La inteligencia artificial devoró millones de libros en papel

Existe una narrativa cómoda que nos presenta a la inteligencia artificial como una entidad etérea, una mente flotante hecha de pura matemática y bytes en la nube. Pero, cuidado, porque detrás de la fluidez con la que un modelo de lenguaje responde nuestras preguntas hay una infraestructura material gigantesca. Existen enormes centros de datos que consumen ríos de agua para enfriarse, toneladas de chips de silicio y, aunque suene un poco dramático, millones de libros físicos “destripados” por guillotinas industriales.

Para que los grandes modelos de lenguaje se entrenen en redactar un ensayo, un poema o un informe médico, necesitan leer. Pero no leen como lo hace un ser humano, buscando significado o placer. Leen procesando billones de palabras para predecir cuál es la siguiente palabra más probable. Lo hacen mediante cálculos estadísticos. Cuantas más palabras procesan, mejores son los resultados. Pero llegamos a un momento en que los modelos de IA “aspiraron” todos los contenidos existentes en internet y necesitan más.

En esta carrera ambiciosa por construir algoritmos cada vez más precisos, las grandes empresas tecnológicas pretenden “alimentar” a los modelos de todas las formas posibles. Porque además de lo que hay en internet también quieren todo lo que los seres humanos escribimos en papel a lo largo de la historia. 

Imagen de Gerd Altmann en Pixabay 

De la gran aspiradora en la web al muro de datos

En los inicios del desarrollo de los modelos de IA generativa, la estrategia de recolección era sencilla porque consistía en "barrer" internet y "succionar" todo tipo de datos. Mediante herramientas de rastreo automático como el web scraping, las compañías absorbieron todo lo que estaba a su alcance. Se tragaron la totalidad de Wikipedia, todos los hilos de Reddit, artículos periodísticos, blogs personales, publicaciones en infinidad de espacios digitales y repositorios, redes sociales y foros de discusión. ¡Todo! Textos, imágenes, audios, videos, etc. ¡Absolutamente todo! 

Pero esta estrategia de aspiradora loca pronto encontró dos límites:

1. La calidad del texto. La escritura en internet suele ser fragmentaria, repetitiva y plagada de jerga. Está llena de malos usos y lenguaje sucio. Un modelo de IA entrenado solo con textos de redes sociales tiende a expresarse como un tuitero impulsivo. Para desarrollar capacidades de razonamiento profundo y sintaxis compleja, los algoritmos necesitan textos estructurados, editados, con ese “no sé qué” que solo los humanos podemos lograr. ¡Necesitan libros escritos por personas!
2. La contaminación sintética o contenido basura generado por IA (AI Slop). Desde 2022, la web comenzó a inundarse de contenidos redactados por las propias inteligencias artificiales. Entrenar a una nueva generación de modelos con textos producidos por modelos de IA anteriores provoca una degradación progresiva, una especie de "endogamia algorítmica". Los textos son cada vez de peor calidad, se amplifican los sesgos y las alucinaciones.

Al llegar a lo que los investigadores llaman el muro de datos (data wall ), las grandes empresas tecnológicas se dieron cuenta de que la internet accesible ya no alcanzaba y además se estaba llenando de contenido basura. La solución para encontrar “texto humano puro” no se encontraba en el futuro, sino en el pasado.

Fuente de la imagen María Cristina Escobar en Linkedin

La guillotina de los libros

Los libros impresos antes del auge masivo de la IA se convirtieron, casi de repente, en uno de los recursos más valiosos del ecosistema tecnológico. Estos textos tienen una garantía estructural, sintáctica y creativa única: ¡fueron escritos, corregidos y editados exclusivamente por seres humanos!

Compañías como Anthropic, entre otras, se preguntaron cómo convertir millones de tomos físicos de papel y tinta en vectores matemáticos aprovechables por los algoritmos. Y la respuesta reveló una de las caras más crudas de estas industrias tecnológicas. Aunque durante años las empresas recurrieron a bibliotecas piratas en internet, como Library Genesis o Books3, los problemas legales por violar los derechos de autor las obligaron a buscar otras estrategias. Fue así como nació el escaneado masivo de libros físicos. A través de iniciativas privadas y redes de intermediarios, algunas corporaciones de IA comenzaron a comprar millones de libros usados y descatalogados en todo el mundo para alimentar a sus modelos. 

El procedimiento es devastador:

• Un operario coloca el libro en una cortadora hidráulica industrial que corta y separa el lomo de un solo golpe. 
• Las páginas, ya sueltas, son leídas por escáneres de alta velocidad capaces de procesar miles y miles de hojas por hora. 
• Una vez digitalizadas todas las hojas de cada texto mediante programas de reconocimiento óptico de caracteres (OCR), los restos de papel prensado y triturado se despachan a empresas de reciclaje o se tiran.

El libro físico deja de ser un objeto de conocimiento y memoria para convertirse en un insumo desechable, apenas una cáscara que se descarta. 

El Proyecto Panamá y el vacío legal

Un caso que puso esta práctica en el ojo público es el denominado Proyecto Panamá. Documentos judiciales de 2026 vinculan a la empresa Anthropic —creadora del modelo de IA Claude— con una operación masiva de compra y destrucción de millones y millones de libros para alimentar a sus grandes modelos de lenguaje.

El Proyecto Panamá tuvo un fuerte impacto simbólico porque tocó una fibra sensible que es la relación entre la cultura escrita y la tecnología digital. No se trató solo de un debate técnico sobre entrenamiento de modelos, sino de una discusión más amplia sobre el valor de los libros, los derechos de autor y el límite entre innovación y apropiación. Por eso, el caso se convirtió en un emblema de las tensiones que hoy rodean a la inteligencia artificial. ¿Cuánto se puede tomar de la producción humana, bajo qué reglas y con qué compensación para quienes crearon ese contenido? ¿Cómo es posible que la práctica de escaneado masivo sea legal mientras el uso de copias digitales piratas desata demandas multimillonarias? La paradoja reside en las fisuras del derecho anglosajón y las leyes de propiedad intelectual.

