Empresas de IA compran miles de libros

Los libros impresos se están convirtiendo en materia prima para el entrenamiento de modelos. Según una investigación de 404 Media, intermediarios están comprando desde miles hasta millones de ejemplares, enviándolos a operaciones de escaneo y, a menudo, desmantelando los libros en páginas individuales. Luego se desechan las páginas.

El arreglo mantiene a las empresas de IA que finalmente reciben el texto en gran medida fuera de la vista. Les da acceso a material escrito por humanos sin exigir una negociación directa de derechos por cada libro ni poner sus nombres en cada compra. Los vendedores de libros usados ya están notando el cambio: tiendas que antes vendían alrededor de 20 ejemplares por semana ahora reportan ventas en los cientos, mientras que los pedidos en mercados como Alibris y Biblio también se han vuelto notablemente más frecuentes.

Cómo funciona la cadena de suministro de libros

Según se informa, los compradores adquieren libros al por mayor sin prestar mucha atención al género, al autor o a la rareza de la edición. El objetivo no es participar en el mercado editorial, sino obtener una gran cantidad de texto escrito por humanos que pueda escanearse rápidamente y ensamblarse en un corpus de entrenamiento.

Recomendado

Robots de reparto de Yandex llegan a Astana

Un participante notable en esa cadena es ISBNdb. La base de datos estaba asociada anteriormente con librerías y bibliotecas; ahora ofrece compras al por mayor para clientes del sector de la inteligencia artificial, según 404 Media.

El proceso es sencillo. Un libro usado sale de un almacén y pronto llega a un escáner industrial. El libro puede ser cortado y sus páginas alimentadas continuamente al equipo, lo que hace que el proceso sea más barato que un escaneo cuidadoso y no destructivo. Para el entrenamiento de modelos, este método proporciona texto escrito por personas en lugar de material generado.

Disputas sobre derechos de autor de Anthropic y Google

La práctica también plantea cuestiones legales. Documentos del caso relacionado con Anthropic describían un proceso similar: la empresa compró libros impresos, contrató a terceros para escanearlos y, en algunos casos, hizo que las copias se desmontaran para acelerar el procesamiento. Un tribunal dictaminó que usar libros adquiridos legalmente para el entrenamiento era permisible bajo el concepto de "fair use".

Ese fallo no resolvió todos los problemas. Anthropic enfrentó por separado una demanda por una biblioteca de 7 millones de libros pirateados que se alegaba que la empresa había almacenado. Una disputa similar se está desarrollando ahora en torno a Google, con editoriales acusando a la compañía de usar ilegalmente millones de libros con derechos de autor para entrenar a Gemini.

En ese contexto, las compras a granel de libros físicos ofrecen a las empresas de IA otra forma de obtener datos, especialmente cuando buscan material con una procedencia más clara. La fuente no identifica a la mayoría de los compradores finales porque los intermediarios manejan las transacciones.

Los libros raros pueden ser los más difíciles de reemplazar

La cadena de suministro podría tener un efecto desproporcionado sobre libros antiguos que no han sido reeditados y que ya rara vez aparecen a la venta. Una vez escaneadas, algunas copias no vuelven a circular, mientras que sus versiones digitales se colocan en bases de datos cerradas usadas únicamente para entrenamiento de modelos.

Si estas compras continúan creciendo, los libros en mayor riesgo podrían ser precisamente aquellos con menos copias supervivientes, no los títulos de mercado masivo que son más fáciles de reemplazar.