404 Media. “We Tracked a Shipment of Rare Books. It Ended at an Amazon AI Training Facility”. Agosto de 2026. Artículo original en 404 Media

La investigación revela una nueva dimensión de la carrera por conseguir datos de entrenamiento para la inteligencia artificial. Las empresas tecnológicas están recurriendo a libros físicos porque contienen grandes cantidades de lenguaje humano y porque algunos de esos contenidos no se encuentran fácilmente en Internet.

Una investigación de 404 Media ha seguido el recorrido de un envío de aproximadamente 1.000 libros usados y raros adquirido por Amazon y ha descubierto que el cargamento terminó en una instalación de la compañía en Las Vegas dedicada a la digitalización de libros. Para comprobar el destino, los periodistas colaboraron con un vendedor de libros usados y colocaron un Apple AirTag dentro de uno de los ejemplares. El dispositivo permitió seguir el libro mientras atravesaba distintos puntos de Estados Unidos hasta llegar finalmente a una instalación de Amazon. Allí, según la investigación, un equipo identificado como VGT3 recibe grandes cantidades de libros físicos, les corta el lomo, separa las páginas y las prepara para ser escaneadas rápidamente. El procedimiento destruye el ejemplar físico, que ya no puede ser reconstruido en su forma original. 

La operación tiene especial interés porque los libros impresos se han convertido en una fuente atractiva de datos para entrenar sistemas de inteligencia artificial. A diferencia de buena parte de los contenidos disponibles actualmente en Internet, los libros publicados antes de la expansión de la IA generativa contienen predominantemente textos creados por seres humanos y, por tanto, ofrecen a las empresas tecnológicas un corpus potencialmente valioso para entrenar modelos sin incorporar grandes cantidades de contenido generado artificialmente. Además, numerosos libros antiguos, académicos, técnicos o publicados en pequeñas tiradas no están disponibles en formato digital, por lo que la única manera de convertirlos en datos procesables por una IA puede ser adquirir físicamente los ejemplares y digitalizarlos. La investigación apunta a que Amazon está participando activamente en este proceso mediante la compra masiva de libros a través de canales comerciales. 

Uno de los aspectos más llamativos es que algunos de los ejemplares adquiridos son libros poco frecuentes o difíciles de encontrar, aunque esto no significa necesariamente que tengan un elevado valor económico en el mercado de segunda mano. En el caso investigado, 404 Media no ha revelado los títulos concretos, pero explica que el concepto de «raro» hace referencia a obras de las que quedan muy pocos ejemplares disponibles, incluidos libros publicados originalmente en tiradas reducidas o escritos en idiomas con pocos hablantes. Para los vendedores de libros usados, la destrucción de estos ejemplares plantea una preocupación que va más allá de su precio comercial: un libro puede tener poco valor económico y, al mismo tiempo, poseer un importante valor histórico, cultural o documental. La digitalización puede preservar su contenido, pero la desaparición del objeto físico supone una pérdida para coleccionistas, bibliotecas e investigadores interesados en la materialidad de la obra. 

Amazon no ha negado que compre libros con esta finalidad. Un portavoz de la compañía explicó a 404 Media que Amazon adquiere libros a través de canales comerciales para contribuir al desarrollo y mejora de sus productos y servicios. Sin embargo, la compañía no proporcionó detalles completos sobre la magnitud de estas operaciones ni sobre qué modelos concretos se entrenan con los materiales digitalizados. La investigación resulta especialmente significativa porque muestra una parte poco visible de la infraestructura de la IA: detrás de los grandes modelos lingüísticos no solo existen centros de datos, chips y enormes cantidades de información digital, sino también redes de adquisición, transporte, almacenamiento y digitalización de materiales físicos. El entrenamiento de la IA está generando así una nueva demanda de documentos que durante décadas habían permanecido exclusivamente en formato papel. 

Amazon no es la única empresa que estaría recurriendo a esta estrategia. El artículo recuerda que Anthropic adquirió millones de libros físicos para obtener datos de entrenamiento para Claude, utilizando también procesos de corte de los lomos, escaneado de las páginas y posterior eliminación de los originales. Esta práctica ha generado preocupación en el sector del libro usado porque introduce un nuevo competidor con una capacidad financiera enorme: empresas tecnológicas que pueden comprar grandes cantidades de ejemplares no necesariamente para leerlos o conservarlos, sino para transformarlos en datos digitales. La consecuencia potencial es que determinados libros escasos puedan desaparecer físicamente del mercado a medida que son adquiridos y destruidos para su digitalización. 

El fenómeno plantea además importantes cuestiones sobre derechos de autor y uso de obras protegidas para entrenar inteligencia artificial. Comprar legalmente un ejemplar físico no equivale necesariamente a tener libertad absoluta para copiar, digitalizar y utilizar su contenido con cualquier finalidad. Precisamente por ello, la utilización masiva de libros como corpus de entrenamiento se encuentra en el centro de numerosos debates jurídicos entre autores, editoriales y empresas tecnológicas. El caso resulta especialmente interesante porque la adquisición de ejemplares físicos puede constituir una forma de acceder a obras que no están disponibles digitalmente, pero el proceso posterior —cortar, escanear, almacenar y utilizar millones de páginas como datos de entrenamiento— abre preguntas diferentes sobre reproducción, transformación y explotación comercial. La digitalización de una colección también modifica radicalmente la escala: lo que una biblioteca puede hacer para preservar una obra y facilitar su consulta no es necesariamente equivalente a lo que una compañía puede hacer con millones de libros para desarrollar productos comerciales de IA. 

Para las bibliotecas y el patrimonio bibliográfico, el caso resulta particularmente relevante. Los libros que Amazon o Anthropic adquieren pueden ser precisamente aquellos que presentan dificultades para su preservación digital: ediciones agotadas, obras de pequeñas editoriales, publicaciones locales, literatura en lenguas minoritarias o documentos con escasa presencia en Internet. La paradoja es que la inteligencia artificial puede contribuir a rescatar y hacer accesible digitalmente una enorme cantidad de conocimiento, pero el método utilizado para conseguirlo puede destruir los originales físicos. Esto plantea una reflexión importante sobre el valor de la preservación: digitalizar un libro garantiza la supervivencia de su contenido textual, pero no necesariamente conserva su materialidad, su encuadernación, sus anotaciones, sus características editoriales o la información histórica que contiene el propio objeto. Para las bibliotecas patrimoniales, por tanto, el libro físico continúa teniendo un valor que no puede reducirse al texto que contiene. 

El resultado es una situación paradójica: la IA puede estar contribuyendo a digitalizar y preservar enormes cantidades de conocimiento, pero también puede provocar la desaparición física de ejemplares únicos o escasos. El caso de Amazon plantea así preguntas fundamentales para bibliotecas, editoriales y responsables de patrimonio: ¿qué libros deberían preservarse físicamente?, ¿quién decide qué ejemplares pueden destruirse?, ¿debe compensarse a autores y editores por el uso de estos materiales para entrenar IA? y ¿cómo garantizar que la digitalización para inteligencia artificial no termine convirtiéndose en una nueva forma de pérdida del patrimonio bibliográfico?