Las empresas de inteligencia artificial están comprando y destruyendo miles de libros

Un pequeño AirTag escondido dentro de un libro terminó aportando una pieza inesperada a uno de los grandes interrogantes de la carrera por la inteligencia artificial. Libreros de distintos países venían recibiendo enormes pedidos de ejemplares usados, antiguos y descatalogados, muchas veces sin ninguna relación temática entre sí. Sospechaban que detrás había compañías tecnológicas buscando nuevos datos para sus modelos, pero era difícil saber quién compraba y qué hacía después con los libros.

En agosto, el medio estadounidense 404 Media siguió uno de esos envíos mediante el dispositivo de Apple. El cargamento terminó dentro de VGT3, una instalación de Amazon en Las Vegas donde los trabajadores reciben libros, registran sus códigos, les cortan la encuadernación y pasan las páginas sueltas por escáneres industriales.

Después del proceso, el ejemplar original queda destruido. Destrozado.

El hallazgo convirtió una sospecha en un caso concreto, pero Amazon está lejos de ser el único antecedente. Un año antes, una demanda por derechos de autor ya había revelado que Anthropic, desarrolladora de Claude y uno de los principales competidores de OpenAI, había comprado millones de libros físicos para realizar prácticamente el mismo procedimiento. La compañía gastó millones de dólares, retiró las encuadernaciones, cortó las hojas para poder procesarlas rápidamente, creó copias digitales y descartó los originales.

Documentos internos conocidos después permitieron reconstruir la magnitud de esa operación. Anthropic la bautizó Project Panama y la describió dentro de la empresa como su esfuerzo para “escanear destructivamente todos los libros del mundo”. El plan comenzó a tomar forma en 2024 y contemplaba adquirir ejemplares usados por decenas de miles, contratar proveedores especializados y digitalizar cientos de miles o incluso millones de volúmenes en pocos meses.

La escena parece contradictoria en una industria construida alrededor de gigantescos centros de datos y sistemas capaces de recorrer buena parte de Internet. Sin embargo, el papel está ofreciendo algo que cada vez resulta más difícil conseguir online: enormes cantidades de texto humano, extenso, editado y producido antes de la explosión de ChatGPT y otras herramientas generativas.

Los grandes modelos de lenguaje aprenden a partir de cantidades gigantescas de texto. Durante años, buena parte de esa materia prima se consiguió recorriendo sitios web, Wikipedia, foros, repositorios de código, publicaciones académicas y colecciones digitalizadas. El crecimiento de los modelos, sin embargo, elevó también la demanda de información de calidad.

Los libros tienen varias ventajas. Contienen textos mucho más extensos que una publicación en redes sociales o una página web típica, suelen pasar por procesos de escritura y edición profesional y abarcan áreas, estilos, idiomas y períodos históricos que pueden estar escasamente representados en Internet.

Los propios documentos internos de Anthropic conocidos en el juicio muestran hasta qué punto la compañía valoraba esas características. En un memo de 2023, sus investigadores planteaban que el material de entrenamiento debía incluir “buena escritura” y contenido similar al que aprobaría un editor para enseñar al modelo a escribir mejor y evitar lo que calificaban como el lenguaje de baja calidad de Internet. También consideraban útiles los libros para entrenar modelos capaces de trabajar con contextos largos.

A ese problema se sumó otro durante los últimos años. Una proporción creciente de lo que se publica online está generada o modificada por inteligencia artificial. Para las compañías que desarrollan modelos, eso vuelve especialmente atractivo el contenido producido antes de la expansión de la IA generativa: ofrece una reserva de lenguaje inequívocamente humano y evita incorporar en los conjuntos de entrenamiento cantidades crecientes de textos creados por otros modelos.

La idea ya se convirtió incluso en un argumento comercial. ISBNdb, una compañía que mantiene una enorme base de datos bibliográfica, llegó a promocionar en 2026 un servicio para conseguir libros físicos destinados al entrenamiento de IA. La empresa sostenía que algunos de los mejores datos disponibles seguían guardados en estanterías porque los libros ofrecían conocimiento humano estructurado y editado que una recolección automática de sitios web difícilmente podía reproducir.

Después de la repercusión de 404 Media, retiró la propuesta y aseguró que se había tratado de una prueba para evaluar el interés del mercado y que no había comprado ni escaneado libros para compañías de IA.

Todo eso explica por qué comprar libros. Pero, ¿por qué los destruyen?

Digitalizar de manera cuidadosa un volumen encuadernado lleva tiempo. Hay que abrirlo, pasar sus páginas y fotografiarlas individualmente sin dañarlas. Ese tipo de técnicas se utiliza desde hace años en bibliotecas, archivos y proyectos de preservación.

Cuando el objetivo cambia a procesar cientos de miles o millones de ejemplares, cortar el lomo permite acelerar radicalmente el trabajo. Las páginas quedan sueltas y pueden introducirse como pilas de papel en equipos de escaneo de alta velocidad. El libro deja de ser tratado como un objeto que debe conservarse y pasa a funcionar como el soporte temporal de un conjunto de datos.

