Qué compradores aplican ahora en materia de diligencia debida en operaciones relacionadas con la IA y la autonomía: lecciones de la adquisición de Apple en el ámbito de la IA
Introducción
La adquisición de empresas de inteligencia artificial se ha convertido en una de las categorías de operaciones más importantes del sector tecnológico. La inversión mundial en inteligencia artificial generativa se disparó hasta los 25 200 millones de dólares en 2023, y se prevé que el mercado mundial de la inteligencia artificial alcance los 407 000 millones de dólares en 2027. Este crecimiento ha traído consigo una oleada de adquisiciones por parte de las principales empresas tecnológicas, que buscan incorporar capacidades de inteligencia artificial a sus plataformas, y estas transacciones han dado lugar a un manual de diligencia debida en rápida evolución.
Este artículo forma parte de una serie de doce semanas sobre sistemas autónomos, IA física y estrategia de patentes. En nuestros artículos anteriores, establecimos una taxonomía ampliada de las invenciones patentables en el ámbito de la IA física, presentamos un manual exhaustivo de estrategia de propiedad intelectual para empresas de sistemas autónomos y analizamos los datos sobre si las solicitudes de patentes ayudan a las empresas de IA física a obtener financiación. En este artículo, nos centramos en el lado del comprador: ¿qué aspectos evalúan ahora los compradores en las operaciones relacionadas con la IA y la autonomía?
En un artículo de 2021, analizamos esta tendencia desde la perspectiva de las adquisiciones de Apple en el ámbito de la inteligencia artificial. Entre 2016 y 2020, Apple adquirió más empresas de inteligencia artificial que cualquier otro comprador, incluidas varias con tecnología aplicable a los vehículos autónomos (AV) y a los vehículos eléctricos (EV): Drive.ai, Emotient, Vilynx, Xnor.ai, Lighthouse AI, Spectral Edge y Spektral. Los datos revelaron un patrón llamativo. Las tres empresas que Apple adquirió por más de 100 millones de dólares —entre ellas, Drive.ai (200 millones de dólares, 19 activos de patentes), Xnor.ai (200 millones de dólares, 20 activos de patentes) y Emotient (100 millones de dólares, 22 activos de patentes)— contaban cada una con aproximadamente 20 activos de patentes estadounidenses y pasaron de su fundación a su adquisición en tan solo cuatro años. Las empresas con carteras considerablemente más reducidas alcanzaban valoraciones más bajas y tardaban más tiempo en ser adquiridas. En resumen, las carteras de patentes parecían estar correlacionadas tanto con el valor de la adquisición como con la rapidez de la salida.
Esa conclusión sigue siendo válida hoy en día, pero el manual de diligencia debida del comprador se ha ampliado considerablemente. Las adquisiciones en el ámbito de la inteligencia artificial, tanto en el campo de la autonomía como en el de la IA física, exigen ahora un análisis que abarque seis pilares fundamentales que van mucho más allá del simple recuento de activos de patentes.
1. Datos propios: la nueva joya de la corona
El artículo original se centraba en las patentes como el activo clave que impulsa el valor de una adquisición. Hoy en día, los datos propios se han convertido en un objetivo de la diligencia debida igualmente crítico y, en muchos casos, más importante. A medida que se reduce el coste de programar algoritmos basados en IA y grandes modelos de lenguaje, los compradores miran más allá del mero talento en ingeniería y buscan confirmar que la empresa objetivo controla conjuntos de datos únicos y propios. Ya no se trata solo de los algoritmos y los grandes modelos de lenguaje; se trata de tener acceso a datos propios a los que nadie más puede acceder, y de la capacidad de utilizar esos datos en el sistema de IA de la forma deseada.
Para las empresas de inteligencia artificial, el valor real suele residir en activos intangibles, como algoritmos multifuncionales en capas, grandes modelos de lenguaje y el acceso exclusivo a conjuntos de datos propios que, en conjunto, generan respuestas valiosas e impulsan la monetización. Los compradores que llevan a cabo la diligencia debida deben ahora rastrear la «genealogía de los datos, desde su origen hasta su cesión al comprador» y confirmar que el vendedor cede los derechos contractuales suficientes para que el comprador pueda utilizar los datos para los fines previstos.
