Publicado en The Scholarly Kitchen
https://scholarlykitchen.sspnet.org/2026/03/11/what-publishing-leaders-say-about-ai-when-theyre-not-on-panels/
Lo que dicen los líderes editoriales sobre la IA cuando no están en paneles: un pulso sobre todo lo relacionado con la IA
Por Todd Toler y Angela Cochran
11 de marzo de 2026
Nota del editor: La entrada de hoy está escrita por Angela Cochran y Todd Toler, vicepresidente de Grupo de Producto y Estrategia de Mercado en Wiley.
En algún momento del otoño pasado, la dirección de una editorial mediana especializada en física fue contactada por una empresa que quería licenciar su contenido para utilizarlo en un sistema de inteligencia artificial. La empresa no quiso revelar quién era. No explicó para qué se utilizaría el contenido, quién lo usaría ni bajo qué condiciones. Solo quería acceso. La editorial no tenía un marco para evaluar la propuesta: ni una política interna, ni precedentes, ni criterios establecidos. Obviamente, respondieron que no. Pero la interacción dejó una huella. Fue como si alguien les pidiera renunciar a sus derechos de autor sin decirles si quería compartir su historia o silenciarla.
Este fue uno de los catorce diálogos que mantuvimos entre diciembre de 2025 y febrero de 2026 con líderes del mundo editorial —directivos de sociedades científicas, responsables de editoriales comerciales y consultores— acerca de su posición frente a la inteligencia artificial (IA). No nos propusimos realizar una encuesta ni elaborar un marco conceptual. Lo hicimos por curiosidad y, quizá, por cierta inquietud. Ambos llevábamos meses reflexionando sobre este tema, acumulando observaciones desde nuestros respectivos rincones de la industria, hasta que uno de nosotros dijo: “Deberíamos simplemente llamar a la gente y preguntar”.
La diversidad de respuestas fue sorprendente. En un extremo, un alto ejecutivo de una gran editorial comercial nos confesó que el trabajo relacionado con la IA literalmente le quitaba el sueño. No por ansiedad, sino porque tenía que revisar contratos de licenciamiento para IA por las noches, ya que durante el día seguía ocupado asegurándose de que ScholarOne funcionara correctamente. En el otro extremo, un consultor describió a miembros de comités editoriales europeos que querían que su asociación académica prohibiera completamente la IA y emitiera declaraciones públicas en su contra, y que recibían a los asesores estratégicos externos con la cordialidad de “¿quiénes son estos imbéciles de traje que vienen a hablarnos con jerga empresarial?”.
Entre ambos extremos encontramos personas reflexivas, divididas y, casi universalmente, con recursos insuficientes. El responsable editorial de una importante sociedad de ingeniería nos dijo que su mayor temor no era que la IA destruyera el negocio de su organización, sino que “hiciera una simulación realmente buena de lo que hacemos”, arruinando así los fundamentos del mercado sin competir directamente con él.
No somos observadores externos. Todd trabaja en Wiley; Angela es vicepresidenta de publicaciones de la Sociedad Estadounidense de Oncología Clínica (ASCO). Ambos hemos trabajado en estrategias de IA, licenciamiento y políticas editoriales desde dentro de las editoriales. Lo que aportamos a estas conversaciones no fue neutralidad, sino familiaridad y, cada vez más, nuestra propia confusión.
Cuanto más hablábamos con la gente, menos seguros estábamos de la sabiduría convencional. La narrativa dominante de la industria sobre la IA —proteger el contenido, firmar acuerdos de entrenamiento, probar herramientas de integridad y esperar a que los tribunales decidan— comenzó a parecernos organizada en torno a las preguntas equivocadas.
Lo que sigue es nuestro intento de plantear las preguntas correctas. Hemos organizado estas reflexiones por temas más que por entrevistados, y hemos dejado que las personas hablen por sí mismas cuando sus palabras eran mejores que las nuestras. Eso ocurrió con frecuencia.
Una nota logística: este trabajo se publica en dos partes. La primera, que es la que está leyendo, aborda el panorama empresarial: licencias, ingresos, demanda y la distinción que consideramos más importante. La segunda, próxima a publicarse, tratará sobre las personas y las máquinas: la preparación organizacional, la revisión por pares y hacia dónde se dirige todo esto.
Pesos frente a contextoLa distinción más importante no es aquella sobre la que hemos estado discutiendo.
Durante dos años, la industria se ha obsesionado con si las empresas tecnológicas deberían pagar por entrenar sus modelos con contenido protegido por derechos de autor y, en sentido contrario, si las editoriales deberían aceptar ese dinero. Es un debate que genera demandas judiciales y comparaciones con Napster en reuniones de juntas directivas, pero pasa por alto el punto estratégico. El modelo mental que lo sustenta es correcto, pero cada vez menos relevante: la máquina consume el contenido, lo almacena en sus parámetros (weights) y luego lo reproduce al generar respuestas. De acuerdo. Pero no es así como estos sistemas realizan su trabajo más significativo.
Steven Heffner, del IEEE, nos ofreció la formulación más precisa de lo que está en juego. El artículo académico, dijo, sigue siendo la unidad básica de la investigación porque captura algo irreductible: “una indagación, un experimento, un informe, una interpretación y una comunicación de un momento en el tiempo”. Cuando eso se reduce a matemáticas vectorizadas dentro de los parámetros de una red neuronal, las ideas sobreviven, pero la estructura argumentativa desaparece.
