La expansión de la inteligencia artificial generativa está provocando un fenómeno inesperado en el mercado editorial: los libros físicos, incluidos ejemplares usados y publicaciones anteriores al auge de herramientas como ChatGPT, se están convirtiendo en una fuente especialmente valiosa de datos para entrenar grandes modelos de lenguaje.
Uno de los casos mejor documentados es el de Anthropic, desarrolladora del asistente Claude. Documentos judiciales revelaron que la compañía puso en marcha un proyecto a gran escala para adquirir millones de libros impresos, digitalizarlos mediante escáneres industriales y utilizar el contenido obtenido en el desarrollo de sus modelos de inteligencia artificial.
El procedimiento era tan eficiente como destructivo. Los libros eran retirados de sus encuadernaciones, sus páginas eran cortadas para facilitar el escaneo y, una vez digitalizados, los ejemplares físicos eran descartados o enviados a reciclaje.
La operación pone sobre la mesa una cuestión que será cada vez más importante para la industria: ¿qué ocurre cuando los sistemas de IA necesitan más información humana de calidad de la que internet puede proporcionar fácilmente?
Anthropic y el escaneo destructivo de millones de libros
La historia adquirió una nueva dimensión cuando documentos judiciales revelaron detalles de una iniciativa interna de Anthropic conocida como Project Panama.
La compañía buscaba construir una enorme biblioteca digital para alimentar el entrenamiento de sus modelos de lenguaje.
Para hacerlo, Anthropic gastó millones de dólares comprando millones de libros impresos, muchos de ellos de segunda mano y adquiridos en grandes cantidades.
Posteriormente, proveedores especializados procesaban físicamente los ejemplares.
El procedimiento incluía varias etapas:
- Retirar o cortar la encuadernación.
- Separar las páginas.
- Ajustarlas para su procesamiento industrial.
- Escanearlas a gran velocidad.
- Convertir las imágenes en texto legible por máquinas.
- Descartar o reciclar posteriormente el material físico.
El objetivo era transformar una enorme colección de información originalmente almacenada en papel en datos digitales capaces de incorporarse a los procesos de desarrollo de modelos de IA.
¿Por qué destruir el libro para digitalizarlo?
Puede parecer contradictorio destruir un libro simplemente para escanearlo, especialmente cuando existen tecnologías capaces de digitalizar páginas sin dañar el ejemplar.
La explicación está principalmente relacionada con la escala.
Escanear millones de libros página por página sin desmontarlos sería un proceso considerablemente más lento y costoso.
Cuando se elimina el lomo, las páginas pueden introducirse directamente en escáneres industriales de alta velocidad.
De esta manera, un volumen completo puede transformarse rápidamente en un archivo digital con imágenes y texto reconocible por software.
Para una empresa que pretende procesar cientos de miles o millones de ejemplares, cada segundo ahorrado en la digitalización representa una diferencia significativa en costos y capacidad operativa.
El resultado, sin embargo, es irreversible: el libro deja de existir como ejemplar físico utilizable.
Los libros se están convirtiendo en datos premium para la IA
Durante años, internet ha sido una de las principales fuentes utilizadas para construir grandes conjuntos de entrenamiento.
Páginas web, foros, documentos, artículos, repositorios de código y otras fuentes digitales proporcionaron enormes cantidades de información.
Pero la situación está cambiando.
Una parte cada vez mayor del contenido publicado en internet puede haber sido generado o modificado mediante inteligencia artificial. Para los desarrolladores, esto introduce un problema conocido como contaminación de datos.
Si los futuros modelos se entrenan excesivamente con información producida por modelos anteriores, pueden terminar aprendiendo patrones artificiales, errores o características repetitivas presentes en esos contenidos.
Los libros publicados antes de la explosión de la IA generativa presentan una ventaja evidente: existe mucha mayor certeza de que fueron escritos y editados por seres humanos.
¿Por qué interesan especialmente los libros antiguos?
Las publicaciones anteriores a 2022 están adquiriendo un atractivo particular para determinadas estrategias de recopilación de datos.
Estos textos contienen lenguaje producido antes de que la inteligencia artificial generativa comenzara a inundar internet con millones de páginas, artículos, comentarios e imágenes.
Además, los libros cuentan generalmente con otra característica importante: han pasado por procesos editoriales.
Un libro profesional puede haber sido revisado por:
- Autores.
- Editores.
- Correctores.
- Especialistas.
- Editoriales.
Esto convierte a muchos libros en fuentes de lenguaje estructurado y conocimiento especializado considerablemente diferentes del contenido informal disponible en internet.
Un nuevo mercado alrededor de los libros físicos
La creciente demanda ha comenzado a generar servicios especializados destinados a facilitar la adquisición masiva de publicaciones.
Uno de los nombres que ha aparecido recientemente en este contexto es ISBNdb, una empresa que mantiene una extensa base de datos bibliográfica.
Reportes recientes indican que el servicio ha promocionado soluciones para ayudar a clientes vinculados con IA a localizar grandes cantidades de libros físicos, con volúmenes que pueden ir desde aproximadamente 1.000 hasta un millón de ejemplares.
El atractivo para los laboratorios de inteligencia artificial es evidente: en lugar de negociar individualmente la adquisición de miles de títulos, pueden recurrir a intermediarios capaces de localizar inventarios dentro del enorme mercado internacional de libros usados.
