Por qué las empresas de IA están triturando millones de libros para alimentar sus modelos
Anthropic y otras compañías de IA están comprando libros antiguos y raros en cantidades industriales, escaneándolos y destruyendo los ejemplares originales: convirtiendo archivos físicos en datos de entrenamiento y quemando las pruebas.
El papel que desapareció
Una coalición de autores, archivistas, bibliotecarios y libreros independientes ha presentado lo que podría ser la queja más concreta formulada hasta ahora contra la industria de la inteligencia artificial. Su denuncia no se plantea en términos abstractos sobre alineación o voces sintéticas: está documentada en papel, adhesivo e tinta que alguna vez existió y ya no existe.
Los documentos judiciales desclasificados este año revelaron detalles sobre un programa que Anthropic denominaba internamente Proyecto Panamá. La operación consistía en comprar millones de libros físicos a través de canales del mercado secundario, contratar empresas especializadas para desarmar sus encuadernaciones, escanear cada página a velocidad de máquina y luego desechar los originales. El mismo patrón operativo ha sido corroborado desde entonces en múltiples laboratorios de inteligencia artificial. Los libros nunca se digitalizaron ni preservaron para la posteridad. Fueron consumidos como materia prima.
El rastro de un solo libro
La magnitud completa de la operación cobró mayor claridad gracias al periodismo de investigación de 404 Media, un medio de periodismo tecnológico que ha cubierto extensamente la infraestructura detrás del desarrollo de la inteligencia artificial. Los reporteros le pidieron a un librero de California que suministrara casi mil volúmenes bajo condiciones de anonimato. Dentro de un ejemplar, ocultaron un Apple AirTag.
El dispositivo rastreó el paquete desde California hasta una planta de clasificación en Milwaukee, luego hacia Colorado Springs y, finalmente, hasta un almacén de Amazon que opera bajo la designación interna VGT3. La fachada del edificio ostenta un logotipo que representa un T. rex abalanzándose sobre un libro abierto —una imagen que, quizás sin intención, capta la dinámica en el centro de esta controversia. Los trabajadores entrevistados por los reporteros describieron el trabajo en términos contundentes: escanear libros todo el día, nada más. No hay catalogación, ni informes de estado, ni protocolos de preservación, ni intención archivística. El flujo de trabajo es solo ingestión.
Siempre fueron más que bestsellers
Los informes iniciales sobre el aumento en las compras físicas de libros documentadas antes de 2022 se centraron en títulos comerciales: ficción popular, no ficción de gran venta y ediciones en reimpresión ampliamente disponibles. Esa tendencia por sí sola ya bastaba para alarmar al gremio del libro. Los libreros notaron patrones de compra anómalos que no correspondían a ningún ciclo estacional o cultural.
Pero la investigación de 404 Media, que incorporó los datos físicos de rastreo del AirTag de muestra, demostró que la adquisición se extendía mucho más allá del inventario mainstream. Los libros comprados incluían ediciones raras, obras académicas fuera de imprenta, historias locales con tirajes mínimos y volúmenes para los cuales no existe ningún ejemplar superviviente fuera del original físico. Cuando tales libros son encuadernados, decapados, escaneados y triturados, la pérdida es permanente e irrecuperable. Una planta de escaneo no es un repositorio. No existe ninguna copia espejo del mundo físico esperando si el papel se destruye.
Por qué escanear destruye en lugar de preservar
La distinción entre digitalización y destrucción importa porque la defensa estándar del escaneo a gran escala se sostiene sobre un supuesto de que el artefacto físico queda así salvado, simplemente trasladado a un medio diferente. Ese supuesto fracasa cuando el flujo de trabajo está diseñado para el rendimiento y no para la custodia.
Cortar la lomo de un libro permite que las páginas se alimenten a través de escáneres planetarios de alta velocidad mucho más rápido que la alimentación uno por uno. Para una organización que procesa millones de volúmenes, esa diferencia de velocidad no es marginal: es la diferencia entre el costo operativo y el colapso financiero. La lógica económica es transparente. La contrapartida es que el objeto deja de funcionar como un libro. Se convierte en basura.
