Empresas de inteligencia artificial estarían comprando millones de libros usados mediante intermediarios para extraer datos de alta calidad y, en algunos casos, destruir los ejemplares tras escanearlos.
***

• Las compras masivas incluyen entre 1.000 y 1 millón de libros identificados con ISBN, sin importar tema, autor o precio.
• Anthropic habría utilizado libros impresos y repositorios digitales para entrenar Claude, mientras enfrenta una multa de USD $1.500 millones.
• La digitalización privada genera preocupación por la desaparición de libros raros o agotados del acceso público.

Empresas de IA compran millones de libros y podrían destruirlos para entrenar sus modelos

La nueva carrera por datos escritos por humanos

Las empresas de inteligencia artificial estarían comprando millones de libros de segunda mano mediante intermediarios. El objetivo sería obtener material escrito por humanos para entrenar modelos con información de mayor calidad.

La operación surge en medio de una creciente escasez de memoria y almacenamiento asociada con la expansión de los centros de datos de IA. Ahora, la presión de esta industria parece extenderse también hacia el patrimonio literario.

Los modelos necesitan grandes volúmenes de información para mejorar sus respuestas y capacidades. Sin embargo, la cantidad no basta: también requieren datos originales, consistentes y libres de contenido generado automáticamente.

El contenido producido por sistemas de IA, conocido de forma común como “desperdicio de IA”, se ha multiplicado en Internet. Su presencia puede contaminar las fuentes utilizadas para entrenar nuevos modelos y reducir su calidad.

Por esa razón, las principales compañías del sector estarían recurriendo a obras impresas anteriores a 2022. Esos libros ofrecen conocimiento humano que, en principio, tiene menos posibilidades de haber sido generado o alterado por otra IA.

Compras masivas y el papel de los intermediarios

Según un informe de investigación de 404 Media, las compañías tecnológicas estarían evitando la exposición pública al canalizar sus adquisiciones mediante intermediarios. Los pedidos pueden incluir desde 1.000 ejemplares hasta 1 millón de libros en una sola transacción.

ISBNdb, una base de datos en línea con más de 111 millones de libros catalogados, habría adaptado parte de su actividad para ofrecer servicios de compra masiva. Durante años, la plataforma fue utilizada por libreros, bibliotecas y distribuidores.

No existe evidencia concreta que confirme que ISBNdb o una empresa específica de IA ejecuta directamente estas compras. Aun así, ciertos patrones han despertado sospechas entre vendedores de libros usados.

Las adquisiciones a gran escala se concentran en obras con ISBN, el código internacional de 13 dígitos utilizado para identificar títulos. Los compradores no parecen seguir un patrón visible de género, tema o autor.

Además, algunos compradores estarían adquiriendo títulos a cualquier precio. Incluso los ejemplares sobrevalorados entrarían en las operaciones, una conducta poco habitual para quienes buscan maximizar el margen de reventa.

Un librero profesional que mantuvo su identidad en reserva describió un cambio abrupto en sus ventas. Antes movía unos 20 libros durante una buena semana, pero recientemente comenzó a vender varios cientos en el mismo periodo.

El vendedor señaló que el volumen semanal llegó a multiplicar por cinco su nivel habitual. Otros libreros que operan en Alibris y Biblio también habrían informado picos similares en las compras al por mayor.

Escanear, entrenar y destruir

Las empresas de IA ya tienen antecedentes en la adquisición de libros físicos para construir sus sistemas. Anthropic, fabricante de Claude, habría invertido millones de dólares en extraer información de incontables ejemplares impresos.

La compañía compró libros a Better World Books y posteriormente habría destruido parte de ese material. La práctica permitió convertir obras físicas en datos digitales para el entrenamiento de sus modelos.

Durante la demanda contra Anthropic, Tom Harvey confirmó que la compañía contrató a varias empresas especializadas en escaneo de documentos. Harvey había participado antes en la creación de Google Books y luego dirigió el proyecto de digitalización Project Panama de Anthropic.