Sin embargo, existe un matiz importante: ISBNdb ha negado participar directamente en operaciones de escaneo de libros, y no existe evidencia pública que permita atribuir todas las recientes compras masivas de ejemplares usados a compañías de inteligencia artificial.
El anonimato se convierte en otro elemento del negocio
La destrucción masiva de libros es un tema especialmente sensible desde el punto de vista cultural y reputacional.
Aunque una empresa haya comprado legalmente los ejemplares, titulares sobre millones de libros destruidos para alimentar modelos de inteligencia artificial pueden generar una reacción pública considerable.
Esto ayuda a explicar por qué determinadas operaciones de adquisición pueden realizarse mediante intermediarios y bajo acuerdos de confidencialidad.
Para las compañías involucradas, el problema no es solamente tecnológico o jurídico. También existe un importante componente de reputación corporativa.
¿Es legal entrenar una IA con libros comprados?
Aquí aparece una de las partes más complejas de la discusión.
En 2025, un juez federal estadounidense determinó en el caso contra Anthropic que utilizar libros para entrenar sus modelos podía constituir un uso transformativo protegido por la doctrina estadounidense del fair use.
El tribunal también consideró separadamente el proceso mediante el cual Anthropic compró libros físicos, los digitalizó y eliminó posteriormente los originales.
Sin embargo, esto no significa que cualquier forma de obtener libros para entrenamiento sea automáticamente legal.
La misma disputa judicial involucró otro asunto muy diferente: Anthropic había obtenido millones de archivos digitales procedentes de bibliotecas piratas.
La compañía terminó alcanzando un acuerdo de 1.500 millones de dólares con autores por las reclamaciones relacionadas con esas copias pirateadas.
Por tanto, es necesario separar dos cuestiones: qué uso se hace del contenido y cómo fue obtenido originalmente.
¿Se están quedando las empresas de IA sin datos?
Decir que internet se ha agotado completamente sería exagerado.
La red continúa generando enormes cantidades de información cada día.
El verdadero desafío es encontrar datos humanos, fiables, diversos, legalmente utilizables y suficientemente valiosos para mejorar modelos que ya han sido entrenados con cantidades gigantescas de información.
A medida que los modelos avanzan, simplemente aumentar el volumen de datos deja de ser suficiente.
La calidad comienza a importar tanto como la cantidad.
Por esta razón, las empresas investigan alternativas como datos sintéticos cuidadosamente seleccionados, contenido especializado, información científica, código, bases de datos estructuradas y, nuevamente, libros.
Una consecuencia inesperada para el mercado de segunda mano
Esta nueva demanda podría generar efectos secundarios en librerías, distribuidores y mercados especializados.
Reportes recientes describen vendedores que han recibido pedidos inusualmente grandes de títulos antiguos, académicos o poco conocidos.
El temor entre algunos libreros y conservacionistas es que determinados ejemplares difíciles de encontrar puedan terminar dentro de operaciones de digitalización destructiva.
Sin embargo, hasta ahora no existe evidencia suficiente para afirmar que las empresas de IA estén destruyendo sistemáticamente libros raros o ejemplares únicos.
En el caso documentado de Anthropic, las adquisiciones se realizaron principalmente mediante grandes distribuidores de libros usados.
Del conocimiento físico al entrenamiento algorítmico
La controversia plantea una cuestión que va más allá del copyright.
Un libro físico puede permanecer durante décadas en bibliotecas particulares, universidades, librerías o archivos.
Puede venderse, prestarse, heredarse y volver a circular.
Cuando se destruye para convertirlo en datos de entrenamiento, esa copia física desaparece.
El conocimiento puede sobrevivir digitalmente, pero cambia completamente la forma en que se conserva y se utiliza.
Ya no estamos hablando únicamente de digitalizar una biblioteca para permitir que las personas consulten los libros. En este caso, los textos pueden terminar formando parte de enormes conjuntos de información utilizados para modificar los parámetros internos de modelos comerciales.
El gran desafío de la próxima generación de IA
La historia de los libros destruidos revela uno de los problemas fundamentales que enfrentará la inteligencia artificial durante los próximos años: conseguir datos de calidad.
Construir modelos más grandes requiere hardware, energía y chips avanzados, pero también necesita información.
Y mientras el contenido generado por IA aumenta rápidamente en internet, el material humano anterior a esta revolución tecnológica adquiere un valor inesperado.
Los libros que durante décadas permanecieron olvidados en almacenes y estanterías pueden haberse convertido en uno de los recursos más codiciados de la nueva economía de la inteligencia artificial.
Conclusión
El caso de Anthropic demuestra hasta dónde están dispuestas a llegar algunas empresas para conseguir grandes cantidades de información de alta calidad. Millones de libros físicos fueron comprados, desmontados, escaneados y posteriormente descartados como parte de una operación destinada a construir mejores modelos de inteligencia artificial.
La práctica puede resultar sorprendente, pero refleja una realidad fundamental: los datos son una de las materias primas más importantes de la era de la IA.
A medida que internet contiene una proporción creciente de material generado artificialmente, los textos escritos y editados por seres humanos adquieren todavía más valor.
El debate que comienza ahora no gira únicamente alrededor de si una empresa puede comprar y destruir un libro. También plantea preguntas más profundas sobre derechos de autor, preservación cultural, acceso al conocimiento y sobre quién controlará los datos humanos que alimentarán a las próximas generaciones de inteligencia artificial.
