones legales como técnicas. Legalmente, el titular de la IP decide cómo proceder. Puede usar la evidencia que proporcionamos como base para una demanda, o aprovecharla en negociaciones con los desarrolladores del modelo. La decisión recae en ellos.

Técnicamente, un titular de derechos debería poder consentir y optar por modelos específicos que puedan generar su producto o IP. Debería controlar la salida, evitando un escenario de libre acceso. En lugar de verse obligado a barreras restrictivas, debería poder monetizar cada generación bajo términos preestablecidos. Esto refleja prácticas en otras industrias, por lo que también debería aplicarse aquí.

¿Podría la misma infraestructura utilizada para detectar el uso no autorizado de IA habilitar finalmente un mercado de licenciamiento legítimo, donde los sistemas de IA puedan determinar programáticamente quién posee un activo, qué permisos están disponibles y cómo la compensación debe regresar al titular de derechos?

Si la infraestructura puede determinar si una salida generada por IA se asemeja a una IP, entonces también debería ser la encargada de resolver el licenciamiento. Puede identificar cuál es la IP en la salida generada, quién es el titular de derechos, si debe ser acreditado y, en última instancia, que la compensación fluya a través de ella. La tecnología es fundamentalmente la misma. Es un motor de fidelidad que produce evidencia estadística verificable y reproducible. Si una salida supera el umbral en el que un espectador podría confundirla razonablemente con la cosa real, el titular de derechos tiene derecho a compensación.

La única condición es que quien gestione esa capa debe mantenerse neutral. No puede generar contenido por sí mismo, ni tomar partido en ningún acuerdo individual. Su función es proporcionar a ambas partes el mismo registro confiable y permitirles transaccionar directamente. Esa neutralidad es la razón por la que los titulares de derechos estarían dispuestos a registrar sus catálogos en ella desde el principio.

A medida que el video generado por IA se acerque a la calidad y consistencia necesarias para la producción profesional, ¿cómo crees que será la relación entre las empresas de IA y Hollywood? ¿Esperas que la gestión de derechos se convierta en una capa de verificación externa alrededor de los modelos, o en algo que eventualmente deba integrarse directamente en los propios modelos?

Es un mundo interesante al que estamos entrando, ya que las empresas de IA han hecho que la producción de contenido sea mucho más barata que nunca. Como resultado, podemos esperar una proliferación de contenido, algunos buenos, otros malos, algunos con buen gusto y otros sin él. Hollywood tradicionalmente se ha visto a sí mismo como árbitro del gusto, creando obras que la gente ama y de las que se enamora. La IA ahora ofrece la herramienta más poderosa jamás creada para los narradores.

En la segunda parte de la pregunta, creo que la respuesta honesta es ambas, en secuencia. Las verificaciones de cumplimiento probablemente se trasladarán dentro de los modelos con el tiempo, porque allí son más baratas y rápidas de ejecutar. Pero la capa de referencia, es decir, el registro de lo que existe, quién lo posee y bajo qué términos puede usarse, debe permanecer independiente, al igual que la verificación. Una empresa de modelos no puede calificar sus propias salidas, y los titulares de derechos no entregarán sus catálogos a una empresa cuyo negocio sea generar derivados de ellos. Es similar a los mercados financieros, donde las firmas gestionan el cumplimiento internamente pero siguen respondiendo a auditores externos.

La gestión de derechos ocurrirá cuando Hollywood y las empresas de IA se unan para decidir cómo quieren coexistir. Al fin y al cabo, su objetivo es el mismo: crear contenido nuevo que la gente ame. Solo tiene que hacerse de la manera correcta.

Gracias por la excelente entrevista; los lectores que deseen saber más deberían visitar ARCOS Labs.