Amazon está comprando miles de libros para escanearlos y entrenar a sus modelos de inteligencia artificial mediante un proceso que conlleva la destrucción de los ejemplares, algunos de ellos con valor histórico.
Según una investigación publicada por 404 Media, el gigante tecnológico está utilizando una técnica anteriormente usada por Anthropic –compañía líder del sector de IA– que consiste en escanear libros página por página para que esa información termine nutriendo sus modelos de lenguaje.
Para descubrir esto, el equipo de investigación colocó un AirTag dentro de un lote de libros antiguos vendidos a través de Biblio, una plataforma especializada en libros raros o descatalogados. Según los datos de rastreo, el paquete viajó por avión y camión durante semanas hasta llegar a un almacén de Amazon en Las Vegas.
De acuerdo con el reporte, dentro de ese almacén opera un equipo denominado VGT3, cuyos integrantes tienen la tarea de recibir los libros físicos, cortarles el lomo y escanear su contenido página por página. Ese corte del encuadernado, que se hace para agilizar la digitalización de los libros, implica la destrucción del ejemplar original.
Todo este contenido va a parar al conjunto de datos que sirve para entrenar a la familia de modelos Nova de la compañía. Debido a que los grandes modelos de lenguaje ya se acabaron buena parte del texto que existe en internet, Amazon está buscando nuevas fuentes de información y por ello se enfoca en libros impresos antes de 2022, lo que garantiza que estén libres de contenido generado por IA.
Según la investigación, la compañía se centra en ciertas editoriales y libros descatalogados. Durante el último año, los vendedores notaron un repunte inusual en las ventas de libros antiguos, principalmente de compradores que los adquirían por lote y sin preguntar por el precio o el estado de los ejemplares.
Para su proceso de selección Amazon se basa en el código ISBN, un identificador único mediante el cual rastrea títulos del catálogo mundial de libros y filtra aquellos que son muy antiguos, ediciones raras o autoeditadas sin este registro. De esta manera se asegura que los autores no hayan usado ChatGPT para escribirlos, algo que pasa con muchos ejemplares publicados después de 2022 y genera una degradación progresiva de las respuestas de la IA.
Esta misma práctica ya desató una polémica para Anthropic, que fue demandada por autores por haber comprado libros físicos para digitalizarlos y entrenar a su familia de modelos Claude.
A raíz de esa demanda, un juez de Estados Unidos dictaminó que escanear y destruir libros comprados con el fin de entrenar a una IA podría considerarse como un “uso legítimo”. Al destruir el ejemplar físico, Anthropic no genera copias adicionales, por lo que no se considera una infracción directa a los derechos de autor.