IA “hambrienta” de datos puros: ¿Por qué las tecnológicas recurren a libros viejos?

La escasez de texto humano de alta calidad en internet y el peligro de entrenar modelos con contenido sintético, generado por la propia inteligencia artificial, están impulsando a empresas tecnológicas a adquirir y digitalizar masivamente libros físicos antiguos.

Mediante la iniciativa conocida como “Proyecto Panamá”, la firma Anthropic estructuró una operación para comprar volúmenes impresos, cortar sus lomos y procesar sus páginas en escáneres industriales de alta velocidad para nutrir sus modelos de lenguaje.

Comerciantes de libros usados y anticuarios en Europa y otras regiones comenzaron a registrar órdenes masivas e inusuales de títulos raros, descatalogados o académicos que no habían sido digitalizados previamente.

¿Por qué libros antiguos y no la web?

• Agotamiento de la red: Las bases de datos convencionales en internet (Wikipedia, foros, artículos digitales) ya han sido absorbidas casi por completo por los desarrolladores de IA.
• El peligro de la “endogamia digital”: La proliferación de texto creado por IA en la web amenaza con contaminar los futuros entrenamientos. Entrenar un modelo con datos sintéticos generados por otra IA puede provocar la degradación del sistema, simplificando el lenguaje y multiplicando errores en una espiral similar a “una serpiente que se come su propia cola”.
• Garantía de autoria humana: Los libros impresos y de fondo antiguo ofrecen material minuciosamente redactado y editado por seres humanos, totalmente exento de contaminación por contenido sintético.

Aunque la estrategia asegura datos no contaminados, el proceso destructivo implica enviar las páginas escaneadas al reciclaje.

Esto ha encendido alarmas entre conservadores y libreros sobre la eventual pérdida de ejemplares únicos y de “metadatos” físicos (anotaciones, encuadernaciones o marcas de propiedad) que el texto digital no logra preservar.