En la práctica, esto significa que los equipos de diligencia debieran preguntarse: ¿Qué puede hacer cada parte con los datos? ¿Existen obligaciones de confidencialidad? ¿Restricciones de uso? ¿Consideraciones sobre la ubicación geográfica del almacenamiento? Si los conocimientos extraídos de los datos dan lugar a innovaciones, ¿quién es el propietario de las mismas? Si los datos llevan a conclusiones erróneas, ¿quién asume la responsabilidad? Estas preguntas son especialmente críticas en el contexto de los sistemas autónomos, donde los flujos de datos pueden implicar el etiquetado automatizado, el aprendizaje activo, la compresión de datos para flujos de sensores de gran ancho de banda, la recopilación que preserva la privacidad y el aprendizaje federado entre flotas distribuidas.
2. Activos de patentes: del recuento a la caracterización
Nuestro análisis de 2021 puso de manifiesto una correlación entre las carteras de patentes y los resultados de las adquisiciones. Esa conclusión sigue siendo válida, pero el proceso de diligencia debida se ha vuelto más sofisticado. Hoy en día, los compradores no se limitan a contabilizar los activos de patentes, sino que los clasifican.
El análisis de patentes debe evaluar ahora el alcance de las reivindicaciones, la validez, la aplicabilidad, el riesgo de infracción, la libertad de explotación, las impugnaciones de terceros, la titularidad, la cadena de titularidad, las cesiones de los inventores y el estado de las tasas de mantenimiento. En el caso de las patentes específicas de IA, los equipos de análisis deben examinar si las invenciones reivindicadas revelan suficientes detalles técnicos, en lugar de funcionar como reivindicaciones de «caja negra», incluyendo la arquitectura, los métodos de entrenamiento, las entradas, el preprocesamiento, la inferencia, las actualizaciones en tiempo de ejecución y las mejoras técnicas concretas.
En el ámbito de los sistemas autónomos, tal y como se expuso en el primer artículo de esta serie, el conjunto de tecnologías patentables se ha ampliado hasta abarcar la percepción y la fusión de sensores, los modelos de IA y aprendizaje automático y los métodos de entrenamiento, los sistemas de planificación y toma de decisiones, las arquitecturas de computación periférica, la simulación y las pruebas, los sistemas de seguridad y redundancia, las interfaces entre personas y máquinas, la gestión de flotas y enjambres, y las innovaciones en los flujos de datos. La estrategia de presentación de solicitudes también debe estar alineada con los hitos de desarrollo de productos y financiación, y la cartera debe organizarse por línea de productos, área tecnológica y zona geográfica.
En la fase previa a la salida, los adquirentes deben confirmar que las cesiones de patentes estén registradas, que las declaraciones de los inventores estén completas, que las tasas de mantenimiento estén al corriente y que las cadenas de titularidad estén libres de cargas. El riesgo relacionado con la titularidad de las patentes es muy elevado en este ámbito, ya que el desarrollo suele implicar a equipos multifuncionales, laboratorios universitarios, instituciones de investigación gubernamentales, comunidades de código abierto, consultores especializados, socios de desarrollo conjunto y propiedad intelectual preexistente de los fundadores.
La detectabilidad es otro factor fundamental a la hora de valorar las patentes de IA. Las características visibles en el funcionamiento del producto, en las interfaces de usuario o en la documentación del producto son más fáciles de detectar y hacer valer; las características que se conservan exclusivamente en la infraestructura en la nube pueden mantenerse mejor como secretos comerciales.
3. Autenticidad técnica: cómo protegerse contra la «IA falsa»
Un riesgo que no ocupó un lugar destacado en nuestro análisis de 2021 es el problema de la «IA falsa». La diligencia técnica debe comprobar si la solución de IA es auténtica, sólida, escalable y está en consonancia con los objetivos empresariales. Sin una diligencia técnica exhaustiva, los inversores se exponen a soluciones que se presentan de forma engañosa y carecen de capacidades reales, lo que podría dar lugar a pérdidas económicas sustanciales.
El auge del «AI washing» consiste en exagerar intencionadamente las capacidades de inteligencia artificial de un producto o servicio para que parezca más innovador de lo que realmente es. Esta práctica ha suscitado un gran interés por parte de las autoridades reguladoras. En marzo de 2024, la SEC presentó su primera demanda, que acabó en un acuerdo, contra dos asesores de inversión, Delphia y Global Predictions, por falsear información sobre su uso de la IA con el fin de atraer a inversores. Ambas empresas afirmaban utilizar tecnologías de IA de las que, en realidad, no disponían. Delphia pagó una multa civil de 225 000 dólares, y Global Predictions, 175 000 dólares.