El empleado de Amazon entrevistado por 404 Media describió un depósito con entre 20 y 25 escáneres que procesaban las hojas a gran velocidad, de manera similar a una máquina contadora de billetes. Después de digitalizarlas, las páginas terminaban mezcladas en grandes cajas, por lo que reconstruir el ejemplar era imposible. Según su relato, por allí pasaban publicaciones nuevas y usadas, documentos gubernamentales y pallets completos de libros en alemán, ruso y japonés.

El caso más documentado hasta ahora es el de Anthropic. En 2024, la empresa puso en marcha Project Panama mientras buscaba aumentar la cantidad y calidad del material disponible para desarrollar Claude.

Los documentos judiciales muestran que contrató servicios externos para quitar las encuadernaciones, cortar las páginas y convertir los ejemplares en archivos digitales con texto procesable por computadoras. Una propuesta de uno de esos proveedores contemplaba digitalizar entre 500.000 y dos millones de libros en sólo seis meses.

La estrategia tenía además un componente legal. Anthropic había obtenido anteriormente millones de libros desde bibliotecas digitales piratas. En junio de 2025, el juez federal William Alsup trazó una distinción importante al analizar una demanda presentada por escritores contra la compañía.

El magistrado consideró que, bajo las circunstancias particulares del caso, Anthropic podía comprar legalmente un ejemplar físico y convertir esa copia en una versión digital destinada a reemplazarla dentro de su biblioteca interna. La compañía había destruido cada libro en el proceso y conservado una única copia digital. El juez consideró esa conversión de formato amparada por el uso justo. Distinta fue su evaluación de los millones de archivos descargados de bibliotecas piratas, cuya incorporación a la colección de Anthropic no consideró protegida de la misma manera.

La decisión ayuda a entender el incentivo detrás del procedimiento. Comprar un libro usado cuesta dinero y destruirlo parece un mecanismo rudimentario para una compañía de inteligencia artificial, pero puede ofrecer una ruta jurídica y logística más defendible que descargar una copia pirata o negociar individualmente una licencia con cada autor y editorial.

Amazon apareció después como el segundo gran caso comprobado. La investigación de 404 Media colocó un rastreador dentro de un libro que integraba un pedido de aproximadamente 1.000 ejemplares y siguió el cargamento hasta VGT3. Empleados de la instalación habían comentado online que allí recibían libros, cortaban sus lomos y digitalizaban sus páginas. El testimonio posterior de un trabajador permitió confirmar el funcionamiento del proceso desde adentro.

Amazon no explicó qué modelos específicos reciben esa información. Ante las consultas periodísticas, señaló que compra libros mediante canales comerciales para ayudar a desarrollar y mejorar los productos y servicios que utilizan sus clientes, sin detallar el destino final de los datos digitalizados.

El fenómeno empezó además a dejar rastros lejos de Silicon Valley. Libreros de Reino Unido, Irlanda, Australia, Europa y Estados Unidos reportaron pedidos inusuales de cientos o miles de volúmenes, muchas veces con selecciones aparentemente aleatorias y compradores difíciles de identificar. Barter Books, una conocida librería británica que suele vender entre 2.000 y 3.000 ejemplares por semana, recibió de una sola vez una compra comparable con su volumen habitual de siete días.

No todos esos pedidos pueden atribuirse a compañías de IA y tampoco existe evidencia de que todas las empresas estén destruyendo libros físicos. Los casos comprobados de Anthropic y Amazon, sin embargo, muestran que el procedimiento existe y puede operar a una escala industrial.

También conviene distinguir entre un libro raro y uno necesariamente valioso o único. Un título puede ser difícil de conseguir porque tuvo poca circulación, está escrito en un idioma minoritario o lleva décadas fuera de catálogo y al mismo tiempo conservarse en numerosas bibliotecas.

La preocupación de libreros y especialistas aparece cuando los sistemas de compra masiva no diferencian esos ejemplares de ediciones realmente escasas o con valor histórico. Vendedores australianos y británicos advirtieron que algunos pedidos recientes incluían títulos oscuros cuyo destino final desconocían.

La carrera por la inteligencia artificial terminó así recuperando una tecnología mucho más antigua que los chips utilizados para entrenar los modelos. Después de años de absorber cantidades enormes de información publicada en Internet, algunas de las mayores compañías del sector volvieron a las bibliotecas y al mercado de segunda mano en busca de otro recurso escaso.

Los libros contienen justamente aquello que los modelos necesitan para seguir mejorando: lenguaje humano producido durante décadas o siglos, organizado en textos extensos y muchas veces ausente de la web. Para procesarlo a la velocidad que exige la competencia actual, el método más eficiente puede ser también el más irreversible.

Cortar el lomo, separar las páginas, guardar las palabras y descartar el objeto que las conservó hasta ahora, para que pasen a ser unos y ceros.