Buchholz, Katharina. Estimated Quarter of Llama AI Sources Came From Books. Statista, 27 de julio de 2026. Disponible en: Statista

Un análisis elaborado por el científico de datos Olivier Khatib, director ejecutivo de T1U.ai, estima la distribución de las principales fuentes de datos empleadas para entrenar cinco de los grandes modelos de lenguaje más importantes —ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Llama (Meta) y Grok (xAI)— a partir de la documentación pública de las compañías, sus informes técnicos y otras evidencias disponibles.

El estudio pone de manifiesto que, aunque todos estos modelos recurren a una combinación de fuentes similares, cada uno presenta una estrategia diferenciada de recopilación y ponderación de datos que refleja tanto sus objetivos técnicos como las fortalezas de las organizaciones que los desarrollan.

Uno de los resultados más llamativos es que Llama, el modelo de Meta, habría obtenido aproximadamente una cuarta parte de sus datos de entrenamiento a partir de libros, una proporción superior a la estimada para cualquiera de los demás modelos analizados. Este dato resulta especialmente relevante porque el uso de libros protegidos por derechos de autor constituye actualmente uno de los principales focos de litigio entre las empresas de inteligencia artificial y los titulares de derechos. Mientras autores, editoriales y organizaciones culturales han presentado numerosas demandas por el uso no autorizado de sus obras, la investigación judicial también ha revelado el almacenamiento de millones de libros digitalizados para el entrenamiento de algunos modelos, intensificando el debate sobre los límites legales del aprendizaje automático y el uso legítimo de contenidos protegidos.

El estudio también muestra diferencias significativas entre los distintos sistemas. Claude destaca por incorporar una proporción relativamente elevada de artículos científicos y publicaciones académicas, coherente con la orientación que Anthropic ha dado a su modelo hacia tareas analíticas, investigación y razonamiento complejo. Por su parte, Gemini depende en mayor medida de datos procedentes del rastreo de la web (web crawl), aprovechando el enorme ecosistema de información indexada por Google para construir un modelo con una amplia cobertura temática y lingüística. En el caso de Grok, desarrollado por xAI, sobresale el peso de los datos procedentes de redes sociales, especialmente debido a la integración con el ecosistema de X (antes Twitter), lo que proporciona al modelo un acceso privilegiado a conversaciones y acontecimientos recientes. ChatGPT presenta una combinación más equilibrada de fuentes, repartiendo su entrenamiento entre contenidos web, libros, código, documentos y otras colecciones de datos.

Fuente predominante por modelo

Modelo	Fuente de datos más destacada
ChatGPT (OpenAI)	Mezcla equilibrada de páginas web, libros, código y documentos públicos.
Claude (Anthropic)	Mayor presencia de artículos científicos y literatura académica.
Gemini (Google)	Predominio del rastreo de la web (web crawl).
Llama (Meta)	Elevada proporción de libros (aproximadamente una cuarta parte del conjunto de entrenamiento).
Grok (xAI)	Importante uso de redes sociales, especialmente contenidos procedentes de X (Twitter).

Más allá de las diferencias cuantitativas, el informe ilustra la creciente importancia de la diversidad de fuentes de entrenamiento como factor estratégico en el desarrollo de los modelos fundacionales. Los libros aportan profundidad conceptual y riqueza lingüística; los artículos científicos suministran conocimiento especializado y rigor técnico; el contenido de la web ofrece amplitud temática; las redes sociales incorporan actualidad y lenguaje coloquial; mientras que otras fuentes, como repositorios de código o documentos públicos, enriquecen las capacidades de programación y resolución de problemas. Esta combinación explica en buena medida las distintas fortalezas y limitaciones observadas entre los modelos actuales.

Finalmente, el artículo sitúa estos datos en el contexto de la creciente controversia jurídica sobre el entrenamiento de la inteligencia artificial. Las demandas por infracción de derechos de autor continúan multiplicándose, especialmente contra empresas como Meta y Anthropic, mientras los tribunales comienzan a delimitar qué prácticas de recopilación y almacenamiento de datos son legales y cuáles vulneran la propiedad intelectual. En consecuencia, la composición de los conjuntos de entrenamiento ya no constituye únicamente una cuestión técnica, sino también un asunto central para el futuro de la regulación, la transparencia y la sostenibilidad del desarrollo de la inteligencia artificial generativa.