“Es un castillo de arena sobre el que después ya no se puede construir”, afirmó Heffner. No se puede emitir una corrección a un conocimiento que ha sido destilado en matemáticas y actualizado una vez al año por un puñado de las empresas más ricas del mundo. Uno de los editores con los que hablamos llamó a esto “lavado de copias” (copywashing), el equivalente intelectual del lavado de dinero, donde la señal sobrevive, pero la fuente se vuelve imposible de rastrear.
Sin embargo, aquí está el punto clave: las propias empresas de IA están en gran medida de acuerdo. Su prioridad empresarial es aumentar la capacidad y mantener márgenes en la inferencia, mientras siguen invirtiendo lo suficiente en investigación y desarrollo para mantener modelos competitivos. El director ejecutivo de Anthropic, Dario Amodei, expresó esto explícitamente en una entrevista reciente: las leyes de escalamiento son una restricción empresarial, no una estrategia de apropiación de propiedad intelectual.
Estas empresas entrenan sus modelos con enormes corpus para que puedan razonar, no para reproducir fielmente los contenidos. Quieren modelos que piensen, no que reciten, y almacenar literalmente cientos de miles de millones de parámetros de texto es una carga cognitiva considerable.
Como analogía cercana a Todd: caminar por la vida llevando memorizada toda la letra de Scenes from an Italian Restaurant de Billy Joel, incluida la saga completa de Brenda y Eddie, probablemente lo convertiría en una persona menos eficiente.
Los modelos no quieren tener su contenido literal almacenado en sus parámetros más de lo que usted desea que esté allí. Andrew Smeall, de Sage, expresó claramente la lógica editorial: “Somos muy cuidadosos para no dejarles acceder a nuestro fondo editorial más reciente, lo más valioso”.
La otra cara de esa cautela es la pregunta que ahora está intentando resolver: “¿Cómo entregamos el contenido a través de herramientas como Wiley Gateway, o deberíamos construir nuestra propia versión?”. Es decir, una vía licenciada y medible que proporcione contenido a los agentes de IA exactamente cuando lo necesitan, en lugar de integrarlo permanentemente en los parámetros del modelo.
Esa es la verdadera distinción. El contenido integrado en los parámetros es una transacción única con un activo que se deprecia: el modelo que absorbió su corpus en 2024 será reemplazado en 2026 y usted no tendrá ningún derecho sobre su sucesor. El contenido accedido como contexto —recuperado durante la inferencia mediante arquitecturas de agentes, protocolos de contexto de modelos (MCP) o interfaces de línea de comandos (CLI)— constituye una relación continua. El artículo puede actualizarse, corregirse o retractarse. El acceso puede medirse, licenciarse o renovarse. La fuente puede citarse. El objetivo es convertirse en la fuente a la que los agentes vuelven una y otra vez.
Cuando un editor, un comité editorial o un directivo afirma que quiere que el contenido de su organización esté presente en “todos los espacios de IA”, lo que realmente desea es visibilidad y atribución, no convertirse en una fuente anónima de conocimiento.
«El sistema de agentes está desempeñando el papel del bibliotecario», nos dijo un editor. «Antes, uno le preguntaba a un bibliotecario: ¿qué fuentes debería consultar? Ahora el agente debería ser capaz de hacer eso». Puede limitar su búsqueda a fuentes autorizadas dentro de un campo determinado. Puede comprobar si un artículo ha sido retractado. Puede hacer todas las cosas que hacen los investigadores cuando consultan un cuerpo de literatura científica en lugar de limitarse a recitar de memoria, pero solo si el contenido está disponible para ser consultado y el agente conoce las vías y las reglas de una búsqueda académica. El bibliotecario del futuro atenderá tanto a los usuarios como a los agentes que actúen en nombre de esos usuarios.
No todos los entrevistados estaban convencidos. «Lo que hoy es contexto mañana será material de entrenamiento», nos comentó un director editorial. «¿Es realmente una diferencia significativa?»
Es una objeción válida. Un licenciatario que hoy tenga acceso a su contenido para utilizarlo mediante generación aumentada por recuperación (Retrieval-Augmented Generation, RAG) podría mañana ajustar un modelo (fine-tuning) utilizando esos mismos pasajes. El modelo de «suscripción al contexto» que proponemos aquí depende de mecanismos de cumplimiento que todavía no existen plenamente y de contrapartes comerciales que quizá ni siquiera existan dentro de dieciocho meses, dadas las actuales tasas de consumo de capital del sector de la inteligencia artificial. Además, el propio Smeall formuló una importante advertencia: para preguntas de investigación extremadamente especializadas, como determinar qué neurotoxinas se unen a determinados receptores, «prácticamente no se puede razonar sobre ello si ese contenido no está incorporado en el propio modelo». En los límites del conocimiento altamente especializado, la frontera entre los pesos del modelo y el contexto comienza a difuminarse.
Existe, sin embargo, un tercer escenario que complica esta visión optimista, y ya está ocurriendo. Podríamos llamarlo «Big RAG».
Empresas como Open Evidence no se limitan a construir herramientas de inteligencia artificial; están construyendo ellas mismas la capa de contexto, agregando tanto el contenido como la audiencia dentro de una única plataforma.
Open Evidence ha obtenido licencias de contenido de revistas científicas, ha construido una interfaz clínica basada en IA, ha conseguido atraer a una masa crítica de médicos y ha captado financiación con una valoración de 12.000 millones de dólares, más del doble de la capitalización bursátil conjunta de Wiley y Springer Nature.
Michael Clarke, uno de los principales asesores de editoriales y sociedades científicas, dejó que esa cifra hablara por sí sola durante unos segundos antes de añadir: «...para una empresa que apenas lleva tres años de existencia.»
Se trata de una estrategia basada en los efectos de red, no simplemente en la tecnología.
La verdadera ventaja competitiva (moat) de Open Evidence no reside en su modelo de IA, sino en el hecho de que los médicos ya están allí, haciendo preguntas, desarrollando hábitos de uso y siendo cada vez más receptivos a publicidad farmacéutica dirigida.
Para las editoriales que firmaron acuerdos desde el principio —entre ellas el New England Journal of Medicine— la colaboración tiene ventajas. Open Evidence enlaza directamente con la revista en lugar de dirigir a los usuarios a PubMed, generando un importante flujo de tráfico hacia las publicaciones originales.
En cambio, para las editoriales que no firmaron acuerdos o cuyo contenido fue extraído antes de que alguien pensara siquiera en solicitar permiso, la situación resulta mucho menos favorable. Como descubrió de primera mano una editora de una sociedad médica, algunas de estas empresas fueron sorprendentemente sinceras respecto a sus métodos de actuación. «Una de ellas me dijo literalmente», recuerda, «si hubieran colocado un sistema de acceso mediante inicio de sesión delante de sus guías clínicas, no las habríamos tomado».
El riesgo es que el modelo de «suscripción al contexto» termine convirtiéndose en una «suscripción al contexto de otro».
Si el agregador controla la audiencia y construye el grafo de contenidos, las editoriales pasan a convertirse simplemente en proveedores de una plataforma, una posición muy conocida dentro del sector editorial y, desde luego, poco ventajosa.
«Para ellos todo es simplemente contenido», observó un editor del ámbito médico. «Todo queda completamente plano. No existe ninguna jerarquía.» Las fuentes consideradas «premium» no son necesariamente las de mayor calidad, sino simplemente aquellas cuyos propietarios firmaron un acuerdo comercial. La cuestión para las editoriales ya no consiste únicamente en decidir si pondrán su contenido a disposición durante la fase de inferencia de los modelos de IA. La verdadera cuestión es si serán ellas quienes controlen el contexto, o si habrán cedido esa posición estratégica a una nueva generación de intermediarios.
La infraestructura jurídica necesaria para el modelo de suscripción al contexto está comenzando a ponerse al día: licencias basadas en consultas (query-based licensing), API que preservan la atribución y sistemas de medición del uso en la capa de recuperación de información (retrieval). Las editoriales que se están preparando para ese futuro están construyendo una posición defendible, aunque todavía imperfecta. Pero el momento es crucial. La alternativa consiste en seguir discutiendo quién le debe qué a quién por lo que ya ocurrió, mientras las máquinas y los agregadores continúan avanzando sin esperar a nadie.
Se puede disolver el contenido en matemáticas. Lo que no se puede disolver es el conocimiento experto.
Como ocurre con casi todo en la edición académica, no existe una solución única para el uso de la inteligencia artificial ni para la demanda de contenidos. La posibilidad de obtener ingresos mediante licencias depende en gran medida de la disciplina y del grado de adopción de la IA por parte de la comunidad a la que sirve.
El contenido de informática posee un gran valor para el entrenamiento de modelos, ya que la inteligencia artificial tiene una aplicación especialmente sólida en el desarrollo de software. Del mismo modo, los contenidos que orientan la práctica profesional tienen un valor especialmente elevado. La American Society of Civil Engineers (ASCE) publica las normas técnicas que sirven de referencia para proyectos de infraestructura civil y construcción en todo el mundo.
Dana Compton, directora general y editora de la ASCE, explicó dónde percibe las principales oportunidades para la IA:
«Observamos interés por parte de algunos suscriptores corporativos en incorporar derechos de uso de IA para utilizar nuestros contenidos internamente. Sin embargo, creemos que la mayor parte de nuestras oportunidades reside en añadir funciones basadas en inteligencia artificial a nuestras propias plataformas, especialmente en el ámbito de las normas técnicas.»
Estas normas son comparables a las guías de práctica clínica en medicina: constituyen recomendaciones mínimas fundamentadas en la evidencia y elaboradas por expertos para distintos tipos de proyectos de infraestructura bajo diferentes condiciones.
En el ámbito de la medicina clínica existe una elevada demanda de las guías clínicas publicadas por las sociedades científicas, ya que orientan directamente la práctica médica. Paralelamente, proliferan las herramientas comerciales de apoyo a la toma de decisiones clínicas que están incorporando funciones basadas en inteligencia artificial.
Para las editoriales que trabajan fuera de estos sectores, en cambio, el panorama es mucho más tranquilo. Una sociedad científica altamente especializada con la que hablamos publica cerca de 2.000 artículos revisados por pares cada año y, sin embargo, no ha recibido ni una sola consulta relacionada con licencias para IA. No se debe a una falta de rigor ni de volumen editorial, sino a que los primeros acuerdos comerciales se concentran principalmente en herramientas de apoyo clínico y aplicaciones dirigidas al consumidor. Los modelos buscan escala; los actores especializados buscan aplicaciones directamente útiles para los profesionales; y no todas las disciplinas reúnen ambas características.
Estas son las oportunidades que actualmente pueden identificar y dimensionar las editoriales. Sin embargo, cabe preguntarse si la demanda que realmente transformará el sector no procederá de herramientas especializadas, sino de las plataformas que ya controlan la audiencia.
Anthropic, OpenAI y Perplexity están desarrollando plataformas específicas para el ámbito sanitario a partir de sus modelos generales de lenguaje (LLM). Su objetivo declarado es permitir que los usuarios formulen preguntas médicas detalladas e incluso carguen sus historiales clínicos para obtener respuestas personalizadas.
Antes de preguntarse por qué alguien querría hacer algo así, conviene saber que subir notas médicas y resultados de laboratorio ya es una práctica habitual en estas plataformas. Estados Unidos es uno de los dos únicos países que permiten la publicidad farmacéutica dirigida directamente al consumidor, y décadas de este tipo de publicidad han acostumbrado a la población a investigar enfermedades, preguntar por medicamentos específicos y buscar información médica sin la presencia de un profesional sanitario. Hoy, esos consumidores están acudiendo a plataformas de salud basadas en IA, y el dinero procedente de la publicidad irá tras ellos.
En China, Baichuan ni siquiera recurrió al médico como intermediario. Desde el principio, su aplicación médica basada en inteligencia artificial se dirigió directamente a los pacientes, presentándose no como una herramienta de apoyo a la decisión clínica, sino como lo que la propia empresa denomina un «guardián de la salud». Su modelo más reciente ya compite con GPT-5 en las principales pruebas de rendimiento médico.
Si Open Evidence representa el modelo de «Big RAG» con el médico todavía presente en el proceso, Baichuan muestra lo que ocurre cuando el agregador decide que el médico deja de ser necesario.
En cualquier caso, los grandes modelos de lenguaje desean acceder al contenido de las revistas médicas, aunque, por ahora, no bajo un modelo basado en el contexto. Las propuestas de licencia continúan orientándose hacia acuerdos amplios y permanentes que autorizan el uso del contenido para preentrenamiento, aprendizaje por refuerzo y otros usos generales.
Es posible que el modelo de suscripción al contexto sea el destino final de esta evolución. Sin embargo, no es el punto de partida de la mayoría de las negociaciones. Las empresas están construyendo flujos de inferencia específicos para distintos dominios, en los que la literatura clínica se incorpora como contexto y se combina con datos propios para responder preguntas en tiempo real. Las mayores compañías tecnológicas del mundo están desarrollando el mismo tipo de plataforma intermediaria que Open Evidence: agregan simultáneamente el contenido y la audiencia dentro de flujos de trabajo que las editoriales ya no controlan.
La diferencia radica en la escala: cuando Anthropic u OpenAI desarrollan una plataforma especializada para el sector sanitario, no están pensando en desplazar a UpToDate y conseguir que todas las mismas editoriales se incorporen oficialmente a su plataforma. Son plataformas con cientos de millones de usuarios, y la cuestión de si su contenido terminará formando parte de su capa de contexto puede no depender enteramente de usted.
En cualquier caso, la demanda de derechos de uso para inteligencia artificial se ha dividido en dos mundos claramente diferenciados:
Las empresas farmacéuticas y los clientes corporativos llegan con sus chequeras a la puerta de las licencias, deseosos de obtener derechos para incorporar contenidos a sus sistemas cerrados de descubrimiento de información.
Las instituciones académicas, situadas en la puerta de las suscripciones, permanecen en gran medida al margen de esta conversación, aunque no por una única razón.
Algunas, sencillamente, ni siquiera se han dado cuenta de que existe una conversación en la que podrían participar. Los investigadores están subiendo archivos PDF a ChatGPT sin ser conscientes de que la suscripción de su biblioteca no cubre ese tipo de uso.
«Las herramientas son tan fáciles de utilizar», afirma un director editorial, «que nadie se molesta en preguntar por los derechos. Las bibliotecas no impulsarán este proceso».
Otras bibliotecas, por el contrario, están solicitando amplios derechos de uso para IA como parte de sus suscripciones, introduciendo nuevas cláusulas en las licitaciones de renovación que los abogados de las editoriales suelen rechazar con facilidad.
Pero, más allá de estas posturas, existe un auténtico conflicto estratégico.
¿Debe una suscripción bibliotecaria incluir el derecho a utilizar inteligencia artificial?
La pregunta puede parecer meramente administrativa, pero sus implicaciones son estructurales.
Las editoriales que responden negativamente están diciendo a sus clientes más antiguos que la aplicación más transformadora del contenido por el que llevan años pagando requiere un pago adicional, algo que, desde la perspectiva de un bibliotecario, equivale a pagar dos veces por el mismo recurso.
Por otra parte, las editoriales que han incorporado de hecho los derechos de IA dentro del precio de la suscripción pueden terminar debilitando sus propios acuerdos de licencia con clientes corporativos, que pagan tarifas mucho más elevadas por acceder al mismo contenido.
No se trata simplemente de un problema de precios. Es un problema de paradigma: el modelo de suscripción y el modelo de licenciamiento están convergiendo y, en algunos casos, canibalizándose mutuamente. Sin embargo, la mayoría de las editoriales todavía no ha asumido plenamente lo que esto significa para ninguna de sus dos fuentes de ingresos.
También existen quienes han llegado a su posición no por desconocimiento, sino por una especie de lucidez nacida del cansancio: personas que han presenciado suficientes ciclos de promesas tecnológicas como para saber que la demostración nunca es el producto y que el producto nunca es la transformación prometida.