Imagen de Pexels en Pixabay

Bajo la denominada doctrina de la primera venta (first-sale doctrine), cuando alguien compra un ejemplar físico de un libro de manera legítima, el comprador tiene el derecho legal de prestarlo, venderlo, regalarlo o destruirlo sin necesitar la autorización del autor o la editorial. Las empresas de IA argumentaron que al comprar el libro impreso y escanearlo para su propio análisis interno —sin redistribuir el libro digitalizado a terceros— el proceso constituye un "uso transformativo" amparado por el uso legítimo o fair use. En otras palabras, hecha la ley, hecha la trampa.

Mientras el derecho mercantil protege la compraventa del objeto en papel, el trabajo intelectual contenido en él es absorbido y reconfigurado por los modelos de IA. El problema es que los modelos "vampirizan" contenidos, generan ganancias millonarias para las empresas y no pagan un peso por derechos. 

Librerías de libros usados en Europa y América que antes tardaban varias décadas en vender sus inventarios de ensayos académicos, libros de historia o manuales técnicos de 1970 y 1980, pasaron a vender de a miles de ejemplares a pedidos anónimos. Para los libreros fue una inyección económica insospechada pero para el patrimonio de ediciones raras o agotadas se convirtió en una sentencia de muerte.

El entrenamiento de modelos de inteligencia artificial con libros protegidos por derechos de autor afecta profundamente a los creadores en los aspectos económico, legal y profesional.

Pérdida de ingresos directos

• Sin regalías para los autores. Las empresas de IA consumen las obras sin pagar licencias ni derechos de explotación a los escritores.
•  Competencia desleal. Los modelos generan textos que imitan el estilo de autores específicos, compitiendo directamente con sus propias obras en el mercado. 
•  Saturación del mercado. Se facilita la creación masiva de libros electrónicos de baja calidad que diluyen la visibilidad de los autores humanos.

Vulneración de derechos morales

• Falta de consentimiento. Los libros se utilizan para entrenar herramientas comerciales sin el permiso explícito de quienes los escribieron.
• Ausencia de crédito. Los sistemas de IA raramente citan o dan atribución a las fuentes originales de las que extrajeron su conocimiento.
• Imposibilidad de exclusión. Dado que  estos procedimientos se realizan mediante proyectos secretos o bases de datos masivas (como el Proyecto Panamá) entonces los autores no pueden solicitar que se retiren sus obras.

El debate legal de fondo gira en torno al concepto de uso legítimo (fair use). Las empresas tecnológicas defienden que el entrenamiento de modelos de IA es un uso “transformador” amparado por la ley, mientras que los gremios de escritores y autores lo califican como un plagio a escala industrial y una infracción directa del derecho de autor. 

Los detalles del Proyecto Panamá salieron a la luz en más de 4000 páginas de documentos de una demanda por derechos de autor realizada por autores de libros contra Anthropic. La compañía acordó pagar 1.500 millones de dólares para resolver el caso pero, aun, se encuentra en negociaciones.

En este contexto, las demandas judiciales en curso buscan establecer si las compañías de inteligencia artificial deben pagar licencias, tanto retroactivas como futuras, por el uso de obras protegidas por propiedad intelectual. 

El periodista especializado en tecnología Will Oremus explica hasta qué punto las empresas de IA como Anthropic, Meta, Google, Microsoft y OpenAI compiten para obtener enormes cantidades de datos con los que entrenar a sus programas. Estos gigantes tecnológicos están en una carrera frenética y, muchas veces, clandestina por adquirir la obra colectiva de la humanidad.

Imagen de Gerd Altmann en Pixabay

De la preservación al consumo

El historiador Robert Darnton concibe la historia del libro como una cadena continua de preservación, donde cada tecnología —del papiro al códice, del códice a la imprenta— busca prolongar la vida material de la palabra humana. El escaneado destructivo invierte esa lógica. 

Por primera vez, se destruye el soporte físico original para convertirlo en el insumo de un sistema automatizado. Los modelos de inteligencia artificial no generan conocimiento de la nada, sino que dependen de la “digestión masiva” del trabajo, la imaginación y la disciplina de generaciones pasadas de escritores, editores e investigadores. 

La voracidad de los modelos de IA está transformando el mercado del libro usado y la propia noción de patrimonio escrito.

Comprender que cada respuesta emitida por un modelo de lenguaje lleva implícito el rastro de la tinta, del papel y de la guillotina no es un ejercicio de nostalgia, sino una necesidad crítica. Nos compromete a ver que esta tecnología, por más moderna e intangible que parezca, depende directamente de la cultura escrita que la precedió y que hoy, literalmente, devora para existir.

Recomendados

La materialidad de la inteligencia artificial y su costo ambiental

Texto

Detrás de las producciones de los grandes modelos de lenguaje de inteligencia artificial generativa como ChatGPT, Gemini, Copilot, Perplexity y Claude, entre otros, existen enormes infraestructuras materiales que sustentan su funcionamiento y tienen un fuerte impacto en el ambiente.

Pódcast «Abanico de inteligencias»

Audio

Este pódcast no es sobre máquinas, sino sobre la diversidad de inteligencias. ¿Por qué insistimos en humanizar la inteligencia artificial? ¿En qué momento olvidamos que la IA es nuestro invento y no una mente independiente? ¿Por qué las inteligencias animales y vegetales no nos asombran tanto como la inteligencia artificial? Son 4 episodios breves.