Latam Agotamiento de datos limpios impulsa la compra masiva de libros físicos para IA
Investigaciones revelan que Anthropic y otras tecnológicas adquieren millones de libros pre-2022 vía intermediarios para escaneo destructivo. El vacío legal y la contaminación por IA generativa impulsan una economía oculta que pone en riesgo el patrimonio bibliográfico latinoamericano.
Libreros de España, Estados Unidos y Canadá llevan meses detectando un patrón extraño: pedidos de cientos o miles de títulos descatalogados, sin sensibilidad al precio y con gastos de envío desproporcionados. La investigación de 404 Media, replicada por The Washington Post y El País, rastrea el hilo hasta almacenes logísticos como Trifinity en Wisconsin o PrepFort en Illinois, donde los libros son desguazados página a página para escanearlos a alta velocidad. El destino final: los servidores de Anthropic y otras empresas que entrenan modelos fundacionales.
El motivo técnico es preciso. Los modelos actuales han agotado el corpus público de internet y sufren contaminación por texto generado por IA —el llamado _model collapse_ o colapso del modelo, donde cada generación aprende de la basura de la anterior. Los libros impresos antes de 2022 garantizan lenguaje humano editado, estructurado y libre de ruido sintético. ISBNdb, base de datos con más de 111 millones de referencias, ha reorientado su modelo de negocio para ofrecer compras al por mayor a laboratorios de IA; un librero consultado por 404 Media pasó de vender 20 libros semanales a cientos desde abril.
La cadena de suministro está diseñada para la opacidad. La canadiense ZoomBooks actúa como compradora intermedia; operadores como PrepFort anuncian plazas para "escanear, catalogar y registrar datos con precisión y rapidez". Un AirTag escondido en un envío de casi 1.000 libros viajó desde California a un almacén de Amazon en Las Vegas (LAS8), confirman las pesquisas. Anthropic, según documentos judiciales filtrados en la demanda por derechos de autor, bautizó la operación como Project Panama: digitalización destructiva a escala industrial. Ars Technica calcula el costo en varios millones de euros.
El resquicio legal que habilita esta dinámica en Estados Unidos es la _first sale doctrine_ (doctrina de la primera venta): quien compra un ejemplar físico puede destruirlo sin autorización del titular de derechos de autor. La paradoja es que la misma industria que exige respeto a la propiedad intelectual sobre sus modelos se ampara en una figura del siglo XIX para vaciar de contenido los libros ajenos. The New York Times y ocho periódicos estadounidenses ya demandaron a OpenAI y Microsoft por uso no autorizado de sus archivos; el frente legal se ensancha mientras la extracción física acelera.
Para América Latina la exposición es asimétrica. El corpus en español —novelas, ensayos, crónicas, boletines locales, tesis universitarias— forma parte del mismo pool lingüístico que alimenta a los modelos globales, pero la región carece de marcos de depósito legal digital equivalentes a los europeos y de capacidad de negociación colectiva frente a intermediarios que operan desde Miami, Toronto o Madrid.
Las librerías de viejo de Buenos Aires, México DF o Bogotá reciben ya consultas por lotes de historia local, gastronomía regional o literatura marginal: exactamente el material "especializado, de escasa salida comercial y gran valor documental" que describen los libreros europeos. Si la demanda escala hacia fanzines, archivos vecinales o documentación de movimientos sociales —el siguiente escalón que advierte Marçal Font—, el vacío de protección se vuelve crítico.
La privatización del conocimiento que denuncia Patrícia Ventura (UAB) tiene en Latinoamérica un antecedente estructural: la investigación pública genera datos que luego son capturados sin contraprestación por modelos propietarios entrenados en el norte global. Mistral AI o iniciativas como LLM español de la Barcelona Supercomputing Center intentan revertir la asimetría, pero requieren acceso masivo a corpus limpios que ahora mismo están siendo comprados y destruidos por la competencia. El costo de oportunidad para un editor, una biblioteca nacional o un consorcio universitario latinoamericano no es solo económico: es la pérdida de soberanía sobre el registro cultural propio.
Mientras la industria debate si el siguiente salto vendrá de más datos o de mejor aprendizaje por refuerzo, la carrera extractiva ya reconfigura el mercado del libro físico. La pregunta para quien decide en la región no es teórica: ¿qué marco regulatorio, qué infraestructura de digitalización pública y qué acuerdos de licenciamiento colectivo se activan antes de que el próximo contenedor salga del puerto hacia un escáner que no devuelve nada?
