Archivo de la etiqueta: Entrenamiento

Amazon escanea y destruye libros para entrenar sistemas de inteligencia artificial

Workers process books at scanners and a shredder labeled in Spanish for recycling.

Maiberg, Emanuel. “Inside the Warehouse Where Amazon Scans and Destroys Books for AI Training”. 404 Media, 26 de agosto de 2026. Artículo original en 404 Media

A partir del testimonio anónimo de un empleado de Amazon, una mirada al funcionamiento interno de VGT3, una instalación situada en Las Vegas donde se procesan libros destinados, según la investigación de 404 Media, a la obtención de datos para el entrenamiento de sistemas de inteligencia artificial.

El reportaje describe un procedimiento especialmente llamativo: los libros llegan al almacén, son registrados y clasificados, se les corta mecánicamente el lomo para separar las páginas y estas se introducen posteriormente en escáneres de alta velocidad. Una vez digitalizado el contenido, las páginas quedan mezcladas en grandes contenedores, de modo que los ejemplares físicos no pueden volver a reconstruirse.

El empleado entrevistado señala que había al menos 20 o 25 escáneres, capaces de pasar rápidamente las páginas y mostrar en pantalla las imágenes digitalizadas. El proceso incluía libros nuevos y usados, ejemplares procedentes de bibliotecas y materiales procedentes de distintos países. Entre ellos había publicaciones en alemán, ruso y japonés, además de documentos procedentes del Reino Unido y materiales que parecían documentos gubernamentales. El testimonio destaca especialmente la presencia de libros potencialmente raros o difíciles de conseguir.

Uno de los aspectos más relevantes es la destrucción física de los libros después de su digitalización. El trabajador describe cómo, tras cortar los lomos y escanear las páginas, estas son arrojadas a grandes contenedores junto con otros materiales. También explica que determinados ejemplares considerados duplicados o innecesarios eran depositados en estos recipientes. Según el relato, el procedimiento era poco organizado y cambiaba con frecuencia, lo que dificultaba incluso que los propios trabajadores conocieran con exactitud el destino final de todos los libros.

El reportaje plantea así una cuestión especialmente importante para bibliotecas, patrimonio bibliográfico y derechos de autor: la transformación de libros físicos en datos para inteligencia artificial puede implicar no solo su digitalización, sino también la desaparición del ejemplar material. El trabajador entrevistado expresa precisamente su preocupación por que libros raros o valiosos dejen de estar disponibles para otros lectores e investigadores, señalando que existe una diferencia significativa entre digitalizar un libro y destruir el soporte físico una vez obtenido su contenido.

En conjunto, el artículo presenta un ejemplo especialmente gráfico de la nueva economía de los datos para la IA, en la que libros y colecciones documentales pueden convertirse en materia prima para entrenar modelos. Más allá de Amazon, el caso abre debates sobre copyright, licencias, preservación, reutilización de colecciones, digitalización masiva y límites éticos de la extracción de conocimiento de los libros para alimentar sistemas de inteligencia artificial.

Entrenar modelos de IA con libros protegidos por copyright: una cuestión legal todavía abierta

Amanda Silberling, “Is it legal to train AI models on copyrighted books? It’s complicated”, TechCrunch, 23 de agosto de 2026. Artículo original en TechCrunch

Los modelos de inteligencia artificial generativa como ChatGPT, Gemini o Claude se entrenan con enormes cantidades de información procedente de libros, artículos, trabajos académicos y contenidos disponibles en Internet. Esto ha provocado un conflicto creciente con autores y titulares de derechos, que cuestionan que sus obras puedan utilizarse para entrenar sistemas de IA sin su conocimiento o autorización. Sin embargo, la cuestión jurídica es mucho más compleja de lo que parece, porque las actuales leyes de copyright fueron concebidas mucho antes de la aparición de la inteligencia artificial generativa.

Uno de los casos más relevantes es el de Anthropic, que llegó a un acuerdo por 1.500 millones de dólares con un grupo de escritores cuyas obras habían sido utilizadas para entrenar sus modelos. No obstante, el juez William Alsup había considerado que el entrenamiento de la IA con obras protegidas podía ser legal. Lo que sancionó fue que Anthropic hubiera obtenido algunos de esos libros mediante bibliotecas clandestinas ilegales. El razonamiento establece una diferencia fundamental entre utilizar una obra para entrenar un modelo y obtenerla de manera ilícita.

El debate se centra en buena medida en la doctrina estadounidense del fair use (uso legítimo), que permite determinadas utilizaciones de obras protegidas sin autorización. Los tribunales valoran factores como la finalidad del uso, su carácter transformador, la cantidad de material utilizado y el efecto sobre el mercado de la obra original. En este contexto, algunos jueces consideran que entrenar un modelo para generar algo nuevo puede ser una utilización transformadora, mientras que existe mayor riesgo cuando la IA se utiliza para crear un producto que compite directamente con el material protegido.

El caso Thomson Reuters contra Ross Intelligence muestra precisamente esa diferencia. Un tribunal consideró que Ross había utilizado contenidos de Reuters para desarrollar una plataforma jurídica de IA que competía directamente con el producto original, por lo que no podía acogerse al fair use. Esta resolución contrasta con el enfoque aplicado al entrenamiento de modelos de propósito general y demuestra que los tribunales todavía están construyendo, caso por caso, los criterios que determinarán qué usos de materiales protegidos son legítimos.

El artículo destaca además que no existe todavía una respuesta jurídica definitiva. Las diferentes demandas contra empresas de IA siguen abiertas y las decisiones iniciales podrían ser modificadas por tribunales superiores. La legislación estadounidense sobre copyright procede esencialmente de una época anterior a Internet y, por supuesto, a la IA generativa. Por ello, las próximas resoluciones judiciales tendrán una importancia decisiva para determinar cómo pueden utilizarse libros, artículos y otras obras protegidas para entrenar modelos de inteligencia artificial y quién debe asumir los costes de ese uso.

Amazon está comprando libros raros para escanearlos y utilizarlos en el entrenamiento de IA

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?

¿De qué se alimentan los grandes modelos de IA? Libros, web, redes sociales y artículos científicos en la carrera por entrenar los LLM

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

ModeloFuente 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.