IA en producción musical: ¿herramienta nueva o reemplazo total del rubro?

Cada pocos meses aparece un modelo nuevo que genera una canción completa a partir de un prompt de texto, y con él la misma pregunta: ¿esto es una herramienta más para el estudio, o el principio del fin del oficio? La respuesta corta es que la IA generativa ya cambió una parte real del rubro y va a seguir haciéndolo — pero hay una parte que no toca, y entender cuál es cada una importa más que la discusión genérica de "IA sí o IA no".

No crea: copia y remezcla

Un modelo generativo de audio no compone desde cero. Aprende patrones estadísticos de un catálogo de entrenamiento y, al generar, tiende a reproducir fragmentos de ese catálogo — a veces de forma literal. Un estudio reciente sobre modelos de generación musical documentó justamente eso: replicación de datos de entrenamiento en modelos como MusicGen, con fragmentos exactos o casi exactos del material original reapareciendo en la salida generada. No es una metáfora ni una crítica moral al modelo — es un comportamiento medido y publicado. Lo que un modelo generativo hace, en el fondo, es una mezcla de elementos existentes; llamarlo "crear" es, como mínimo, impreciso.

Lo que la IA no puede hacer: romper la regla

Ningún modelo entrenado para predecir el siguiente patrón "esperado" va a inventar el grunge o el rap. Esos géneros no nacieron de optimizar lo que ya sonaba bien — nacieron de romper con lo que sonaba bien, desde una posición cultural y política concreta. Una IA optimiza hacia lo que el dataset le enseña que es "correcto" o "agradable"; no tiene una biografía, una rabia, ni una comunidad con la que romper reglas. Contracultura no es un patrón que se pueda promediar desde miles de canciones anteriores — es, por definición, lo que todavía no existe en ningún dataset.

El paralelo con la comida rápida

Para lo de consumo fácil y rápido, la IA ya es efectivamente competitiva: puede resolver un jingle, una cortina, una base genérica en minutos. Es la papa frita y la hamburguesa del rubro — cumple, es rápida, es barata. Pero no hace el plato de autor ni tampoco esa comida casera simple que sabe a algo específico: a una cocina, a alguien que la preparó pensando en ti. Ese sabor no es una cuestión técnica de receta; es que hay una persona y una intención real detrás. En música pasa lo mismo: se puede generar una base competente, pero no la sensación de que hay alguien del otro lado que vivió algo y lo está contando.

El límite ya se está viendo — y es exponencial

La mejora de estos modelos no es lineal: llegar de un nivel de calidad a otro cuesta cada vez más recursos, no la misma cantidad. Un análisis reciente sobre las curvas de escalamiento de IA lo deja en números concretos: pasar de 90% a 95% de acierto en un benchmark estándar (MMLU-Pro) no cuesta un 5% más de cómputo, sino más de cinco veces más — de aproximadamente 10¹⁰ a 5,6×10¹⁰ PFLOP. Es lo que ese mismo análisis llama "el muro de los retornos decrecientes": cada punto adicional de calidad es exponencialmente más caro que el anterior. Eso no significa que la IA deje de mejorar, pero sí que cerrar el último tramo — el que separa "suena bien" de "suena a algo real" — no es cuestión de esperar un par de meses más.

Lo que nunca va a hacer

Ningún modelo va a componer una Novena Sinfonía ni un disco como Nevermind, porque esas obras no son la suma óptima de referencias anteriores — son la respuesta de una persona específica a una vida específica. Una IA no va a escribir una canción sobre la desaparición o el abuso de un familiar propio, porque no tiene familia, ni pérdida, ni nada que contar. Puede imitar la forma de esa canción después de que existe. No puede tener el motivo por el cual esa canción tuvo que existir.

El contraargumento: "ya hay canciones hechas con IA compitiendo en streaming"

Es cierto, y no hay que restarle importancia: ya circulan canciones generadas por IA con miles —a veces millones— de reproducciones, algunas incluso sin que el oyente promedio note que no hay una persona real detrás. Si la pregunta es "¿puede la IA generar algo que compita comercialmente hoy?", la respuesta ya es sí, y descartarla sería no ver lo que está pasando.

Pero esa pregunta es distinta a la que importa acá. Que una canción generada compita en un algoritmo de descubrimiento, o funcione como música de fondo en un video corto, dice más sobre cómo funciona el consumo pasivo en plataformas de streaming que sobre la capacidad creativa del modelo. Nadie está sosteniendo que la IA no pueda generar algo escuchable, competitivo incluso — eso ya se demostró y va a seguir mejorando. Lo que se sostiene es que ese resultado sigue siendo, técnicamente, una remezcla estadística de lo que ya existía: competir en las condiciones de descubrimiento pasivo de una plataforma no es lo mismo que crear una obra que alguien elige activamente porque sabe quién la hizo y por qué.

Entonces, ¿qué cambia realmente?

Sí va a desplazar el contenido de creación rápida y consumo fácil — música de fondo, jingles, plantillas comerciales — y probablemente va a acercar a más gente a esos productos comerciales de la industria. Eso es real y ya está pasando. Pero más allá de ese segmento, no le gana con facilidad al trabajo con intención real detrás.

Donde sí es una herramienta genuinamente útil es en lo operativo: desarrollo más rápido de plugins, escaneo eficiente de librerías de samples, limpieza de audio, asistencia técnica en tareas repetitivas. Ahí no reemplaza criterio — lo acelera.

La creatividad humana no es un patrón predecible a partir de datos previos, así que a menos que cambie el paradigma de fondo del código fuente de estos modelos o alguien logre emular la imaginación humana real (no simular su output), no hay mucho de qué preocuparse. Mientras tanto, en Teburu seguimos apostando por lo que un modelo no puede tener: intención, criterio y una persona real detrás de cada sesión. Si quieres grabar algo que venga de ahí, puedes revisar nuestros Servicios o reservar una sesión.