La carrera de IA entre Amazon y Google llega a Twitch, donde los directos entrenan modelos por defecto

Amazon ha confirmado un controvertido nuevo frente en la carrera de IA entre Amazon y Google: el contenido de los canales de Twitch puede entrenar sus modelos de IA generativa de forma predeterminada.

La configuración abarca el contenido asociado a los canales participantes, incluidos potencialmente los directos, las grabaciones, los clips, las imágenes, los metadatos del canal y el chat. Los creadores pueden desactivar la opción, pero Twitch la lanzó como un control de exclusión voluntaria. Esto significa que el contenido de los canales aptos seguirá disponible a menos que el creador encuentre la configuración y la desactive.

La revelación importa porque los directos son material de entrenamiento excepcionalmente rico. Una sola emisión puede combinar voz, vídeo, jugabilidad, expresiones faciales, reacciones de la audiencia, jerga y cambios rápidos de contexto. Amazon obtiene acceso a ese material a través de una plataforma de su propiedad, mientras que Google y otros rivales deben reunir conjuntos de datos multimodales comparables en otros lugares.

Por tanto, el conflicto central va más allá de una configuración de privacidad. Amazon busca datos distintivos para modelos que compiten con Google, OpenAI, Meta y Anthropic. Los creadores de Twitch quieren un control significativo sobre un trabajo que existe porque ellos lo produjeron y construyeron las comunidades que lo rodean.

Twitch confirmó lo que permite la configuración predeterminada

El cambio inmediato no consiste simplemente en que Amazon pueda estudiar el contenido de Twitch. Es que Twitch ahora ofrece un control activado por defecto para el entrenamiento de IA generativa.

La configuración aparece en los controles de seguridad y privacidad de la cuenta de Twitch. Su descripción permite que el contenido del canal entrene modelos de contenido de IA generativa de Amazon. Según Twitch, desactivarla impide ese uso concreto, pero no evita todas las formas de análisis de aprendizaje automático en el servicio.

Esta distinción es importante. Twitch ya depende de sistemas automatizados para recomendaciones, moderación, publicidad, seguridad y descubrimiento de creadores. Esos sistemas pueden analizar comportamientos o contenido sin necesariamente entrenar un modelo generativo de propósito general.

El entrenamiento generativo tiene un objetivo más amplio. Enseña a un modelo a reconocer o producir patrones en texto, imágenes, audio y vídeo. El modelo resultante puede respaldar productos que van mucho más allá de la experiencia original de Twitch.

Mike Minton, director de producto de Twitch, abordó la configuración predeterminada durante una transmisión de la empresa. Al preguntarle por qué la opción era de exclusión voluntaria en lugar de inclusión voluntaria, dio una respuesta tajante: “Si fuera de inclusión voluntaria, nadie se apuntaría”.

Esa afirmación transformó una divulgación técnica en una controversia sobre el consentimiento. La configuración predeterminada no se presentó como una decisión neutral de usabilidad. Twitch entendía que los creadores rara vez ofrecerían voluntariamente su contenido y diseñó la participación en torno a la inacción.

Minton también afirmó que Amazon no revendería el material recopilado a otras empresas. Esa garantía limita una posible preocupación, pero no resuelve cómo Amazon procesa, conserva, combina o aplica internamente los datos.

Según se informa, Mary Kish, responsable de comunidad de Twitch, dijo que ella misma había desactivado la configuración por las preocupaciones de su comunidad. También sostuvo que Twitch no puede operar sin algunas formas de IA. Ambas posiciones pueden ser ciertas porque la automatización de plataformas y el entrenamiento de modelos fundacionales son actividades distintas.

El alcance se complica cuando varias personas aparecen en una misma emisión. El propietario de un canal puede controlar la configuración del canal, pero los invitados podrían no compartir esa preferencia. Los participantes del chat pueden aportar mensajes, bromas, emotes y reacciones sin revisar la decisión de entrenamiento del anfitrión.

Según los informes, Minton reconoció que las emisiones con consentimiento mixto planteaban una cuestión legítima. Twitch no anunció una etiqueta visible en los canales que indique a los espectadores si una transmisión contribuye al entrenamiento de IA generativa.

Esa brecha hace que el control sea menos individual de lo que parece a primera vista. Un espectador puede evitar el entrenamiento a través de su propio canal y luego entrar en un canal habilitado y contribuir a su conversación en directo. La configuración predeterminada a nivel de canal rige un espacio creativo colectivo.

Los términos de contenido de usuario más amplios de Twitch ya permiten a la empresa almacenar en caché o guardar piezas individuales de contenido para prestar y mejorar sus servicios. Sin embargo, una licencia general de servicio no elimina la diferencia práctica entre operar una plataforma y construir modelos generativos reutilizables.

La nueva configuración hace visible esa diferencia. También da a los creadores una señal directa de que Amazon ve Twitch como algo más que un negocio de distribución de vídeo.

Por qué los directos importan en la carrera de IA entre Amazon y Google

Twitch ofrece a Amazon algo que todo desarrollador de modelos desea: ejemplos sincronizados y en tiempo real de personas hablando, actuando, mirando y respondiendo.

La mayoría de los grandes modelos de lenguaje comenzaron con enormes colecciones de texto. La siguiente fase competitiva depende cada vez más de modelos multimodales, que procesan varios tipos de medios en un mismo sistema. El vídeo es especialmente valioso porque conecta palabras con acciones, tiempos, objetos, entornos y reacciones humanas.

Una transmisión de Twitch puede contener comentarios hablados, texto en pantalla, imágenes de videojuegos, música, vídeo de webcam, información del canal y una conversación con la audiencia. Estos elementos se desarrollan juntos, en lugar de aparecer como archivos aislados.

Esa sincronización puede ayudar a un modelo a asociar el lenguaje con los acontecimientos. Cuando un streamer describe una mecánica de juego, reacciona a un resultado inesperado o responde a un espectador, el vídeo y el chat circundantes aportan contexto.

El material también es conversacional. El habla en directo incluye interrupciones, frases incompletas, expresiones regionales, humor, errores, cambios emocionales y referencias que dependen de momentos anteriores. Esas cualidades son difíciles de reproducir con vídeos corporativos pulidos o diálogos sintéticos.

El chat añade otra capa. Muestra cómo reaccionan los grupos a eventos en vivo, qué frases se propagan y cómo cambia el significado dentro de una comunidad concreta. Los emotes pueden transmitir un contexto que los conjuntos de datos de texto convencionales pasan por alto.

Esto no significa que cada transmisión de Twitch mejore automáticamente todos los modelos de Amazon. Los datos de entrenamiento deben seleccionarse, filtrarse, etiquetarse, deduplicarse y ajustarse a una capacidad prevista. Los datos de baja calidad o repetitivos pueden desperdiciar recursos informáticos o distorsionar el comportamiento del modelo.

La propia divulgación sobre entrenamiento de Amazon afirma que sus servicios generativos pueden usar conjuntos de datos con licencia, propietarios, sintéticos, de código abierto y disponibles públicamente. Esas colecciones pueden incluir texto, imágenes, audio, vídeo, código e información personal o agregada de consumidores.

La divulgación también indica que el tamaño de los conjuntos de datos varía según el modelo o servicio, desde miles hasta billones de puntos de datos. Según la empresa, Amazon aplica procesos como puntuación automatizada de calidad, anotación humana, clasificación de preferencias y deduplicación.

Twitch puede proporcionar a Amazon un componente propietario dentro de esa mezcla más amplia. Google tiene YouTube, Meta opera importantes plataformas sociales y Microsoft mantiene vínculos estrechos con OpenAI. Cada empresa controla servicios que generan material no disponible mediante el rastreo web convencional.

Aquí es donde Amazon Google se convierte en una palabra clave competitiva significativa, y no en una comparación arbitraria. Google puede obtener ventajas técnicas del enorme catálogo de vídeos de YouTube y sus metadatos asociados. Amazon posee una plataforma de vídeo más pequeña, pero Twitch se especializa en comportamientos en vivo e interactivos.

La diferencia no es simplemente el tamaño del catálogo. YouTube contiene directos, grabaciones, tutoriales, entretenimiento y vídeos de formato corto. Twitch se concentra más en sesiones largas con participación continua de la audiencia.

Amazon también puede conectar el desarrollo de modelos con AWS, que vende infraestructura informática y servicios de IA gestionados. Mejores modelos internos podrían reforzar las ofertas de Amazon Bedrock, las funciones de compra, las herramientas publicitarias, los servicios Alexa, los sistemas multimedia y los futuros agentes.

Sin embargo, Twitch no ha identificado qué modelos específicos reciben contenido de los canales. No ha dicho si los datos respaldan un modelo Nova, un sistema de vídeo especializado, un modelo publicitario o varios proyectos internos.

Esa omisión importa porque el riesgo depende del propósito. Entrenar un clasificador de moderación difiere de entrenar un modelo capaz de generar voces, personalidades o vídeo. Una referencia amplia a “modelos de contenido de IA generativa en Amazon” deja a los creadores sin ese nivel de detalle.

Amazon también afronta presión estratégica. Un informe sobre estrategia de IA de julio señaló que la empresa estaba retirando varios modelos Nova insignia mientras dirigía recursos hacia un nuevo esfuerzo de modelos de frontera.

Amazon cuestionó la implicación de que estuviera abandonando Nova. Un portavoz afirmó que la empresa seguía respaldando los modelos que usan los clientes mientras invertía en su próxima generación de investigación de frontera.

Cualquiera de las dos descripciones apunta a una priorización. Amazon está decidiendo dónde los datos propietarios, los investigadores y la capacidad informática pueden producir una ventaja defendible. El archivo multimodal y en vivo de Twitch encaja en esa búsqueda de diferenciación.

La verdadera disyuntiva es capacidad frente a consentimiento

La ventaja de datos de Amazon depende de material que muchos creadores no ofrecerían conscientemente en los mismos términos.

La configuración predeterminada de Twitch refleja esa disyuntiva con una claridad inusual. Si casi nadie optaría por participar, la plataforma solo puede maximizar la participación tratando el silencio como permiso.

Las configuraciones predeterminadas suelen determinar el comportamiento porque los usuarios no revisan cada ajuste. Algunos creadores nunca sabrán que existe el control. Otros pueden malinterpretar su alcance, posponer una decisión o asumir que sus elecciones iniciales de privacidad siguen aplicándose.

Ese efecto conductual no es un accidente técnico. La explicación de Minton indica que la participación esperada influyó en el diseño. Twitch eligió una configuración predeterminada que satisface las necesidades de datos de Amazon, al tiempo que ofrece una vía de salida para los creadores informados.

Una exclusión voluntaria aún puede proporcionar un control real cuando es visible, estable, comprensible y se aplica antes de que comience el procesamiento. Siguen existiendo dudas sobre si Twitch cumple esas condiciones.

En primer lugar, la empresa no ha detallado públicamente qué ocurrió antes de que apareciera el nuevo control. Los informes en torno al anuncio indican que Amazon había utilizado previamente material de Twitch para el desarrollo de IA. Por tanto, la configuración podría regir el procesamiento futuro sin deshacer el entrenamiento ya completado.

El desaprendizaje automático, que intenta eliminar la influencia de un sujeto de datos de un modelo entrenado, sigue siendo técnicamente difícil. Eliminar un archivo de origen no revierte automáticamente las actualizaciones del modelo derivadas de ese archivo.

En segundo lugar, el diseño a nivel de canal no puede representar perfectamente a todos los participantes. Un transmisor puede invitar a un participante, mostrar a un colaborador, leer en voz alta el mensaje de un espectador o retransmitir material con licencia. El propietario del canal no necesariamente posee derechos ilimitados de entrenamiento de IA sobre cada elemento.

Los términos de Twitch exigen que los usuarios posean los derechos necesarios para distribuir su contenido. Sin embargo, el permiso para emitir una obra no siempre equivale al permiso para reutilizarla para el entrenamiento de modelos. La música, los juegos, las obras de arte, las actuaciones y las apariciones de invitados pueden conllevar límites contractuales o legales independientes.

En tercer lugar, Twitch no ha explicado la retención. Los creadores necesitan saber si desactivar la opción bloquea la nueva recopilación, futuras ejecuciones de entrenamiento, conjuntos de datos de evaluación o las tres cosas. También necesitan claridad sobre las copias en caché y los datos ya transferidos a los sistemas de Amazon.

En cuarto lugar, el control no revela si un modelo entrenado puede reproducir atributos reconocibles de los creadores. El contenido de Twitch puede incluir la voz, el rostro, los gestos, las frases recurrentes y las relaciones con los espectadores de una persona.

Un modelo puede aprender patrones generales de habla o vídeo sin copiar a un retransmisor concreto. Aun así, es razonable que los creadores quieran pruebas que midan la memorización, la imitación de voz, la filtración de identidad y la reproducción de material protegido por derechos de autor.

Amazon afirma que utiliza salvaguardas para limitar los riesgos relacionados con los datos personales y que elimina duplicados del material de entrenamiento. Son prácticas útiles, pero siguen siendo afirmaciones de la empresa a menos que estén respaldadas por documentación específica del modelo o una evaluación independiente.

La misma incertidumbre se aplica a la compensación. Los creadores de Twitch producen las grabaciones y el contexto social que hacen distintivo a este conjunto de datos. Amazon puede utilizar potencialmente esos materiales para mejorar sistemas comerciales, mientras que la opción no promete a los creadores pagos, atribución ni acceso a los modelos.

Los defensores del entrenamiento amplio pueden argumentar que las plataformas necesitan grandes conjuntos de datos para crear sistemas útiles. Exigir negociaciones individuales para cada contenido público podría ralentizar la investigación, favorecer a los actores establecidos y hacer inviables algunas formas de aprendizaje automático.

Ese argumento no resuelve la cuestión del valor predeterminado. Twitch ya mantiene relaciones directas con los creadores. Puede comunicarse con ellos, presentar condiciones y diseñar incentivos con mayor facilidad que una empresa que rastrea una página web pública desconocida.

Un programa de participación voluntaria podría ofrecer beneficios concretos a los creadores. Twitch podría proporcionar herramientas de descubrimiento mejoradas, edición impulsada por modelos, participación en ingresos o acceso a análisis de rendimiento. La participación se convertiría entonces en un intercambio, en lugar de una suposición oculta.

El comentario de Minton sugiere que Twitch no esperaba que la oferta actual convenciera a los creadores por sus propios méritos. La plataforma se apoyó en la inscripción predeterminada en su lugar.

Para los creadores que gestionan contratos, clips, notas de patrocinio y cambios de políticas, seguir estos detalles también se convierte en un problema de gestión del conocimiento. Una base de conocimiento de IA con búsqueda puede ayudar a los equipos a conservar avisos, decisiones de consentimiento y condiciones de las plataformas a medida que cambian.

Google, YouTube y sus rivales afrontan la misma cuestión de los datos

Amazon no es la única empresa que busca datos de plataformas, pero la admisión de Twitch ofrece a los rivales y reguladores un caso de prueba claro.

Google entra en la comparación porque YouTube le da acceso directo a una variedad inigualable de formatos de vídeo. Google también desarrolla modelos Gemini capaces de procesar texto, audio, imágenes y vídeo.