Una directora editorial de una sociedad científica nos explicó que su equipo evalúa todas las oportunidades mediante un único criterio: ¿contribuye realmente a la excelencia científica de la comunidad a la que servimos?
Hasta el momento, las licencias para inteligencia artificial no superan esa prueba.
«No creo que hayamos llegado todavía a ese punto», afirmó, no con una actitud defensiva, sino con la serenidad de quien tiene muy claro cuál es la misión de su institución.
En el extremo más crítico del espectro, un consultor que asesora a sociedades científicas de toda Europa encuentra una resistencia abierta basada en la propia identidad académica. Miembros de consejos editoriales y bibliotecarios consideran que los grandes modelos de lenguaje (LLM) son fundamentalmente incompatibles con la empresa científica: los perciben como poco fiables, ambientalmente costosos y como una forma de contaminación epistemológica.
«Esta es nuestra disciplina; este es nuestro territorio.»
Mientras tanto, todos improvisan sobre la marcha la manera de fijar precios.
Un responsable editorial nos contó que había modificado su modelo de precios cuatro veces en apenas tres meses. Cada posible licenciatario llega con un caso de uso distinto, una audiencia diferente y una arquitectura tecnológica que nadie había previsto.
«Y ahora volvemos otra vez al punto de partida», resumía un directivo editorial.
Todavía no existe una gramática común para este tipo de acuerdos. No hay un estándar que determine cuánto debe costar una licencia para RAG frente a una licencia de entrenamiento; no existe un referente para fijar el precio del acceso mediante API frente al suministro del texto completo; tampoco hay consenso sobre si los metadatos y el texto íntegro deben valorarse de forma distinta, ni sobre si conviene diferenciar entre usos comerciales y no comerciales.
Nadie sabe realmente cuánto debería costar nada, y nadie quiere ser quien fije un precio demasiado bajo.
Y, sin embargo, en medio de todo este caos, algunas editoriales están descubriendo que su activo más defendible nunca fue el contenido en sí mismo.
Jasper Simons, de la American Psychological Association (APA), describió una nueva iniciativa denominada APA Labs que no concede licencias de contenido a plataformas de inteligencia artificial; en cambio, las evalúa.
Las empresas tecnológicas que desarrollan herramientas de IA para salud mental acuden a la APA para obtener una evaluación independiente sobre si sus productos cumplen los estándares de la ciencia psicológica.
«Los desarrolladores de IA no quieren que sus plataformas terminen induciendo al suicidio al hijo de alguien, ni enfrentarse a las demandas judiciales que eso implicaría», nos explicó Simons.
Karla Soares-Weiser, nueva directora ejecutiva de Cochrane, describió una reflexión semejante. En un futuro dominado por la inteligencia artificial, el producto de Cochrane no puede limitarse a las Revisiones Cochrane. La organización necesita aprovechar todo lo que existe detrás de esas revisiones: la metodología, el conocimiento experto, la red de especialistas y la reputación de la marca.
No se trata de estrategias de licenciamiento de contenidos.
Se trata de estrategias basadas en la autoridad.
Y ello sugiere que, en una economía impulsada por la inteligencia artificial, lo que las editoriales tienen realmente para ofrecer no es simplemente texto, sino criterio experto.
El contenido puede disolverse en los pesos de un modelo o integrarse en el contexto construido por otra plataforma.
La experiencia y el conocimiento experto —la capacidad para evaluar, certificar y establecer estándares— no pueden disolverse.
Hasta este punto hemos descrito, en cierto modo, el lado positivo del problema.
Existe una demanda real de contenido académico por parte de los sistemas de inteligencia artificial.
Existe un modelo plausible —la suscripción al contexto— que permitiría a las editoriales participar en esa demanda sin renunciar al control de sus activos.
Se están cerrando acuerdos reales. Está entrando dinero real. Se está construyendo infraestructura real.
Si se observa con suficiente optimismo, el modelo de negocio parece existir.
Sin embargo, todos los editores con los que hablamos, sin excepción, terminaron diciendo, de una u otra forma, exactamente lo mismo:
«No tenemos las personas necesarias para hacerlo.»
No se trata de una falta de tecnología ni de estrategia.
Se trata de una falta de personas.
Falta la capacidad organizativa necesaria para evaluar estos acuerdos, desarrollar estos sistemas, gestionar estas relaciones y, al mismo tiempo, seguir publicando las revistas en los plazos previstos.
En la segunda parte abordaremos precisamente ese problema: la brecha en la preparación organizativa, el futuro de la revisión por pares y la incómoda constatación de que la industria quizá deba transformarse mucho más rápido de lo que sus instituciones fueron diseñadas para hacerlo.
…………………………………………………………….
What Publishing Leaders Say About AI When They’re Not on Panels: A Pulse on All Things AI
By Todd Toler, Angela Cochran
Mar 11, 2026
Editor’s note: Today’s post is by Chef Angela Cochran and Todd Toler, Group VP of Product & Market Strategy at Wiley.
Sometime last fall, the leadership of a mid-sized physics publisher was approached by a company that wanted to license their content for use in an AI system. The company wouldn’t say who it was. It wouldn’t say what the content would be used for, or by whom, or under what conditions. It just wanted access. They didn’t have a framework for evaluating the offer. No internal policy, no precedent, no rubric. The publishers told them no, obviously. But the interaction lingered. It was like being asked to give up your copyright by someone who wouldn’t tell you if they wanted to share your story or silence it.
