Aries Cañellas: El rastro del discurso oficial cubano en los corpus de entrenamiento de la IA

Para que una Inteligencia Artificial (IA) pueda responder a las preguntas que le formule un usuario, debe ser entrenada. Este proceso puede compararse, de manera muy simplificada, con el camino que emprende un ser humano para aprender. A diferencia de nosotros, que acumulamos conocimientos mediante un proceso que va de lo más simple a lo más complejo, una IA aprende a través de un proceso iterativo donde un algoritmo analiza grandes cantidades de datos, identifica patrones, corrige errores y automatiza tareas.

En una primera fase se reúnen miles o millones de ejemplos sobre aquello que la IA debe aprender: imágenes, textos, audios y datos numéricos. Los datos deben ser variados y representativos para evitar sesgos o aprendizajes erróneos. Debido a ello, el acceso a grandes bases de datos ha sido una práctica seguida por las grandes compañías como Meta, Google, OpenAI, Apple, etc. Estas han recurrido a JSTOR, YouTube, bibliotecas en línea y otras fuentes de información. Muchas de estas prácticas han sido cuestionadas desde el punto de vista legal y, en la actualidad, existen varias demandas por violación de derechos de autor

A causa de ello han surgido servicios que permiten rastrear si una obra ha sido empleada para entrenar distintos tipos de IA. Uno de ellos es ofrecido por The Atlantic, revista estadounidense fundada en 1857 que destaca por su periodismo de investigación, análisis político y cobertura cultural.

El servicio se denomina AI Watchdog, y es un proyecto de investigación de Alex Reisner para The Atlantic. Comenzó con Books3 en septiembre de 2023, se amplió a LibGen en marzo de 2025 y, en junio de 2026, incorporó conjuntos de datos musicales.

La plataforma permite a los creadores comprobar si sus obras protegidas fueron utilizadas sin consentimiento para entrenar modelos de IA generativa. La herramienta realiza búsquedas en diversas bases de datos, entre ellas Books3, con 183.000 libros; LibGen; SciMag, con 18 millones de artículos; transcripciones de 15 millones de vídeos de YouTube; guiones de Hollywood, y conjuntos de datos musicales como LAION y Sleeping-DISCO-9M.

En este caso, hemos empleado el servicio para comprobar si el discurso de la Revolución cubana ha servido también para entrenar sistemas de IA y cómo se comporta en comparación con su contraparte: la oposición existente desde 1959.

El resultado será incompleto, pues el grueso de las fuentes empleadas para entrenar modelos de IA se mantiene en secreto por las compañías. No obstante, puede permitirnos apreciar si las décadas de censura, represión y manipulación de la realidad cubana han conseguido también posicionar ese discurso en los entrenamientos de la IA.

Para lograr una mayor objetividad en el análisis, se medirán por separado, tanto en el discurso de la Revolución cubana como en el de la oposición, dos líneas: las figuras de carácter político, sean o no intelectuales, y las figuras de carácter intelectual y artístico.

La huella del discurso del régimen

En este acercamiento inicial se examinaron diez nombres, seleccionados por la importancia que han tenido en la conformación del discurso político cubano. Ellos son: Fidel Castro, Raúl Castro, Ernesto Guevara, Fabio Grobart, Carlos Rafael Rodríguez, Juan Marinello, Blas Roca, Raúl Roa, Ricardo Alarcón y Armando Hart Dávalos. Para próximas entregas queda pendiente medir la presencia de los intelectuales oficiales en los ámbitos artísticos.

Los resultados de las búsquedas son llamativos. Dos figuras influyentes en el posicionamiento, la conformación teórica y la consolidación del discurso de La Habana, Raúl Castro y Carlos Rafael Rodríguez, no mostraron resultados. Tampoco los mostraron dos cancilleres de larga trayectoria, Raúl Roa y Ricardo Alarcón.

El caso de Raúl Castro resulta comprensible, pues hasta la reciente publicación de los tomos de las Obras Escogidas, no teníamos idea de que había escrito tanto.

Por su parte, Marinello, Blas Roca, Hart, y Grobart sí están presentes. Hart es quien reúne más entradas con cuatro, distribuidas en un libro y tres artículos. Le sigue Marinello, con dos artículos, mientras que Fabio Grobart y Blas Roca registran un libro cada uno.

Las cifras aumentan considerablemente en los casos de Fidel Castro y Ernesto Guevara. Ambos tienen presencia en todas las bases de datos consultadas: libros, artículos, canciones, subtítulos y películas. Entre los dos suman 218 entradas, cifra que no equivale necesariamente a 218 obras, en varios idiomas: español, inglés, árabe, italiano y turco.

El turco es la tercera lengua entre los textos consultados. Esto podría relacionarse con el mercado editorial de la izquierda turca, donde existe una presencia importante de traducciones de publicaciones de Ocean Press y Pathfinder, editoriales que constituyen, a su vez, la fuente de la mayoría de los textos en inglés.

Ernesto Guevara es la figura con mayor presencia y aparece en las búsquedas con el epíteto de «Che» intercalado. Concentra la mayor cantidad de registros en el ámbito editorial con 99 entre LibGen y su sección de ficción, frente a 59 de Fidel Castro.

Sin embargo, Fidel Castro domina el ámbito audiovisual, pese a la fama de algunas películas de Hollywood sobre Guevara. Su presencia se debe, sobre todo, a documentales dedicados a su figura o a hechos históricos con los que tuvo relación, como Comandante, The Fog of War y Grin Without a Cat, entre otros.

Las presencias y las ausencias encontradas parecen confirmar una idea que los medios independientes cubanos han denunciado reiteradamente: el discurso totalitario cubano no se ha trasladado a la esfera internacional por la firmeza, justeza o validez de sus argumentos, sino porque ha descansado en la creación de iconos.  

El corpus está dominado por ediciones de Diarios de motocicleta —13 registros—, La guerra de guerrillas —también con 13—, My Life de Ignacio Ramonet, los readers de Ocean Press y documentales de la BBC. Es decir, el aparato editorial de la izquierda occidental y la cultura pop entre los 60 y los 2000.

La política cultural de La Habana no habría penetrado por sí sola en el discurso internacional. Durante 60 años, el Estado cubano publicó a Marinello, Roa y Carlos Rafael Rodríguez en tiradas masivas. Sin embargo, esa producción no parece haber dejado rastro en los registros públicos de entrenamiento de IA disponibles.

Conviene precisar, como cierre parcial, qué se ha medido. Se registraron 226 entradas correspondientes a diez nombres, 218 pertenecen a dos figuras y las ocho restantes se distribuyen entre las demás. Al agrupar las ediciones, las traducciones y los duplicados, esas 226 entradas se reducen a poco más de 150 obras distintas.

Lo anterior plantea una pregunta como conclusión parcial, porque si lo que llegó a los corpus de la IA fue el valor del icono y no la teoría política del comunismo cubano, elaborada durante décadas por Marinello, Blas Roca, Carlos Rafael Rodríguez, entre otros. Teoría que llenó libros de texto, informes centrales de los congresos del Partido y moldeó la ideología interna de la sociedad cubana totalitaria. Si el Estado cubano dedicó 60 años a producir un cuerpo doctrinal y lo que pasó a la memoria de los modelos fue, sobre todo, su iconografía ¿tiene ese abundante corpus teórico un valor real dentro de la producción filosófica mundial?

_____

Publicación fuente ‘Diario de Cuba’