La relación de YouTube con los creadores genera, por tanto, posibilidades estratégicas y problemas de confianza similares. Los operadores de plataformas pueden utilizar el contenido para mejorar las recomendaciones, detectar abusos, generar subtítulos o desarrollar sistemas de IA más amplios. Los usuarios no siempre distinguen entre esos fines.

Meta afronta la misma tensión en Facebook e Instagram. Las publicaciones públicas pueden resultar útiles para modelos que necesitan conocimiento cultural, visual y conversacional. Meta también ha recibido objeciones sobre cómo los usuarios pueden oponerse al entrenamiento de IA.

Reddit ha adoptado una vía más explícitamente comercial al conceder licencias de acceso al contenido de la plataforma. Ese enfoque reconoce los datos como un activo, aunque los colaboradores individuales todavía pueden cuestionar si los acuerdos a nivel de plataforma reflejan sus intereses.

OpenAI y Anthropic carecen de plataformas de vídeo para consumidores comparables. Dependen en mayor medida de asociaciones, colecciones con licencia, fuentes públicas, datos sintéticos y material enviado a través de productos. Esto puede colocarlos en desventaja cuando sus competidores controlan redes de medios que se actualizan continuamente.

La competencia anima a cada propietario de plataforma a reinterpretar sus servicios existentes como infraestructura de entrenamiento. Las consultas de búsqueda se convierten en retroalimentación lingüística. Las fotos se convierten en datos de visión. Los vídeos se convierten en ejemplos multimodales. Las conversaciones se convierten en demostraciones de preferencias humanas.

La competencia entre Amazon y Google intensifica ese incentivo porque ambas empresas operan negocios de nube, servicios de consumo, sistemas publicitarios y carteras de modelos de IA. Un modelo útil puede reforzar varias divisiones a la vez.

Sin embargo, la propiedad de una plataforma no crea derechos ilimitados sobre todo lo que ocurre en ella. Una transmisión en directo puede incluir la obra original del retransmisor, activos de un editor de videojuegos, música con licencia, intervenciones de invitados, chat de espectadores y material de marca dentro de un mismo encuadre.

Esa estructura de derechos en capas hace que el vídeo en directo sea legal y operativamente más complejo que un conjunto de datos interno limpio. Filtrar infracciones evidentes no responde a si todo el material restante tiene una base adecuada para el entrenamiento.

Los reguladores también examinarán cuán claramente describen las plataformas el propósito del tratamiento. El consentimiento debe ser informado y específico en las jurisdicciones que se basan en él como fundamento jurídico. Un valor predeterminado oculto puede recibir más escrutinio que una elección visible y voluntaria.

La defensa más sólida para Twitch sería una transparencia detallada. La empresa podría identificar las familias de modelos, categorías de datos, alcance geográfico, periodos de retención, fechas límite, métodos de evaluación y el efecto de excluirse.

También podría diferenciar entre creadores, invitados y participantes del chat. Una insignia del canal podría indicar si el entrenamiento generativo está habilitado. Los espectadores podrían decidir entonces si participar antes de publicar mensajes.

Twitch no ha anunciado una etiqueta de este tipo. Sin ella, un espectador no puede saber fácilmente si su contribución entra en el conjunto de entrenamiento de un canal habilitado.

Las auditorías independientes proporcionarían otra comprobación útil. Los auditores podrían probar si las exclusiones se propagan por todos los sistemas de Amazon, si el contenido excluido aparece en conjuntos de datos posteriores y si los modelos reproducen material protegido o personal.

La competencia no exige que todas las empresas adopten el estándar de consentimiento más débil disponible. Google, Amazon, Meta y otros propietarios de plataformas pueden competir tanto por la fiabilidad de sus prácticas de datos como por el rendimiento de sus modelos.

Twitch tiene ahora la oportunidad de demostrar que su control funciona. Si, en cambio, la empresa trata el interruptor como una divulgación suficiente, la reacción negativa continuará porque las preguntas sin responder se refieren al tratamiento, no al diseño de la interfaz.