La ironía cala hondo: las mismas compañías y tecnologías que ahora entrenan modelos con siglos de producción cultural están desmantelando activamente las fuentes primarias de las que esos modelos dependen. El hambre por datos de entrenamiento es tan absoluta que preservar el material fuente se trata como un gasto innecesario: una partida que puede eliminarse sin consecuencias.
Quién posee lo que se escanea
El panorama legal sigue sin resolverse. La ley de derechos de autor en Estados Unidos y en muchas otras jurisdicciones aún no ha resuelto definitivamente si el escaneo a gran escala de libros adquiridos legalmente con el propósito de entrenar modelos de lenguaje califica como uso justo. Anthropic y varias otras empresas se defienden actualmente de demandas presentadas por autores que sostienen que esta práctica constituye una violación sistémica de sus derechos exclusivos. Esos casos aún se tramitan en los tribunales.
Lo que ya es claro, independientemente del resultado legal, es la consecuencia material. Incluso si un tribunal finalmente decide que la actividad de escaneo es lícita, la destrucción de los originales significa que no hay camino de regreso a la fuente. Una página digitalizada no es equivalente a un libro físico que posea procedencia, anotaciones marginales, detalles históricos de encuadernación, marcas de agua o datos de composición del papel. Cada una de esas capas contextuales se obliterate en el corte.
Efectos de segunda orden en el comercio del libro
Las repercusiones de esta demanda ya están distorsionando los mercados secundarios. Los precios de tirajes antiguos, inventarios fuera de catálogo y volúmenes modestamente escasos han subido con fuerza en regiones donde los libreros reportan actividad de compra afín a la inteligencia artificial. Bibliotecas, pequeñas instituciones académicas y coleccionistas individuales con presupuestos limitados están siendo desplazados de colecciones que alguna vez fueron accesibles.
Los libreros enfrentan una nueva incertidumbre ética: ya no pueden garantizarle a un comprador que un volumen volverá a circular. Una compra puede desaparecer en una tubería de escaneo. Esta opacidad por sí misma inflige daño a una industria que siempre ha dependido de la integridad de la procedencia y de la confianza entre vendedor y comprador.
Algunos libreros han comenzado a rechazar ventas a ciertos intermediarios o comisionistas sin hacer preguntas —una práctica que habría sido inusual y potencialmente descortés hace unos años. Otros han comenzado a preguntar a los compradores directamente sobre su uso pretendido, una conversación que no existía en esta forma antes de 2022.
Qué sigue
El resultado inmediato de las investigaciones realizadas hasta ahora ha sido ira pública y exposición periodística, no reforma política. No existe ningún requisito federal que obligue a las empresas de inteligencia artificial a preservar las copias físicas que adquieren para el entrenamiento de modelos. No hay ningún registro público que documente qué volúmenes entran en la tubería y cuáles se destruyen. No existe ninguna obligación de transparencia.
Para archivistas y bibliotecarios, el tema se enmarca cada vez más como una crisis de cadena de suministro. Los modelos que se construyen hoy dependen de un flujo de entrada físico que se consume sin reposición. Si las tasas actuales de adquisición se mantienen, el corpus disponible de publicaciones impresas previas a 2022 disminuirá gradualmente incluso mientras la dependencia institucional de esos textos se intensifica.
Los autores y defensores que organizan la crítica no piden que se detenga el desarrollo tecnológico. Piden que el costo sea visible —que la cadena desde la compra hasta la destrucción sea trazable, que los artefactos físicos que se consumen estén sujetos a las mismas normas de preservación aplicadas a cualquier material cultural que ingrese a una base de datos digital, y que el público y la comunidad académica conserven el acceso a lo que se llevó.
Ahora mismo, ninguna de esas salvaguardias existe. Los libros siguen desapareciendo. Y a nadie se le exige rendir cuentas por ellos.