Proyecto Panamá: ¿Por qué la inteligencia artificial está buscando datos en libros de segunda mano?
Las empresas necesitan cada vez más información para entrenar sistemas potentes y, en esa búsqueda, los libros físicos, incluso los usados, descatalogados o poco comunes, se convirtieron en una nueva despensa de datos.
Durante años, la inteligencia artificial (IA) encontró buena parte de su alimento en internet: Wikipedia, foros de discusión, repositorios de código, artículos académicos, archivos de prensa y bases de datos públicas son ejemplo de las fuentes que hoy en día muestran que el buffet empieza a quedarse corto.
Las empresas necesitan cada vez más información para entrenar sistemas potentes y, en esa búsqueda, los libros físicos, incluso los usados, descatalogados o poco comunes, se convirtieron en una nueva despensa de datos.
“Lo que se está agotando no es internet, sino el texto humano de calidad y fácil de obtener. Queda muchísimo contenido en línea, pero es más ruidoso y está cada vez más contaminado con texto generado por la propia IA. Al mismo tiempo, los conjuntos de entrenamiento se han venido duplicando cada seis meses, y el texto humano no crece a ese ritmo”, explica Betsy Castillo, especialista en análisis de datos e inteligencia artificial.
El caso que puso el tema sobre la mesa fue el Project Panama, la operación con la que Anthropic, empresa que desarrolla Claude, se propuso armar su propia biblioteca digital. Según los documentos internos que un juez ordenó desclasificar dentro del litigio por derechos de autor que un grupo de autores sigue contra la compañía, Anthropic compró millones de ejemplares a distribuidores de libros usados para someterlos a un método poco romántico: una máquina hidráulica cortaba el lomo, las hojas sueltas pasaban por escáneres industriales y lo que sobraba del ejemplar terminaba en una empresa de reciclaje.
El procedimiento, que permite digitalizar volúmenes enormes a una velocidad y a un costo que ningún escaneo cuidadoso alcanzaría, tiene un precio evidente: el libro no sobrevive. Conviene precisar, eso sí, dónde trazó la línea el juez, porque no está donde muchos suponen.
Escanear ejemplares comprados legalmente le pareció uso justo; lo que terminó costándole a la empresa un acuerdo de mil 500 millones de dólares no fue la destrucción, sino haber usado antes copias pirateadas.
Castillo, que observa el problema desde el lado técnico, insiste en que detrás de esa imagen hay algo menos pintoresco y más estructural: unos sistemas que necesitan información nueva y que no pueden seguir aprendiendo indefinidamente de las mismas fuentes.
No es un tema de que sea bueno o malo. Entran dos conceptos muy claros: uno es el muro de datos y el otro es el colapso del modelo. Tienen que seguir entrenando”, señala.
Internet empieza a llenarse de IA
El muro de datos describe el punto en que la demanda de texto humano de calidad crece más rápido que la oferta disponible. El colapso del modelo es el riesgo que aparece cuando, ante esa escasez, la industria recurre al atajo equivocado.
El dilema no es únicamente que la información disponible sea finita, sino que el internet también está cambiando. Cada día se publican más artículos, resúmenes, posts, imágenes y textos creados total o parcialmente con inteligencia artificial. Eso significa que un sistema puede terminar aprendiendo solamente de información que otra IA ya produjo.
Cuando entrenas con los mismos tipos de fuentes ¿hay algo nuevo que aprender?, es como leer el mismo libro mil veces; y si a eso le sumas que lo nuevo que se publica está cada vez más diluido con contenido generado por IA, nos encontramos frente a un desierto de fuentes de valor”, explica Castillo.
Un estudio publicado en Nature en 2024 documentó ese proceso: en cada iteración, la calidad y la diversidad de las respuestas se degradan, y lo primero que desaparece es justamente lo menos frecuente, lo especializado, lo de nicho.
El ciclo puede volverse todavía más extraño. Una persona pregunta algo a una IA, toma la respuesta, la modifica, publica el resultado en una página web y ese contenido puede regresar, tarde o temprano, al ecosistema de entrenamiento.
Imagínate: tú sacas información, yo también estudié algunas cosas con IA, luego tú lo absorbes, lo escribes, lo pasas por una IA, eso va a tu Substack y vuelve a regresar para entrenamiento. Es un ciclo que tenemos que estudiar para comprender por qué las empresas están tomando este tipo de decisiones”.
De ahí surge una paradoja, pues para hacer mejores inteligencias artificiales, las empresas necesitan encontrar cada vez más contenido que no haya sido producido por inteligencia artificial. Y queda un depósito enorme y casi intacto de ese material: los libros impresos antes de 2022.
¿Qué tiene un libro que no tenga un post?
Un libro ofrece algo difícil de encontrar en buena parte de internet: continuidad.
