Los libros impresos, nueva fuente estratégica para entrenar modelos de inteligencia artificial

Durante años, el desarrollo de la inteligencia artificial se ha apoyado en la vasta cantidad de contenido disponible en internet. Páginas web, foros, artículos y enciclopedias digitales han sido la materia prima para entrenar los grandes modelos de lenguaje (LLM). Sin embargo, esta fuente empieza a mostrar signos de agotamiento y limitaciones, impulsando a las empresas tecnológicas a buscar alternativas.

El problema principal reside en la calidad del contenido en línea. Aunque internet ofrece una diversidad inigualable, también es un repositorio de textos breves, repetidos y, en ocasiones, poco revisados. A esta realidad se suma un desafío creciente: la proliferación de contenidos generados por IA. Un estudio de 2026 reveló que, a mediados de 2025, aproximadamente el 35% de las nuevas páginas web analizadas incluían textos producidos o modificados por inteligencia artificial.

Esta tendencia plantea una doble preocupación. Por un lado, dificulta discernir la autoría humana del contenido. Por otro, y de manera más crítica, entrenar sucesivas generaciones de modelos de IA con material generado por modelos anteriores puede llevar a una degradación progresiva de los resultados, un fenómeno conocido como "colapso del modelo", como ya indicó una investigación publicada en Nature en 2024.

En este contexto, los libros impresos, especialmente aquellos publicados antes de la expansión de la IA generativa, han adquirido un valor estratégico renovado. Ofrecen contenido extenso, estructurado y, en la mayoría de los casos, sometido a procesos profesionales de edición y corrección. Además, su autoría humana es una garantía de originalidad y coherencia.

La estrategia de adquisición masiva de libros no es un secreto bien guardado. A principios de 2026, una investigación del Washington Post, basada en documentos judiciales, expuso el "Project Panama" de Anthropic, la empresa responsable del asistente Claude. Este proyecto, iniciado en 2024, implicaba la compra a gran escala de libros impresos. Los ejemplares eran digitalizados, a menudo mediante el corte y escaneo de sus páginas, para luego ser reciclados, priorizando el contenido sobre el objeto físico.

Anthropic no es la única compañía bajo escrutinio. En mayo de 2026, cinco grandes editoriales estadounidenses y el escritor Scott Turow demandaron a Meta y Mark Zuckerberg, acusándolos de utilizar millones de libros y artículos obtenidos de repositorios piratas para entrenar su modelo Llama. Otros litigios similares apuntan a una tendencia clara en la industria.

La implicación de esta nueva carrera por los datos es profunda. Los libros se transforman de objetos culturales a conjuntos de datos de alto valor. Esta revalorización se ha reflejado en el mercado, con libreros de España, Alemania, Australia y Nueva Zelanda alertando desde la primavera de 2026 sobre patrones de compra masiva y poco habituales por parte de empresas como la canadiense Zoom Books, especializada en la venta de libros de segunda mano. Sus adquisiciones se centran a menudo en obras antiguas, descatalogadas o no disponibles en formato digital, aunque la empresa niega su uso para entrenamiento de IA.

La digitalización masiva de este patrimonio cultural plantea dilemas importantes. Si bien muchos libros tienen miles de copias, otros son ejemplares únicos, descatalogados o de tiradas limitadas. La destrucción del formato físico, una vez extraído su contenido, puede significar la pérdida de acceso a esos conocimientos para futuras generaciones. Además, la selección de qué libros se digitalizan y, por tanto, qué voces y perspectivas se incorporan a los modelos de IA, puede reforzar sesgos preexistentes relacionados con la lengua, el origen geográfico o el tipo de conocimiento.

Finalmente, la cuestión de los derechos de autor emerge con fuerza. Escritores y editoriales cuestionan el uso de sus obras con fines comerciales sin permiso ni compensación. La nueva normativa europea sobre inteligencia artificial intenta abordar parte de este desafío, exigiendo mayor transparencia a las empresas sobre los contenidos utilizados para el entrenamiento y la adopción de medidas que respeten la legislación de derechos de autor. La transformación digital de nuestro patrimonio librario nos obliga a reflexionar sobre qué se conserva, qué se pierde y qué impacto tendrá en el conocimiento que las futuras inteligencias artificiales puedan ofrecer.