This was one of 14 conversations we had between December 2025 and February 2026 with publishing leaders — society executives, commercial publishing directors, consultants — about where they stood with artificial intelligence (AI). We didn’t set out to produce a survey or a framework. We set out because we were curious, and maybe a little restless. We’d both been thinking about this privately for months, accumulating observations from our respective corners of the industry, and at some point, one of us said to the other: we should just call people and ask.
The range of what we heard was striking. At one end, a senior executive at a large commercial publisher told us that AI work was literally keeping him up at night. The reason wasn’t anxiety. He had to review AI licensing contracts in the evenings because his day job was still making ScholarOne work. At the other end, a consultant described European editorial board members who wanted their scholarly association to ban AI in all its forms and issue position statements opposing it entirely, and who greeted outside strategic advisors with the warmth of “who are these wankers in suits coming in to talk business-speak to us?”
In between were people who were thoughtful, conflicted, and almost universally under resourced. The publishing head of a large engineering society told us his biggest fear wasn’t that AI would steal his organization’s business but that it would “do a really nice simulation of what we do” — ruining the basis of the market without actually competing in it.
We are not arms length observers. Todd works at Wiley; Angela is vice president of publishing at the American Society of Clinical Oncology (ASCO). We’ve both worked on AI strategy, licensing, and editorial policy from inside publishing houses. What we brought to these conversations wasn’t neutrality. It was familiarity, and increasingly, our own confusion.
The more people we talked to, the less certain we became about the conventional wisdom. The industry’s dominant AI narrative — protect the content, do a training deal, pilot some integrity tools, wait for the courts — started to feel like it was organized around the wrong questions.
What follows is our attempt to say what we think the right questions are. We’ve organized it loosely, by theme rather than by respondent, and we’ve let people speak for themselves where their words were better than ours. That happened often.
One logistical note: this will run in two parts. The first, which you’re reading, covers the business landscape: licensing, revenue, demand, and the distinction we think matters most. The second, forthcoming, covers the people and the machines: organizational readiness, peer review, and where this is all headed.
Weights vs. ContextThe distinction that matters most isn’t the one we’ve been arguing about.
For two years, the industry has been fixated on whether tech companies should pay to train their models on copyrighted content — and the flip side, whether publishers should take the check. It’s a debate that generates lawsuits and Napster analogies at board meetings, but it misses the strategic point. The mental model behind it is at once accurate and increasingly irrelevant. The machine eats the content, stores it in its weights, and regurgitates it for answers. Fine. But that’s not how these systems do their most meaningful work.
Steven Heffner at IEEE gave us the sharpest version of what’s at stake. The article, he said, persists as the basic unit of scholarship because it captures something irreducible: “an inquiry, an experiment, a report, an interpretation, and a communication of a moment in time.” When you reduce that to vectorized math in a neural network’s parameters, the ideas survive but the argument structure dissolves.
“It’s a castle of sand you can’t build upon afterwards,” Heffner said. You can’t issue a correction to knowledge that’s been distilled into mathematics, refreshed once a year by a handful of the richest companies in the world. One publisher we spoke with called this “copywashing,” the intellectual equivalent of money laundering, where the signal survives but the source becomes untraceable.
But here’s the thing: the AI companies largely agree. Their business imperative is ramping up capacity and holding margins on inference, while still investing enough in R&D to have competitive models. Anthropic CEO Dario Amodei made this point explicitly in a recent interview: scaling laws are a business constraint, not an IP land-grab strategy. The distinction is worth maintaining.
They are training on a wide corpus so that the model can reason, not with the goal of faithfully regurgitating it. They want models that can think, not recite, and 300 billion parameters of verbatim text is a lot of cognitive baggage to host and serve. As an analogy close to home for Todd: walking around with every lyric of Billy Joel’s “Scenes from an Italian Restaurant,” the complete saga of Brenda and Eddie, encoded in your head, might actually make you a less efficient person.
The models don’t want your verbatim content in their weights any more than you want it there. Andrew Smeall at Sage put the publisher’s side of that logic plainly: “We’re pretty careful not to let them have the front list, the most valuable stuff.”
The flip side of that caution is the question he’s now actively working on: “How do we get the content delivered via things like Wiley Gateway, or should we be building our own version?” — meaning a licensed, metered pipeline that delivers content to agents at the moment they need it, rather than baking it into the model’s weights.
This is the distinction. Content in the weights is a one-time transaction with a depreciating asset: the model that ingested your corpus in 2024 will be superseded by 2026, and you’ll have no claim on its successor. Content accessed as context — retrieved at inference time through what the industry is starting to call tool use, or agent architectures, or model context protocol (MCP) and command-line interface (CLI) endpoints — is an ongoing relationship. The article can be updated, corrected, or retracted. The access can be metered, licensed, or renewed. The source can be cited. Your goal is to be the machine that the agents call back.
When an editor, a board, or an executive says that they want their organization’s content in “all the AI places,” what they mean is that they want exposure and attribution — not to be an anonymous source of knowledge.
“The agent harness is functioning in the role of the librarian,” one publisher told us. “In the past, you would ask a librarian, which sources should I consult? And the agent should be able to do that.” It can limit its search to authoritative sources in a given field. It can check whether a paper has been retracted. It can do all the things that scholars do when they consult a body of literature rather than recite from memory, but only if the content is there to be consulted and the agent is aware of the pathways and rules of a scholarly search. The librarian of tomorrow will be serving patrons and the agents of patrons.
