Marçal Font, propietario de la librería Fènix de Badalona, detectó en 2026 un patrón inusual en los pedidos que recibía: compras de libros por montos bajos acompañadas de gastos de envío desproporcionados. "Me compraron cuatro libros por 35 euros con unos gastos de envío de 67 euros. Un minuto después pedían otro libro con 20 euros más de gastos de envío. Y así. No tenía ningún sentido", recuerda Font. Al investigar con Xavi Vinaixa, investigador y director técnico de una empresa tecnológica, descubrieron que una empresa estaba realizando compras sistemáticas para digitalizar libros e incorporarlos a sistemas de inteligencia artificial.

A través de un foro internacional, Font y Vinaixa se conectaron con libreros europeos que experimentaban el mismo fenómeno. Las compras se realizaban mediante ZoomBooks, una empresa canadiense de compra-venta de libros de segunda mano, y los envíos se dirigían a operadores logísticos intermediarios como PrepFort, ubicada en Illinois, que ofrece servicios de escaneo, catalogación y registro de datos. Esta estructura de intermediarios dificulta la identificación del destinatario final de los ejemplares, aunque todo apunta a empresas tecnológicas vinculadas al desarrollo de inteligencia artificial.

Las sospechas de los libreros encontraron respaldo en una investigación de The Washington Post sobre Anthropic, la empresa creadora del modelo Claude. Según documentos judiciales relacionados con demandas por derechos de autor, Anthropic opera un programa interno denominado Project Panama, descrito por la propia compañía como un esfuerzo para digitalizar a gran escala libros impresos con el fin de incorporarlos a sus sistemas de inteligencia artificial. La documentación analizada por el periódico estadounidense revela que el proceso se basa en el escaneo destructivo de ejemplares físicos.

El método de digitalización implica desencuadernar libros guillotinando el lomo para liberar sus páginas, permitiendo un escaneo y digitalización más rápida y económica que el escaneo conservador utilizado por bibliotecas y archivos. Sin embargo, este proceso resulta en la desaparición del ejemplar físico. Como señala Vinaixa, existe una paradoja fundamental: un proyecto creado para alimentarse de datos termina destruyendo datos en el proceso.

La búsqueda de contenido especializado responde a un problema estructural en la industria de la inteligencia artificial. Durante años, los sistemas de IA se entrenaron con enormes cantidades de texto disponible en internet. Actualmente, muchas empresas enfrentan desafíos significativos porque ya han consumido buena parte del texto público de calidad disponible y necesitan datos más diversos, especializados y mejor escritos para evitar la homogeneización, los sesgos cognitivos, los errores y el vocabulario informal que predomina en la web.

Los libros representan un recurso particularmente valioso para las empresas tecnológicas porque contienen conocimiento más elaborado, editado y estructurado que gran parte del contenido de internet. "Compran libros especializados, de escasa salida comercial y gran valor documental: estudios locales, publicaciones técnicas, gastronomía tradicional o ensayos que a menudo solo interesan a investigadores", explica Font. Las empresas están adquiriendo libros con ISBN, lo que garantiza que gran parte de los ejemplares forman parte de un ecosistema relativamente bien catalogado y protegido por sistemas de depósito legal.

La preocupación de Font se centra en el futuro: "¿Pero qué ocurrirá si las empresas quieren seguir ampliando sus repositorios? ¿Dónde termina la demanda de las empresas tecnológicas por los datos y cuándo empieza a protegerse el contenido creado por la humanidad?". Font advierte que eventualmente las empresas llegarán a materiales mucho menos protegidos e identificados: "fanzines, publicaciones locales, boletines vecinales o documentación de movimientos sociales que nunca entraron en los circuitos bibliográficos convencionales".

El panorama legal se complica con el aumento de litigios sobre derechos de autor. En diciembre de 2023, The New York Times demandó a OpenAI y a Microsoft por utilizar su contenido para entrenar sistemas de inteligencia artificial generativa, argumentando que millones de artículos protegidos con derechos de autor se han utilizado para entrenar chatbots que ahora compiten con el periódico. En abril de 2024, ocho periódicos estadounidenses se sumaron a la demanda.

Existe un riesgo adicional conocido en la investigación como "model collapse" o colapso del modelo. La hipótesis plantea que si una generación de modelos de IA aprende de la producción de la generación anterior, el conocimiento puede degradarse progresivamente, similar a hacer fotocopias sucesivas de una fotocopia. "Por eso los libros descatalogados representan una reserva de contenido humano todavía no contaminado por la inteligencia artificial", señala Antonio Ortiz, analista y divulgador especializado en inteligencia artificial y tendencias tecnológicas.

Sin embargo, Ortiz matiza que la escasez de datos no es tan crítica como lo era hace dos años. "Los modelos más avanzados están mejorando gracias al aprendizaje por refuerzo. Antes la industria buscaba más volumen de datos y mayor computación, mientras que ahora apuesta por un entrenamiento especializado a partir de datos de calidad y problemas bien resueltos. Los datos siguen siendo importantes, pero la carrera se está desplazando hacia datos cada vez más cualificados", explica.

La cuestión fundamental trasciende la disponibilidad de datos: se trata de la privatización del conocimiento. Los grandes avances científicos del siglo XX ocurrieron gracias a datos, universidades e investigación pública, conservada en instituciones públicas. Actualmente, existe una traslación del descubrimiento, el desarrollo y la conservación científica hacia una privatización creciente.

Patrícia Ventura, doctora en Comunicación, Medios y Cultura por la Universitat Autònoma de Barcelona, advierte sobre el riesgo principal: "Lo lógico sería aprovechar primero el contenido humano para entrenar modelos de gran lenguaje públicos, como el europeo Mistral AI, porque el conocimiento tiene que seguir siendo un bien público, y respondiendo a lógicas de transparencia, reconocimiento de autoría y sostenibilidad".

Font subraya una paradoja esperanzadora: "Toda la labor magnífica que se está haciendo para preservar el patrimonio hoy, la IA la hace infinitamente más rápido". Sin embargo, plantea la verdadera cuestión: "La cuestión no es si la IA está destruyendo el patrimonio, sino si las instituciones públicas serán capaces de identificar, catalogar y conservar el patrimonio antes de que las máquinas lo conviertan en datos privados".

El escenario actual difiere de la distopía planteada en Fahrenheit 451 de Ray Bradbury. No se trata de quemar libros para hacerlos desaparecer, sino de absorber sus datos y privatizar el conocimiento. A diferencia del controvertido proyecto Google Books iniciado hace dos décadas, esta vez no pretenden devolver acceso a la fuente primaria digitalizada, sino permitir acceso a un conocimiento transformado: aquel que regurgita la máquina después de engullir el libro.