Para los compradores que participan en operaciones relacionadas con la IA y la autonomía, la lección es clara: la diligencia debida debe ir más allá de la revisión de los materiales de marketing y las presentaciones comerciales. La diligencia debida técnica debe evaluar de forma independiente los algoritmos y modelos, la funcionalidad y la implementación reales de la IA, las medidas de privacidad y seguridad de los datos, y el cumplimiento de la normativa pertinente. Los compradores también deben asegurarse de que las declaraciones públicas sobre las capacidades de la IA hayan sido revisadas por un asesor jurídico y sean precisas.
4. Exposición normativa: un panorama en rápida expansión
En 2021, el marco normativo en materia de IA era escaso. Ya no lo es. Según el Informe del Índice de IA de la Universidad de Stanford, el número de normativas relacionadas con la IA en EE. UU. pasó de solo una en 2016 a 25 en 2023, con un crecimiento del 56,3 % solo en 2023. El número de organismos reguladores estadounidenses encargados de elaborar normativas sobre IA ascendió a 21 en 2023, frente a los 17 de 2022, con nuevas incorporaciones como el Departamento de Transporte de EE. UU., el Departamento de Energía de EE. UU. y la OSHA.
En el ámbito internacional, la Ley de IA de la UE ha establecido el primer marco regulador integral del mundo en materia de IA, que clasifica los sistemas de IA en cuatro niveles de riesgo (inaceptable, alto, limitado y mínimo), cada uno con las obligaciones de cumplimiento correspondientes. Al mismo tiempo, los responsables de la defensa de la competencia del Departamento de Justicia de EE. UU. (DOJ), la Comisión Federal de Comercio (FTC), la Comisión Europea y la Autoridad de Competencia y Mercados del Reino Unido se han comprometido a mantenerse alerta ante los riesgos que la IA supone para la competencia.
En lo que respecta a la diligencia debida en las adquisiciones relacionadas con la IA, esto significa que los compradores deben comprender dónde opera la empresa objetivo y dónde pueden acceder los usuarios al producto, con el fin de determinar el alcance y el ámbito de aplicación de la legislación pertinente. Entre las áreas normativas clave se incluyen la protección de datos (RGPD, CCPA, HIPAA), el sesgo algorítmico, las normas éticas en materia de IA, el escrutinio en materia de competencia y las normativas específicas del sector. Las adquisiciones en el ámbito de la IA se enfrentan a un escrutinio especial por parte de los reguladores de la competencia, a quienes les preocupan no solo las prácticas monopolísticas y el comportamiento anticompetitivo, sino también el efecto de la IA sobre el empleo.
Los contratos de compraventa deben reflejar esta complejidad normativa mediante declaraciones y garantías adaptadas que abarquen la titularidad, la ausencia de infracción, el cumplimiento de la normativa sobre privacidad de datos, la integridad y el mantenimiento de la ciberseguridad, así como la divulgación de los riesgos o limitaciones conocidos. Los compradores pueden, además, solicitar indemnizaciones, retenciones, acuerdos de depósito en garantía y, cada vez más, seguros de terceros para gestionar el riesgo normativo tras el cierre de la operación.
5. Ciberseguridad: una superficie de ataque cada vez mayor
A medida que los sistemas autónomos están cada vez más conectados, la evaluación de la ciberseguridad se ha convertido en un pilar independiente del análisis de adquisiciones en el ámbito de la inteligencia artificial. Según un informe de 2023 elaborado por Upstream, los ciberataques al sector de la automoción se dispararon un 380 % en tan solo un año, de 2021 a 2022, afectando a la telemática, los sistemas de infoentretenimiento, las unidades de control electrónico y los sistemas de acceso remoto sin llave. A medida que aumenta el número de dispositivos informáticos, sensores e interfaces de comunicación, también lo hace la superficie de ataque a disposición de los actores maliciosos.
Los riesgos de ciberseguridad específicos de la IA van más allá de las amenazas convencionales. Los datos adversarios —es decir, cambios sutiles y casi imperceptibles en los datos de entrenamiento— pueden socavar el funcionamiento de un algoritmo de IA y provocar resultados inesperados, lo que anula el impacto positivo de la IA. Es fundamental que las empresas garanticen la seguridad de sus datos de entrenamiento y de su software. Los datos erróneos, las entradas adversarias, los sensores comprometidos o una infraestructura conectada deficiente pueden afectar no solo a la privacidad y a la propiedad intelectual, sino también a la seguridad y al comportamiento de los sistemas en el mundo real.