Not everyone we talked to was persuaded. “What is context now will be training input later,” one publishing director told us. “Is it a meaningful difference?”
That’s a fair challenge. A licensee with access to your content for retrieval-augmented generation (RAG) today could fine-tune on those same passages tomorrow. The subscribe-to-context model that we are framing here depends on enforcement mechanisms that don’t fully exist yet and on counterparties that may not exist at all in 18 months, given current burn rates in the AI sector. And Smeall himself offered a sharp caveat: for extremely specialized research questions like which neurotoxins bind to which receptors, “you kind of can’t reason about that unless you have that content” in the model itself. The line between weights and context blurs at the edges of deep domain knowledge.
There is, however, a third scenario that complicates the hopeful version of this story, and it’s already happening. Call it “Big RAG”. Companies like Open Evidence aren’t just building AI tools; they’re assembling the context layer themselves, aggregating both the content and the audience into a single platform.
Open Evidence has licensed journal content from publishers, built a clinical AI interface around it, attracted a critical mass of physicians, and raised capital at a $12 billion valuation — more than double the market cap of Wiley and Springer Nature combined.
Michael Clarke, a leading advisor to publishers and learned societies, let that number hang in the air for a moment before adding: “for somebody that’s been around for three years.”
This is a network play, not a technology play.
Open Evidence’s moat isn’t its model; it’s the fact that physicians are already there, asking questions, developing habits, and increasingly being exposed to targeted pharma ads. For the publishers who did deals early (New England Journal of Medicine among them) the arrangement has upside: Open Evidence links directly to the journal rather than to PubMed, driving significant traffic back.
For publishers who didn’t do deals or whose content was scraped before anyone thought to ask, the dynamic is less friendly. As one publisher at a medical society learned first-hand, some of these companies were refreshingly candid about the terms of engagement. “One of them literally said to me,” she recounts, “‘if you had put a login in front of your guidelines, we wouldn’t have taken them.'”
The risk here is that subscribe-to-context becomes subscribe-to-someone-else’s-context.
If the aggregator controls the audience and assembles the content graph, publishers become suppliers to a platform, which is a familiar position in this industry, and not a powerful one.
“It’s just content to them,” a medical publisher observed. “Everything’s flat. There’s no hierarchy.” The “premium” sources are really just defined as the sources that made a deal, not necessarily the highest quality content. The question for publishers isn’t just whether to make content available at inference time. It’s whether they’ll be the ones holding the context or whether they’ll have handed that position to a new flavor of intermediary.
The legal infrastructure for the subscribe-to-context model is catching up — query-based licensing, attribution-preserving APIs, and usage metering at the retrieval layer. The publishers building for that future are building something defensible, even if imperfect. But the window matters. The alternative is to keep arguing about who owes whom for what already happened, while the machines and the aggregators move on without you.
Authority as ProductYou can dissolve the content into math. You can’t dissolve the expertise.
As with most things in scholarly publishing, there is no one-size-fits-all with AI use or content demand. Whether there is money in licensing is largely dependent on the discipline and the adoption of AI by the community it serves.
Computer science content is valuable for training models because there is a strong use case for AI in the development of code. Content that can inform practice is at a premium: the American Society of Civil Engineers (ASCE) publishes the standards that inform civil infrastructure and building projects globally.
Dana Compton, ASCE managing director and publisher, explained where she sees potential for the use of AI. “We see interest from some corporate subscribers to add AI rights for their internal use of content. But mostly our opportunities lie in adding AI features to our existing platforms, particularly standards,” Compton said. Standards are similar to clinical practice guidelines in medicine in that they are evidence-based and expert-developed minimum recommendations for different kinds of civil infrastructure projects in varying conditions.
In the clinical medicine space, there is a high demand for the clinical guidelines published by societies, as these inform practice, and there is no shortage of commercial tools designed to provide clinical decision support that are now baking in AI features.
For publishers outside these corridors, the phone is quieter. One specialized scientific society we spoke with publishes nearly 2,000 rigorously peer-reviewed articles a year and hasn’t received a single AI licensing inquiry — not for lack of rigor or volume, but because the commercial use cases driving early deals skew heavily toward clinical decision support and consumer-facing tools. The models want scale, the domain players want a practitioner angle, and not every discipline has both to offer..
These are the opportunities publishers can see and size. We wonder if the demand that will reshape the landscape isn’t coming from specialized tools, but rather from the platforms that already own the audience.
Anthropic, OpenAI, and Perplexity are all building healthcare verticals off the back of their general-purpose large language models (LLMs). They state that they want users to be able to ask detailed medical questions and even upload their medical records in order to get personalized answers.
Before you ask yourself why anyone would want to do this, know that uploading doctor notes and lab results is already common on these sites. The United States is one of two countries that permits direct-to-consumer pharmaceutical advertising, and decades of it have trained a population to research conditions, ask about specific drugs, and seek medical information without a clinician in the room. The AI health platforms are where those consumers are going now, and the advertising dollars will follow.
In China, Baichuan didn’t bother with the physician intermediary at all. Its medical AI app went direct to patients from the start, positioning itself not as a clinical-decision support tool but as what the company calls a “health gatekeeper,” and its latest model now rivals GPT-5 on medical benchmarks.
If Open Evidence is “Big RAG” with the doctor still in the room, Baichuan is what happens when the aggregator decides the doctor isn’t necessary.
