Las empresas de IA destruyen libros antiguos para entrenar a sus modelos

Se dice que la Biblioteca de Alejandría fue el repositorio más grande de la antigüedad. En sus anales estaba resguardado el conocimiento entero de la humanidad y destrucción a manos de bárbaros —quién lo hizo cambia conforme a quién lo cuenta— mutiló el progreso de la civilización.

Tal historia es más mito que realidad —aunque sí hubo una biblioteca de grandes proporciones en Alejandría que sufrió incendios, ataques y recortes presupuestales—, pero este verano una investigación del medio The Washington Post dio a conocer que está ocurriendo en nuestros tiempos, de manera muy discreta.

A inicios de año se reveló que diversas empresas de inteligencia artificial están comprando libros de segunda mano, algunos de considerable antigüedad, en todo el mundo. Les cortan el lomo, los escanean de forma masiva y tras extraer la información necesaria para continuar el entrenamiento de sus modelos, destruyen lo que quede.

Esta estrategia llegó como una alternativa al expolio masivo que realizaron con la información disponible en internet así como en bibliotecas pirata online, lo que los llevó a ser recipientes de bastantes demandas por derechos de autor —una contra Anthropic se aprobó por mil 500 millones de dólares a favor de un grupo de escritores este mismo mes—.

El sitio 404 media reportó también que la búsqueda de datos de entrenamiento en medios físicos se debe también al efecto de “canibalismo” que está ocurriendo en la web, donde es tanta ya la cantidad de contenido generado por modelos de inteligencia artificial generativa que estos datos están afectando la calidad de sus resultados, el llamado “AI Slop” o “basura IA”, por lo que es necesario buscar alternativas intactas antes del auge de estas tecnologías.

Una de las empresas que está facilitando este proceso es ISBNdb, que ha ayudado a facilitar compras masivas por millones de ejemplares en librerías de todo el mundo, cuyos títulos están destinados a ser engullidos y destruidos.

‘Legal’ pero a puerta cerrada

Si bien Meta, Microsoft, Google, y OpenAI han sido señaladas por su uso indebido de contenido con derechos de autor para entrenar a sus modelos de IA, fue el “Proyecto Panamá” de Anthropic el que puso la mira en esta práctica especifica. El detalle que más ha despertado inquietud en redes sociales es que este proyecto se desarrolló en secreto y con el conocimiento de que daría una muy mala imagen a la compañía.

Tal circunstancia es respaldada por lo que ISBNdb promete a sus clientes, que argumentan que “el abastecimiento físico responsable no es una quema de libros, es la culminación del ciclo de vida de un libro: del árbol al conocimiento y al árbol de nuevo”. Y de acuerdo con un juez tal procedimiento es legal pues se crean copias digitales de los libros aunque los originales sean destruidos.

Libreros de España, Países Bajos, Alemania, Estados Unidos y otros países han reportado compras inusuales en línea y al reconocer el destino de estos títulos algunos han expresado “sentimientos encontrados”.

Una imagen adquirida por el Post muestra un almacén atiborrado de libros listos para ser escaneados, destruidos y reciclados como papel.

Si bien es mucha la variedad de títulos que estas compañías han adquirido destacan ejemplares como manuales y recetarios, cuyo tiraje es limitado y no resultan de importancia para las colecciones o bibliotecas, pero que en sus páginas resguardan el valor de la escritura humana genuina que tanto buscan emular con sus modelos.

Mientras tanto, no se ha hecho público si, además de la digitalización, hay una catalogación, que permita decir que efectivamente el ejemplar pasó de un plano al otro o, en cambio, solo fue tirado a una licuadora informática para ser procesados junto a millones más como datos y no como conocimiento.