Maimann, K. (2026, 5 de noviembre). University libraries are being swarmed by AI bots, putting public access at risk. CBC News. https://www.cbc.ca/news/world/university-libraries-ai-data-scraping-bots-9.7408287

Se aborda un problema creciente para las bibliotecas universitarias, los archivos, los museos y otras instituciones de patrimonio cultural: la proliferación de bots automatizados que rastrean y descargan masivamente sus colecciones digitales para obtener datos destinados, entre otros fines, al entrenamiento de modelos de inteligencia artificial generativa. La investigación alerta de que este fenómeno está poniendo en peligro uno de los principios fundamentales de las bibliotecas: garantizar el acceso público, libre y equitativo a la información. Los sistemas automatizados realizan solicitudes masivas y repetitivas a los servidores institucionales, provocando ralentizaciones, interrupciones del servicio e incluso la caída temporal de catálogos y repositorios. Como consecuencia, estudiantes, investigadores y ciudadanos pueden encontrarse con dificultades para consultar documentos que deberían estar disponibles de manera abierta.

Las bibliotecas universitarias se han convertido en objetivos especialmente atractivos para las empresas tecnológicas y los sistemas automatizados de recopilación de información. Sus repositorios contienen documentos académicos, históricos, gubernamentales y culturales de gran calidad, seleccionados, organizados y descritos profesionalmente. Además, una parte importante de estos materiales se encuentra disponible sin necesidad de suscripción, pago o autenticación. Esta combinación de calidad documental y acceso abierto convierte a las instituciones bibliotecarias en fuentes de información muy valiosas para alimentar modelos de lenguaje de gran tamaño (LLM).

El problema no es necesariamente que los contenidos sean consultados por sistemas de inteligencia artificial, sino la manera en que se realiza esa consulta. Los bots pueden efectuar miles de peticiones en muy poco tiempo, descargar documentos en diferentes formatos y repetir operaciones sin respetar la capacidad técnica de los servidores ni las instrucciones establecidas por las instituciones.

Jill Strykowski, responsable de catalogación y documentos gubernamentales de la Universidad Estatal de San José, explica que las instituciones están recibiendo auténticas avalanchas de solicitudes automatizadas que intentan apropiarse de la mayor cantidad posible de materiales.

El fenómeno no constituye un incidente aislado. Según el artículo, las primeras denuncias documentadas comenzaron a aparecer a finales de 2024 en instituciones de Norteamérica, Europa y Oceanía, y la situación se ha agravado progresivamente.

Dean Seeman, director de colecciones e infraestructura digital de las bibliotecas de la Universidad de Victoria, advierte de que el tráfico generado por estos sistemas puede llegar a provocar la caída completa de determinados servicios durante periodos de tiempo. Esto plantea un problema especialmente preocupante: los usuarios humanos deben competir por los recursos informáticos con sistemas automatizados capaces de generar un volumen prácticamente ilimitado de solicitudes.

Peter Lewis, investigador y titular de una cátedra de investigación de Canadá en inteligencia artificial fiable en Ontario Tech University, considera que esta situación refleja una relación desequilibrada entre las grandes empresas privadas y las instituciones públicas. Las primeras aprovechan los recursos informativos generados y mantenidos por las segundas para desarrollar productos comerciales que posteriormente pueden vender a los propios ciudadanos y organizaciones.

Se produce así una paradoja: las instituciones que trabajan para democratizar el conocimiento terminan soportando los costes técnicos y económicos de facilitar datos a empresas que obtienen beneficios comerciales de ellos.

Uno de los aspectos más interesantes del artículo es la distinción entre los bots legítimos y los sistemas de extracción masiva que perjudican el funcionamiento de los servicios digitales. Eric Hellman, director ejecutivo de Project Gutenberg, organización estadounidense dedicada a digitalizar, preservar y distribuir libros electrónicos, explica que existen bots que cumplen una función positiva para el ecosistema de Internet. Es el caso de los rastreadores de buscadores como Google o de los sistemas utilizados por Internet Archive para recopilar y preservar contenidos digitales.

Estos sistemas suelen respetar las instrucciones establecidas en los archivos robots.txt, mediante los cuales los responsables de los sitios web indican qué partes pueden rastrearse y bajo qué condiciones. Sin embargo, determinados bots utilizados para recopilar datos destinados a la inteligencia artificial ignoran estas indicaciones o no están programados para gestionar adecuadamente sus solicitudes. En algunos casos llegan a realizar miles de peticiones por segundo, descargando documentos en todos los formatos disponibles y generando una carga desproporcionada sobre los servidores.

Hellman advierte de que este comportamiento está deteriorando las condiciones que hacen posible el acceso abierto a la información. El problema no es la utilización de los documentos para entrenar sistemas de IA, sino hacerlo de manera irresponsable, sin respetar las infraestructuras que permiten que esos materiales estén disponibles para todos. Su planteamiento resulta especialmente significativo en el caso de Project Gutenberg: la organización está dispuesta a facilitar sus colecciones de dominio público para entrenar modelos de inteligencia artificial e incluso ofrece la descarga completa de su biblioteca en un solo paso. Lo que reclama es que las empresas utilicen esos mecanismos de acceso en lugar de someter sus servidores a operaciones masivas e indiscriminadas.

El artículo recoge un caso especialmente revelador ocurrido en la Universidad de Carolina del Norte en Chapel Hill. La institución comunicó que había recibido más de 11.000 búsquedas relacionadas con música finlandesa durante un solo día, procedentes de miles de direcciones de Internet diferentes. El volumen de consultas provocó que el catálogo de la biblioteca bloqueara periódicamente el acceso a estudiantes, profesores y personal universitario. Este episodio ilustra la dimensión del problema: una actividad que aparentemente consiste en consultar información puede convertirse en una operación de extracción automatizada capaz de inutilizar temporalmente un servicio bibliotecario.

Además, la utilización de miles de direcciones IP dificulta considerablemente la identificación de los responsables. Las soluciones tradicionales basadas en bloquear una dirección concreta pierden eficacia cuando las solicitudes proceden de redes distribuidas o granjas de bots.

Ante esta situación, algunas bibliotecas han comenzado a implantar mecanismos para limitar el tráfico automatizado. Entre las medidas adoptadas destacan:

• CAPTCHA: sistemas que solicitan al visitante demostrar que es una persona y no un programa automatizado.
• Restricciones de acceso: limitaciones del número de consultas que pueden realizarse en un periodo determinado.
• Autenticación obligatoria: exigencia de credenciales o identificación para consultar determinados recursos.
• Bloqueo de direcciones IP: identificación y restricción de conexiones consideradas sospechosas.
• Regulación del rastreo: instrucciones técnicas para indicar a los sistemas automatizados qué contenidos pueden consultar y cómo deben hacerlo.

El artículo plantea así un dilema: proteger los recursos digitales frente a la extracción abusiva sin perjudicar a los usuarios humanos ni restringir el acceso legítimo a la información.