Cuando la IA hace pedidos: cómo las librerías de segunda mano entran en la cadena de datos

Un pedido que no encajaba

Marçal Font, propietario de la librería Fènix en Badalona, notó movimientos inusuales en su comercio: compras consecutivas con gastos de envío desproporcionados y envíos dirigidos a operadores logísticos en otros países. Tras consultar con su amigo Xavi Vinaixa, investigador y director técnico en tecnología, la explicación emergió con rapidez: empresas estaban comprando volúmenes de libros de segunda mano para digitalizarlos y usarlos como datos en sistemas de inteligencia artificial.

El patrón no fue aislado. A través de foros europeos, libreros detectaron operaciones similares. Las adquisiciones se realizaban por plataformas como ZoomBooks y los envíos pasaban por intermediarios logísticos como PrepFort, que subcontrata tareas de escaneo, catalogación y registro de datos. La estructura, con múltiples eslabones, dificulta identificar al destinatario final, pero las pistas apuntan a empresas vinculadas al desarrollo de IA.

Digitalizar a escala: la práctica y sus consecuencias

Una investigación de The Washington Post, basada en documentos judiciales, vinculó este tipo de prácticas con Anthropic, creadora del modelo Claude. Según esa documentación, Anthropic habría desarrollado un programa interno conocido como Project Panama para digitalizar libros impresos a gran escala. La técnica descrita incluye el escaneo destructivo: desencuadernar los libros, guillotinar el lomo y escanear las páginas, un método más rápido y económico que el escaneo conservador empleado por bibliotecas y archivos, pero que implica la pérdida irreversible del ejemplar físico.

El proceso recuerda, en lo simbólico, a Fahrenheit 451, aunque aquí la intención no es censurar sino extraer datos. El resultado sin embargo es la desaparición del libro como objeto, un costo que preocupa a libreros, bibliotecarios y conservadores del patrimonio cultural.

Por qué los libros son valiosos para las empresas de IA

Durante años, los modelos de IA se entrenaron con grandes volúmenes de texto publicados en la web. Pero ese material tiene límites: homogeneización, vocabulario informal, sesgos y errores. Los libros ofrecen textos editados, estructurados y con profundidad temática que la web pública no siempre provee. Por eso muchas compañías han empezado a comprar ejemplares especializados, de baja rotación comercial y alto valor documental: monografías locales, publicaciones técnicas o ensayos poco difundidos.

Además, la adquisición de libros con ISBN garantiza que los materiales formen parte de un ecosistema relativamente catalogado, lo que facilita su identificación y procesamiento. Sin embargo, a medida que las empresas agotan las fuentes más visibles y protegidas, surgen inquietudes sobre hasta dónde llegará la demanda por contenidos menos convencionales y más frágiles desde el punto de vista de la preservación.

Riesgos legales y polémicas públicas

La expansión de esta práctica no está exenta de conflictos. Desde finales de 2023 varios medios y organizaciones han presentado demandas por uso de contenido protegido para entrenar modelos de IA. The New York Times demandó a OpenAI y Microsoft por la inclusión de millones de artículos protegidos en conjuntos de entrenamiento, y a esa acción se sumaron otros periódicos. Casos como estos cuestionan los límites legales de la recolección masiva de contenido y si la compra de ejemplares físicos equivale a un permiso para su digitalización y uso comercial en modelos de IA.

El problema del colapso del modelo

Una preocupación técnica vinculada es el fenómeno llamado model collapse o colapso del modelo. Si los modelos de IA terminan entrenándose mayoritariamente con contenido generado por otras IA, la calidad del conocimiento puede degradarse: una especie de fotocopia sucesiva que empobrece vocabulario y rigor. En este contexto, los libros descatalogados representan una reserva de material humano original, no contaminado por generación automática.

Al mismo tiempo, la industria avanza hacia entrenamientos más especializados. Técnicas como el aprendizaje por refuerzo y el uso selectivo de datos de alta calidad han ganado protagonismo frente a la simple acumulación de volumen y computación masiva. Sin embargo, la demanda por datos cualificados sigue siendo alta y empuja a las empresas a explorar nuevas fuentes.

Implicaciones para América Latina

Aunque los casos detectados ocurrieron principalmente en Europa y Estados Unidos, las consecuencias alcanzan a América Latina. La región cuenta con un mercado activo de libros de segunda mano, archivos locales, fanzines, boletines y documentación de movimientos sociales que muchas veces no están plenamente digitalizados ni protegidos por circuitos bibliográficos formales. Si la práctica se extiende, esos acervos podrían convertirse en blancos de compra para digitalización, con riesgo de pérdida física y apropiación de conocimiento local.

Además, los marcos legales sobre derechos de autor, depósito legal y preservación varían en la región. Esto exige a gobiernos, bibliotecas nacionales y gremios de libreros revisar políticas para proteger patrimonio y clarificar límites sobre la compra y digitalización con fines comerciales.

Qué pueden hacer libreros, bibliotecas y reguladores

• Libreros y vendedores de segunda mano pueden reforzar redes de información entre comercios para detectar patrones de compra atípicos y compartir alertas sobre intermediarios.
• Bibliotecas y archivos deben insistir en prácticas de digitalización conservadora y promover acuerdos claros sobre uso y preservación cuando se ceda material a terceros.
• Reguladores y legisladores deberían evaluar marcos que distingan entre compra legítima y recolección masiva con fines comerciales, y facilitar vías de reclamo cuando la preservación patrimonial esté en riesgo.
• Las asociaciones profesionales pueden impulsar códigos de buenas prácticas y campañas de concienciación para autores, editores y libreros.

Conclusión

La búsqueda de datos de mayor calidad por parte de empresas de IA ha hecho que libros impresos de segunda mano vuelvan a ser un recurso codiciado. Lo que comienza como una estrategia para mejorar modelos puede acabar afectando la integridad física de colecciones y plantas semillas de conflictos legales y éticos. Para América Latina, el reto es doble: proteger acervos frágiles y actualizar marcos legales y prácticas comerciales ante un mercado global de datos que avanza rápidamente. La solución pasa por transparencia en las cadenas de compra, normas claras sobre digitalización y una coordinación más estrecha entre actores públicos y privados para preservar el patrimonio cultural mientras se aprovechan las ventajas tecnológicas.