Qué deberían vigilar los creadores y compradores de IA a continuación

Las próximas tres señales mostrarán si la opción de Twitch representa un control genuino o solo una respuesta limitada a la presión pública.

La primera señal es un aviso de transparencia específico del modelo. Amazon debería nombrar las familias de modelos o categorías de productos que utilizan contenido de Twitch. También debería explicar si el entrenamiento comenzó antes de que apareciera la opción y qué ocurre con los datos procesados previamente.

Esa divulgación reforzaría la afirmación de Amazon de que los creadores tienen una elección significativa. La ambigüedad continuada sugeriría que la empresa valora más la flexibilidad que la participación informada.

La segunda señal es cómo Twitch gestiona las transmisiones con consentimiento mixto. La plataforma necesita una regla clara para invitados, co-streamers y participantes del chat cuyas preferencias difieren de la configuración del propietario del canal.

Una insignia visible del estado de entrenamiento no resolvería todas las cuestiones de derechos, pero mejoraría la notificación. Los controles aplicables a contribuciones individuales del chat podrían ofrecer una elección más precisa.

Observe si Twitch introduce alguna de estas funciones durante las próximas actualizaciones de producto. El silencio dejaría al propietario del canal como único responsable de decidir sobre un conjunto de datos generado por la comunidad.

La tercera señal es la presión regulatoria o contractual. Grupos de creadores, editores de videojuegos, intérpretes o autoridades de privacidad podrían pedir a Twitch que documente su fundamento jurídico y cadena de derechos. Una investigación formal obligaría a respuestas más específicas que las ofrecidas en una transmisión de la empresa.

Los compradores de IA deberían preocuparse tanto como los creadores. Las empresas evalúan cada vez más el origen de los datos de los modelos, si las personas podían oponerse y si las licencias cubren el despliegue comercial. Una procedencia poco clara puede convertirse en un riesgo de contratación, cumplimiento o reputación.

Los desarrolladores también deberían evitar asumir que más datos siempre crean un modelo mejor. El material de Twitch contiene ruido, repetición, medios protegidos por derechos de autor, comportamiento coordinado en el chat y lenguaje muy localizado. Una curación sólida importa tanto como la escala.

Los creadores pueden actuar ahora revisando la configuración de seguridad y privacidad de Twitch en la web. Deberían registrar su elección, revisarla después de actualizaciones de políticas e informar a sus colaboradores de cómo está configurado el canal.

También deberían inventariar el contenido que conlleva derechos de terceros. Desactivar el entrenamiento no sustituye los acuerdos sobre música, videojuegos, patrocinios o invitados, pero reduce una vía incierta de reutilización.

Los espectadores tienen menos controles directos porque la configuración del canal determina el entorno. Antes de compartir detalles sensibles en el chat, deberían asumir que los mensajes pueden almacenarse, analizarse y conectarse con la transmisión circundante.

Para la carrera más amplia de IA entre Amazon y Google, la cuestión clave no es qué empresa posee más vídeo. Es si las plataformas propietarias pueden convertir a las comunidades en infraestructura de modelos sin debilitar la confianza que hizo valiosas a esas comunidades.

Amazon ha obtenido acceso a un recurso multimodal inusual. Twitch también ha expuesto el coste de esa ventaja. Su responsable de producto reconoció que la participación voluntaria sería baja y luego defendió un sistema basado en el consentimiento predeterminado.

Esa admisión ofrece a creadores, reguladores y clientes empresariales un criterio concreto para evaluar la próxima respuesta. Busque modelos identificados, exclusiones exigibles, estado visible del canal y pruebas independientes.

Si llegan esas medidas, Twitch puede convertir una reacción negativa en un acuerdo de datos más creíble. Si no llegan, la competencia entre Amazon y Google habrá producido otro resultado conocido: mejor acceso a los datos, pero menos confianza en cómo se obtuvieron.