Los libros son textos humanos y largos. Hay un flujo de pensamiento sostenido a lo largo de cientos de páginas, con vocabulario más rico y una estructura argumentativa o narrativa que se mantiene de principio a fin”.
No son 280 caracteres, un comentario perdido o un fragmento de información. Son decenas o cientos de páginas que desarrollan una idea, una historia o un argumento y que, en muchos casos, pasaron antes por editores, correctores o revisiones académicas. Esa cadena de filtros deja un texto con una densidad de información que rara vez aparece en la conversación rápida de internet.
Eso es lo que le enseña al modelo a sostener un contexto largo. En internet aprende a completar frases; en un libro aprende a seguir un argumento que se construye durante capítulos. Es una diferencia increíble”.
Pero quizá el material más atractivo no sea el bestseller que todos conocemos, sino los libros que llevan años en una librería de viejo sin que nadie los toque. De tesis olvidadas a recetarios regionales
Lo que buscan las empresas no es rareza bibliográfica sino contenido que no exista en ningún corpus digital: obras de tirada corta, publicadas lejos de los grandes circuitos editoriales, que nunca llegaron a escanearse. Para un modelo de lenguaje, ese material tiene una cualidad que ya escasea en internet, que es información que no ha visto nunca.
Hay historias locales, manuales técnicos, recetarios regionales, actas de congresos, estudios publicados en lugares recónditos. Eso los hace únicos, no solamente para el conocimiento, sino para el propio entrenamiento”, explica.
Esa lógica llevó a las empresas hasta las librerías de viejo, donde los comerciantes comenzaron a recibir pedidos extraños de títulos con tiradas de unos cuantos cientos de ejemplares que llevaban años sin despertar interés. En ese panorama, hasta aquella tesis olvidada en el último estante de una biblioteca puede cobrar otro valor.
Tú has visto en las tiendas de libros todas esas tesis de ‘caso de uso de tal pueblo’. Bueno, ahora van a parar a alimentar una IA”, ejemplifica la especialista.
“No vamos a dejar de alimentarla”
Castillo evita colocar el debate únicamente en la destrucción física del libro. Para ella, la presión central está en el crecimiento de estos sistemas y en la competencia por aumentar sus capacidades.
Mientras las empresas de IA busquen mejorar sus herramientas, necesitarán encontrar conjuntos de datos distintos.
No lo vas a parar tú, no lo voy a parar yo. La IA es imparable en ese sentido. No vamos a dejar de alimentarla. Mientras tú y yo estamos aquí hablando y teniendo una opinión, ya están destazando un montón de libros”.
La búsqueda también sirve para reducir duplicados y evitar que una máquina termine aprendiendo una y otra vez de los mismos textos.
Este tipo de sistema necesita que no exista duplicado de información, porque el material repetido ya no aporta nada nuevo. Es un problema distinto al del colapso, pero empuja en la misma dirección: hay que salir a buscar fuentes que no estén en ningún corpus”.
Nada de esto elimina las preguntas sobre derechos de autor, preservación o propiedad del conocimiento. El acuerdo de mil 500 millones de dólares sentó un precedente de compensación para los autores, pero no resolvió qué ocurre con los ejemplares que ya dejaron de existir.
Y ahí aparece otra pregunta: si ese conocimiento vale tanto, ¿por qué las universidades y bibliotecas no lo aprovechan antes?
¿Y si las universidades entrenaran sus propias IA?
México tiene décadas de investigación guardadas en tesis, revistas académicas, libros, archivos y repositorios universitarios.
Castillo cree que las instituciones podrían dejar de verse únicamente como proveedoras de información y convertirse también en desarrolladoras de herramientas basadas en ese conocimiento.
Estaría genial que instituciones como la UNAM tuvieran su propio modelo de IA. Si estamos hablando de preservación y aprovechamiento del conocimiento, incluso podríamos pensar en sistemas sustentables donde esa información pueda utilizarse y también licenciarse”.
La propuesta podría ampliarse a redes entre universidades para digitalizar documentos sin destruirlos, organizar bases de datos, crear IA especializadas y poner ese conocimiento al servicio de estudiantes e investigadores. El precedente existe: Google Books escaneaba los ejemplares que le prestaban las bibliotecas y los devolvía, un modelo de preservación en lugar de destrucción.
Para Betsy Castillo, el debate latinoamericano llega justo a tiempo. En Estados Unidos ya se discuten acuerdos directos de licenciamiento entre empresas de IA, editoriales, medios, bibliotecas y archivos. En Europa, el reglamento de inteligencia artificial obliga a transparentar los datos de entrenamiento protegidos por derechos de autor, y la normativa de minería de textos permite a autores y editoriales reservar expresamente sus derechos.