Either way, the large LLMs want medical journal content — but not, so far, on context terms. The deals on offer still tend toward broad perpetual licenses for pretraining, reinforcement learning, and general use.
Subscribe-to-context may be where this is headed. It is not where most negotiations start. They’re building domain-specific inference workflows where clinical literature is pulled into context, combined with first-party data they collect, to answer questions on the fly. The largest technology companies in the world are now building the same kind of intermediary platform as Open Evidence. They are aggregating both the content and the audience into workflows that publishers don’t control.
The difference is scale: when Anthropic or OpenAI builds a healthcare vertical, they’re not thinking about eating Up-to-Date’s lunch and getting all the same publishers officially onboarded. They’re a platform with hundreds of millions of users, and the question of whether your content ends up in their context layer may not be entirely up to you.
The demand landscape for AI rights has, in any case, split into two distinct worlds:
Pharma and corporate customers are showing up with checkbooks at the licensing door, eager to secure rights to feed content into their closed discovery systems.
Academic institutions, standing at the subscription door, are largely absent from the conversation, but not for a single reason.
Some simply haven’t noticed there’s a conversation to join. Researchers are uploading PDFs to ChatGPT without any awareness that their library subscription doesn’t cover that use. “It’s so easy to use the tools,” says one Chief Publishing Officer, “that nobody is bothering to ask for the rights. Libraries won’t drive this.” Or, libraries are asking for broad AI rights as part of their subscription spend, slipping new terms into renewal tenders that are easily deflected by publishing house lawyers.
But underneath the posturing is a genuine strategic collision. Should a library subscription cover AI use?
The question sounds administrative; the implications are structural. Publishers who say no are telling their longest-standing customers that the most transformative application of the content they’ve been paying for requires a separate check, which, to a librarian, feels like paying twice.
Publishers who have effectively bundled AI rights into the subscription price may end up undercutting their own licensing deals with corporate buyers paying premium rates for the same access. This isn’t a pricing problem. It’s a paradigm problem: the subscription model and the licensing model are converging, and in some cases cannibalizing each other, and most publishers haven’t reckoned with what that means for either revenue line.
And then there are those who have arrived at their position not through ignorance but through a kind of exhausted clarity, people who have watched enough cycles of technological promise to know that the demo is never the product, and that the product is never the transformation.
One society publishing executive told us her team evaluates every opportunity through a single lens: does it drive scientific excellence for the community we serve? AI licensing, so far, doesn’t pass that test.
“I don’t feel like we’re there,” she said — not defensively, but with the steadiness of someone who knows what her institution is for. At the further end of this spectrum, one consultant who advises learned societies across Europe encounters active resistance rooted in scholarly identity, finding editorial board members and librarians who view LLMs as fundamentally incompatible with the enterprise of scholarship, unreliable, environmentally costly, and a kind of epistemic contamination. “This is our discipline, this is our turf.”
And in the middle of all of this, everyone is improvising on price. One publishing leader told us she had changed her pricing model four times in three months. Each potential licensee arrives with a use case you hadn’t thought of, an audience you hadn’t considered, a technical architecture you hadn’t anticipated. “And now we’re back to the drawing board,” as one publishing house leader put it.
The grammar for these deals doesn’t exist yet: there is no standard for what a RAG license costs versus a training license, no benchmark for how to price API access versus full-text delivery, and no consensus on whether metadata and full text should be priced differently or whether commercial and non-commercial use should be distinguished. Nobody knows what anything costs, and no one wants to set the floor too low.
And yet, for all the chaos, a few publishers are discovering that their most defensible asset was never the content itself.
Jasper Simons at the American Psychological Association described a new venture called APA Labs that doesn’t license content to AI platforms; it evaluates them. Technology companies building mental health AI tools come to APA for an independent assessment of whether their products meet psychological science standards. “AI providers don’t want their platforms encouraging someone’s child to commit suicide, or the lawsuits that follow,” Simons told us.
Karla Soares-Weiser, the new CEO of Cochrane, described a similar reckoning: in an AI future, Cochrane’s product can’t simply be Cochrane Reviews. The organization needs to tap into what sits behind the reviews: the methodology, the expertise, the network, the brand. These aren’t content licensing plays. They’re authority plays, and they suggest that what publishers have to sell in an AI economy isn’t just text but judgment. The content can be dissolved into weights or assembled into someone else’s context. The expertise — the capacity to evaluate, certify, and set the standard — cannot.
What we’ve described so far is, in a sense, the good problem. There is demand for scholarly content in AI systems. There is a plausible model (subscribe-to-context) for how publishers can participate in that demand without giving away the store. There are real deals being done, real revenue flowing, real infrastructure being built. The business case, if you squint, is there.
But every publisher we talked to, without exception, said some version of the same thing: we don’t have the people for this. Not the technology, not the strategy–the people. The organizational capacity to evaluate these deals, build these systems, manage these relationships, and do it all while still getting the journal out on time.
In Part 2, we’ll turn to that problem; the organizational readiness gap, the peer review question, and the uncomfortable realization that the industry may need to transform faster than its institutions were designed to move.
Todd Toler
Todd Toler is Group VP of Product & Market Strategy at Wiley. All opinions here are his own.
Angela Cochran
Angela Cochran is Vice President of Publishing at the American Society of Clinical Oncology. She is past president of the Society for Scholarly Publishing and of the Council of Science Editors. Views on TSK are her own.