Los compradores deben evaluar la seguridad desde el diseño, las prácticas de desarrollo y redes seguras, las pruebas de productos, la supervisión de vulnerabilidades, los programas de respuesta ante incidentes y los controles de seguridad de los proveedores. Es importante destacar que la ciberseguridad no es lo mismo que el cumplimiento normativo: aunque el cumplimiento de la normativa sobre protección de datos es necesario, puede que no siempre sea suficiente para proteger los datos. Las empresas deben aplicar medidas de seguridad que vayan más allá de los requisitos normativos mínimos, lo que incluye la eliminación de vulnerabilidades en la fase de diseño y la supervisión continua de las amenazas emergentes.
6. Derechos de uso de los datos de entrenamiento: la nueva frontera de la propiedad intelectual
Quizás el cambio más significativo desde nuestro artículo de 2021 sea la aparición de los derechos sobre los datos de entrenamiento como una categoría independiente dentro del proceso de diligencia debida. Muchos modelos de IA se han entrenado con datos de terceros sin la autorización o el consentimiento adecuados de los titulares de los derechos de autor, lo que conlleva una posible responsabilidad derivada para los usuarios finales de dichos modelos.
Los compradores deben comprobar si los datos de entrenamiento de la empresa objetivo se han recopilado de forma legal y si esta dispone de derechos contractuales suficientes para el uso que el comprador tiene previsto darles. En el proceso de diligencia debida se deben revisar los acuerdos existentes para determinar si los datos de clientes o de terceros pueden utilizarse para entrenar los sistemas del proveedor o para mejorar sus propios productos. Debe confirmarse que los derechos de autor asociados a los materiales de entrenamiento cuenten con las licencias adecuadas o que estén excluidos.
La evolución normativa pone aún más de relieve este riesgo. Propuestas legislativas como la AB2013 de California obligarían a los desarrolladores de sistemas de inteligencia artificial a publicar la documentación relativa a los conjuntos de datos utilizados para entrenar dichos sistemas. A medida que se amplían los requisitos de transparencia, las lagunas en la procedencia de los datos de entrenamiento —que en épocas anteriores podrían haber pasado desapercibidas— podrían convertirse en responsabilidades significativas.
Conclusión: un nuevo marco de diligencia debida para las operaciones relacionadas con la inteligencia artificial y la autonomía
Cuando publicamos nuestro artículo original en 2021, los activos de patentes eran el principal criterio a través del cual los compradores evaluaban los objetivos de adquisición en el ámbito de la IA. Los datos de las adquisiciones de Apple, tal y como se analizaba en nuestro artículo de 2021, ponían de manifiesto el valor de una estrategia de patentes bien planificada: las empresas con aproximadamente 20 activos de patentes alcanzaban valoraciones superiores a los 100 millones de dólares y se vendían en un plazo de cuatro años.
Esa conclusión sigue siendo válida, pero ya no es suficiente. A medida que las empresas de IA pasan de los proyectos de investigación a los sistemas de producción que operan en el mundo físico, el perfil de riesgo de los modelos de negocio centrados en la IA es tan diferente del de las adquisiciones de otras empresas tecnológicas que se requiere un nuevo enfoque. Hoy en día, los compradores deben llevar a cabo una investigación de diligencia debida reorientada que abarque los datos propios, la caracterización de las patentes, la autenticidad técnica, el análisis normativo, la evaluación de la ciberseguridad y los derechos sobre los datos de entrenamiento.
Para las empresas de IA que desarrollan tecnología relacionada con los vehículos autónomos (AV) y los vehículos eléctricos (EV), o cualquier sistema físico de IA, una sólida cartera de patentes sigue siendo una señal poderosa de innovación y tecnología propia que puede multiplicar su valoración. Sin embargo, las empresas mejor posicionadas para una adquisición serán aquellas que puedan demostrar no solo la solidez de sus patentes, sino también una procedencia clara de los datos, capacidades técnicas genuinas, preparación normativa, una ciberseguridad robusta y derechos defendibles sobre los datos con los que se entrenan sus sistemas. En nuestro próximo artículo de esta serie, nos preguntamos dónde podrían comenzar las guerras de patentes de la IA física, a medida que la autonomía se expande desde los vehículos hacia los drones, la robótica, los sistemas de defensa, la automatización industrial y el hardware basado en IA.
* * *
AVISO LEGAL: La información aquí facilitada puede no ser aplicable en todas las situaciones y no debe utilizarse sin un asesoramiento jurídico específico basado en cada caso concreto.
