La economía del contenido en la era de la IA: por qué el modelo de revenue share no basta
El punto de partida es conocido: ChatGPT ya figura entre las diez webs más visitadas y Google ha reducido drásticamente el tráfico que envía a los publishers con la introducción de resúmenes generados por IA en los resultados de búsqueda. La consecuencia es obvia: los modelos absorben cada vez más consumo informativo, mientras que los medios ven caer su principal fuente de monetización, la publicidad ligada a visitas.
La pregunta es cómo retribuir a quienes generan los contenidos que alimentan esos modelos, sin los cuales la IA quedaría reducida a un cascarón vacío.
La propuesta: revenue share por query
Una de las soluciones que más fuerza está ganando es el modelo pay-per-query: cada vez que una IA utiliza información de un conjunto de publishers para construir una respuesta, esos medios reciben una parte proporcional de los ingresos (ya sea publicidad, suscripciones o fees por uso). Es sencillo de explicar y, en apariencia, justo.
Pero los problemas técnicos y económicos son inmediatos:
Atribución: cuando una respuesta se construye con cientos de fuentes, ¿qué parte corresponde a cada publisher? ¿Vale lo mismo un medio que aporta un dato único que otro cuya información es redundante?
Valor unitario: si el pago por query es ínfimo, los publishers pueden pasar de ingresos publicitarios significativos a migajas que no sostienen su modelo.
Incentivos “perversos”: los modelos tenderían a buscar la fuente más barata o sin muro de pago, lo que alimentaría una carrera a la baja en calidad.
Separar entrenamiento y uso en tiempo real
Otro ángulo clave es distinguir entre el uso de contenido para entrenar modelos (donde la atribución es prácticamente imposible) y el uso para responder en tiempo real mediante técnicas de recuperación aumentada (los famosos RAG). Solo en el segundo caso puede haber trazabilidad clara y, por tanto, base para un reparto económico razonable. Sin embargo, el mercado todavía no ha fijado estándares de transparencia para saber cuántas veces se utiliza un fragmento de contenido en respuestas servidas a usuarios finales, y sin esa métrica, cualquier modelo de pago es arbitrario.
El espejismo del revenue share
El modelo de reparto recuerda a propuestas anteriores en el sector digital: desde los acuerdos de Apple News hasta los programas de monetización en YouTube Shorts o TikTok Pulse todos ellos han funcionado como mecanismos de redistribución parcial, pero en ninguno de los casos han resuelto el desequilibrio estructural entre quien controla la distribución y quien produce el contenido. El riesgo es que, al igual que ocurrió con la programática abierta, se normalice un modelo de pagos marginales que solo beneficia a los intermediarios con escala.
El camino realista: pluralidad de modelos
El futuro no pasa por un único sistema de remuneración, sino por un conjunto híbrido. Aquí os dejamos algunas propuestas:
Revenue share de suscripciones o queries, para sentar un mínimo marco de retribución.
Pagos por acceso a contenido premium o bajo muro de pago, especialmente en áreas verticales de alto valor.
Modelos de subasta o licitación, donde plataformas de IA compiten por acceso a fuentes relevantes.
Complementos publicitarios y referenciales, que integren enlaces o derivaciones de tráfico dentro de las respuestas generadas.
El punto de equilibrio será encontrar fórmulas que no solo “cubran el expediente” de la compensación, sino que sostengan la producción de contenido de calidad a largo plazo.
El modelo de revenue share por query es un paso adelante respecto al actual escenario de extracción gratuita, pero está lejos de ser suficiente. Sin estándares claros de atribución, métricas auditables y un marco que valore diferencialmente la calidad y unicidad del contenido, corremos el riesgo de repetir la historia de la programática: un mercado donde la tecnología intermedia acumula valor mientras los creadores lo pierden.
La lección es incómoda pero inevitable: la IA no puede sostenerse sobre el vaciado progresivo de los medios. Si no se establece un mercado transparente y robusto, la web abierta se contraerá y con ella la diversidad de información que da sentido a los modelos, pero entonces será demasiado tarde para corregirlo.
Puntos clave:
El revenue share por query es un buen punto de partida, pero no resuelve los problemas de atribución, valor unitario e incentivos “perversos”.
Es clave diferenciar entre entrenamiento de modelos y uso en tiempo real, donde sí puede haber trazabilidad y reparto económico.
El futuro será híbrido: revenue share + licencias premium + subastas + integración publicitaria, o el ecosistema de contenidos se volverá insostenible.
Este resumen lo ha creado una herramienta de IA basándose en el texto del artículo, y ha sido chequeado por un editor de PROGRAMMATIC SPAIN.