Entre los proveedores mencionados figura Datamation Information Services. La empresa ofrece servicios de escaneo de libros de alto volumen mediante métodos no destructivos y destructivos.

El proceso no destructivo puede utilizar escáneres de sobremesa, equipos de cama plana o sistemas de imagen en forma de V. Estas herramientas buscan preservar el ejemplar mientras capturan sus páginas.

El método destructivo separa las páginas y las introduce en un escáner industrial de alta velocidad. Para una compañía que necesita procesar grandes cantidades de información, esta alternativa resulta más rápida y menos costosa.

El resultado potencial es la destrucción de millones de libros después de convertirlos en archivos digitales. Las empresas obtienen así una base de datos útil para entrenar IA, pero eliminan los objetos físicos que contenían ese conocimiento.

Demandas, derechos de autor y acceso público

Un tribunal determinó que utilizar libros para entrenar inteligencia artificial puede quedar dentro del uso justo previsto por la legislación de derechos de autor. Esa conclusión no resolvió todas las disputas relacionadas con la forma en que Anthropic obtuvo sus copias.

La empresa recibió una multa de USD $1.500 millones por conservar un repositorio de siete millones de libros pirateados. El caso sostuvo que ese repositorio infringió los derechos de autores y editores.

La controversia también alcanzó a Google. Una coalición de editores presentó una demanda contra la compañía, a la que acusa de utilizar ilegalmente millones de libros protegidos para desarrollar sus modelos Gemini.

Estas disputas muestran que el debate no se limita a si una IA puede aprender de un libro. También incluye la procedencia de las copias, el consentimiento de los titulares y la posibilidad de que una obra desaparezca del mercado.

El problema resulta especialmente sensible cuando las compras incluyen títulos raros o agotados. Todavía no está claro si las empresas separan esas obras de los libros comunes antes de digitalizarlas.

Una vez escaneado, el contenido puede pasar a una base de datos privada destinada al entrenamiento de modelos. El público general no tendría acceso a ese repositorio ni a una copia abierta del material digitalizado.

La situación plantea una contradicción: la sociedad podría obtener sistemas de IA más capaces mientras pierde acceso a fuentes literarias que antes circulaban en bibliotecas, librerías o colecciones personales.

Un dilema para la industria tecnológica

Los datos escritos por humanos se han convertido en un recurso estratégico para el desarrollo de modelos avanzados. La demanda puede beneficiar temporalmente a libreros que encuentran compradores para inventarios difíciles de vender.

Sin embargo, las adquisiciones indiscriminadas también pueden alterar el mercado de libros usados. Si los compradores priorizan la velocidad y el volumen, los precios y la disponibilidad podrían dejar de responder a las necesidades de lectores y coleccionistas.

La destrucción física agrega otra dimensión al debate. Digitalizar un libro puede ampliar su utilidad para una empresa, pero triturar el ejemplar limita las posibilidades de conservación, préstamo, consulta y recuperación futura.

La preocupación crece cuando el material termina en sistemas privados. A diferencia de una biblioteca digital abierta, una base de datos corporativa puede restringir el acceso según decisiones comerciales, contratos o políticas internas.

El caso también evidencia el valor de los intermediarios dentro de la economía de la IA. Estas empresas permiten adquirir grandes volúmenes sin que el comprador final aparezca de forma directa ante vendedores, autores o lectores.

Por ahora, los reportes describen patrones de compra y antecedentes documentados, pero no prueban que cada operación esté vinculada con una compañía de inteligencia artificial. Esa distinción resulta importante para evaluar responsabilidades sin convertir las sospechas en hechos confirmados.

La discusión continuará mientras las empresas busquen nuevas fuentes para evitar el contenido sintético de baja calidad. El desafío será equilibrar la innovación tecnológica con la protección de los derechos de autor y la preservación del conocimiento.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín