02219nam a2200289 4500 00008218 ES-MaONT 20250123100122.0 250115s2024 -uk||||| t||| 00| 0 eng d ES-MaONT Lisinska, Justyna 8520 Why AI-Generated Content Labeling Mandates Fall Short / Justyna Lisinska, Daniel Castro Londres : Center for data innovation ,diciembre 2024 13 páginas ; 1 documento PDF isbdcontent texto (visual) isbdmedia electrónico rdacarrier recurso en línea El informe Why AI-Generated Content Labeling Mandates Fall Short analiza las limitaciones de imponer etiquetas obligatorias a todo contenido generado por inteligencia artificial (IA). Señala que, aunque el etiquetado mediante marcas de agua puede ayudar a identificar material creado por IA, exigirlo universalmente resulta poco práctico y no aborda eficazmente problemas como la desinformación, las violaciones de derechos de autor y los deepfakes. La metodología del informe examina enfoques como el watermarking digital, el fingerprinting digital y el uso de metadatos criptográficos para etiquetar y verificar contenido de IA. Se destacan las limitaciones técnicas de cada método, incluyendo su susceptibilidad a manipulaciones y la falta de estándares uniformes, lo que dificulta su implementación efectiva a gran escala. Por último, el informe recomienda fomentar la adopción voluntaria de etiquetas para todo el contenido digital mediante estándares establecidos, como la Coalition for Content Provenance and Authenticity (C2PA). Además, sugiere promover campañas de alfabetización digital y desarrollar respuestas específicas para problemas particulares, en lugar de imponer etiquetas generales al contenido generado por IA. 4348 Inteligencia Artificial 18 Tecnologías habilitadoras digitales 2182 Datos abiertos 2044 Internet 2389 Castro, Daniel 0 Acceso a la publicación https://www2.datainnovation.org/2024-ai-watermarking.pdf z INF 8218 8218 0 0 0 3 1 9160 01 01 online 2025-01-15 0 1000020178378 2025-01-15 00:00:00 2025-01-15 INF