Un equipo del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) describió en un informe del 18 de agosto de 2026 un fenómeno llamado «decadencia de atribución»: cuanto más datos recibe un modelo generativo, menos importa cada ejemplo de entrenamiento para una salida concreta. Según el texto, en escalas suficientemente grandes eliminar una sola imagen, todas las de un artista o todas las fotografías de una persona puede no alterar la muestra generada.

Para comprobarlo, los investigadores crearon una arquitectura de «ensamble de difusión» formada por componentes entrenados con porciones distintas de datos; desactivar los que vieron una imagen equivale a un contrafactual sin reentrenar. Compararon estos ensambles con 24 modelos de difusión convencionales entrenados con los mismos datos y los resultados visuales fueron similares según medidas estándar. Entrenaron 24 ensambles con conjuntos de entre 256 y más de 160.000 imágenes de siete colecciones públicas, y observaron que el radio contrafactual disminuía con el tamaño del conjunto conforme a una ley de potencia inversa.

El profesor David Gifford vinculó el hallazgo con debates legales sobre obras derivadas y uso justo, y sostuvo que la industria debería revisar sus modelos para mostrar que no crean derivados de personas u objetos individuales. El trabajo se centra en modelos de difusión; los autores indican que no está resuelto si ocurre lo mismo con los grandes modelos de lenguaje. La obra fue apoyada por Schmidt Futures.