Las empresas de IA están escaneando camionadas de libros—a veces, raros—y a menudo destruyéndolos en el proceso para entrenar sus modelos. Una nueva investigación ofrece la primera imagen pública de qué empresas están involucradas y cómo funciona la operación.

El medio independiente de tecnología 404 Media colocó un dispositivo de rastreo dentro de un envío de libros raros y observó cómo viajaba hasta una instalación de Amazon en Las Vegas, donde la empresa escanea y destruye libros impresos para entrenar IA. La investigación, publicada el lunes, es la primera en señalar públicamente dónde terminan las compras masivas de libros vinculadas al entrenamiento de IA.

El destino final del envío fue el equipo VGT3 de Amazon. Los empleados dijeron al medio que su trabajo consiste en recibir envíos masivos de libros impresos y luego cortar las encuadernaciones para que las páginas se alimenten al escáner más rápidamente. El libro en sí queda destruido en el proceso. El logotipo del equipo—un dinosaurio que aferra un libro con sus garras—resulta inusualmente apropiado.

Por qué los libros impresos están de repente tan solicitados

Los libros impresos antes de 2022 contienen texto que en su mayoría no está fácilmente disponible en línea y, lo que es crucial, no fue escrito por máquinas. Entrenar un modelo con su propio tipo de salida conlleva el riesgo de un "colapso del modelo", una espiral de degradación de la calidad que los investigadores demostraron en un artículo de 2024 publicado en Nature. El papel anterior a 2022 se ha convertido así en combustible limpio para el entrenamiento de IA.

Amazon no es la única. Se ha formado una industria casera para suministrar a los laboratorios de IA libros físicos que son desencuadernados, escaneados y desechados—una escena real de "Fahrenheit 451" de textos destruidos para alimentar máquinas. El "Project Panama" interno de Anthropic ya operó este tipo de proceso a gran escala, digitalizando millones de libros mediante escaneo destructivo. El método marca una ruptura con la era anterior de digitalización masiva: Google Books escaneó millones de volúmenes de bibliotecas en los años 2000 y 2010 sin consumirlos—los ejemplares prestados regresaban a los estantes—y un tribunal de apelaciones de EE. UU. dictaminó en 2015 que los escaneos del proyecto constituían un uso justo.

La carrera por obtener texto limpio ya llegó a los tribunales. El juez federal de EE. UU. William Alsup dictaminó que entrenar IA con libros comprados legalmente puede calificar como uso justo, una victoria parcial para Anthropic que Meta y OpenAI también reclamaron. Las copias piratas son otro asunto: Anthropic acordó un acuerdo de 1,500 millones de dólares por títulos piratas escaneados, y Salesforce ahora enfrenta una demanda colectiva por presunta piratería de libros. Los titulares de derechos también se están defendiendo por otros medios: Penguin Random House, la mayor editorial comercial del mundo, añadió a finales de 2024 un texto en las páginas de derechos de autor de sus libros que prohíbe su uso para entrenar sistemas de IA.

La operación de Amazon se mantuvo en silencio por una razón estructural. Los libreros notaron un aumento en los pedidos al por mayor durante el último año y sospecharon que había empresas de IA detrás—los compradores no eran sensibles al precio y elegían títulos aparentemente al azar. Sus preocupaciones fueron confirmadas finalmente por un Apple AirTag oculto en un gran pedido de libros, que reveló el destino: el almacén VGT3 de Amazon en Las Vegas.

Amazon confirmó que la operación no había sido reportada antes y dijo que "compra libros a través de canales comerciales para ayudar a desarrollar y mejorar los productos y servicios que usan nuestros clientes". La empresa también está construyendo sus propios productos de IA: Amazon lanzó su familia de modelos fundacionales Nova en diciembre de 2024 y vende servicios de IA a través de AWS, negocios que dependen de datos de entrenamiento a gran escala.