Anthropic gastó decenas de millones de dólares en comprar libros usados, cortarles el lomo, escanearlos página por página y, finalmente, convertir el papel en pulpa. La parte más emotiva de esta historia es la «destrucción de libros», pero el debate no se limita a si los ejemplares fueron destruidos.
La pregunta más importante es por qué una empresa que entrena grandes modelos preferiría construir una costosa cadena de procesamiento de libros físicos en lugar de comprar ebooks o firmar acuerdos de licencia con editoriales. Este enfoque, conocido como Project Panama, concentra los conflictos entre los datos de entrenamiento de IA, los derechos editoriales tradicionales, las licencias de contenido digital y la destilación de modelos.
Puede parecer absurdo, pero responde a una lógica empresarial y jurídica muy concreta.
¿Qué hizo Project Panama?
Según los materiales filtrados, el proyecto comenzó en 2024. Anthropic compró libros usados al por mayor y los entregó a una empresa especializada en digitalización.
Una vez que un libro entra en la cadena de montaje, generalmente pasa por cuatro pasos:
- Cortar el lomo con una guillotina hidráulica.
- Separar el libro en hojas sueltas aptas para la alimentación automática.
- Digitalizar las páginas con un escáner dúplex de alta velocidad.
- Tras escanear, el papel se envía a reciclaje y se convierte en pulpa.
Los escáneres de alta velocidad pueden procesar decenas o incluso cientos de páginas por minuto. Cuando el alcance objetivo de operaciones se amplía de cientos de libros a cientos de miles o incluso millones, cortar el lomo es casi la única forma de mantener el rendimiento.
Los materiales indican que el proyecto procesó una cantidad enorme de libros impresos en unos seis meses. No se trataba de unas pocas personas pasando páginas y tomando fotografías, sino de un flujo industrial que conectaba compra, transporte, desmontaje, escaneo, reconocimiento óptico de caracteres, almacenamiento y eliminación.
¿Por qué hay que cortar el lomo?
La primera reacción de muchas personas es: escanear es comprensible, ¿por qué destruir el libro? La respuesta viene primero de la eficiencia.
Un libro encuadernado no puede pasar por el alimentador automático de un escáner. Para conservar la encuadernación, un operario debe pasar cada página y capturarla con un escáner plano, una cámara o un equipo especializado.
Este enfoque tiene principalmente cuatro problemas:
- La velocidad de pasar página es lenta y los costes de mano de obra son altos.
- Si las páginas están dobladas, las posiciones cerca de la línea de encuadernación son propensas a deformarse.
- Los libros gruesos son difíciles de aplanar y la precisión del reconocimiento de texto disminuye.
- La exposición prolongada a fuentes de luz de escaneo y el paso repetido de páginas aumenta la carga física para los operadores.
Tras cortar el lomo, el libro se convierte en una pila de hojas de tamaño uniforme. Esas hojas pueden alimentarse de forma continua y escanearse por ambas caras a gran velocidad.
Para quienes de vez en cuando escanean un libro, preservar el original no es difícil. Pero para proyectos que necesitan gestionar millones de libros durante meses, dedicar unos minutos extra a cada libro puede acabar siendo un coste insoportable.
Por tanto, cortar los libros no busca crear dramatismo: es una decisión motivada por la velocidad y la fiabilidad que exige un proceso industrial.
¿Puede restaurarse un libro después de cortarlo?
Cortar el lomo no implica necesariamente desechar el libro. En algunos proyectos de digitalización de bibliotecas, las páginas se vuelven a encuadernar después del escaneo.
Los libros restaurados suelen quedar uno o dos milímetros más estrechos que el original y quizá sea necesario rehacer la tapa dura, pero el texto sigue siendo utilizable. «Escanear y destruir» no es una consecuencia impuesta por el equipo, sino una forma de eliminación elegida por los responsables del proyecto.
Este es también el punto de partida de la controversia. Si los libros pueden reencuadernarse, ¿por qué no conservarlos, donarlos o guardarlos en la biblioteca?
La respuesta implica no solo los costes de almacenamiento, sino también riesgos legales respecto a si existen simultáneamente copias digitales y originales físicos.
¿Por qué es difícil usar el escaneo de libros sin desmontarlos?
Las técnicas de escaneo que preservan libros originales siempre han existido. Los métodos comunes incluyen:
- Coloca el libro en un escáner plano y escanea página por página.
- Se utiliza una plataforma de escaneo de libros con superficie inclinada para reducir la presión sobre el lomo.
- Usa la cámara de arriba para hacer fotos de las dos páginas desplegadas.
- Levanta y escanea automáticamente las páginas usando un dispositivo de aspiración para girar páginas.
Estos equipos son adecuados para archivos, libros antiguos, ejemplares raros y colecciones que no pueden dañarse. El problema no es que resulten inviables, sino su velocidad y su coste.
El cambio manual página por página reduce significativamente el volumen de procesamiento. Los dispositivos automáticos de pasado de páginas tienen estructuras complejas y son sensibles al grosor del papel, la electricidad estática, daños y adherencia.
Para libros antiguos, con papel frágil o con diseños especiales, sigue siendo necesaria intervención manual. Si el objetivo es proteger una pequeña cantidad de materiales valiosos, estos costes son totalmente razonables.
Si el objetivo es preparar millones de publicaciones corrientes para entrenar modelos, estos métodos difícilmente compiten con un proceso de corte y alimentación de alta velocidad.
Google Books ofrece otro punto de comparación
El escaneo de libros a gran escala no es un fenómeno nuevo tras la aparición de la IA generativa. Google se asoció pronto con bibliotecas y editoriales para digitalizar enormes colecciones.
Estos proyectos también enfrentan problemas como la velocidad de escaneo, la estructura de la encuadernación, el reconocimiento de texto y los límites de derechos de autor. La diferencia es que los proyectos tradicionales de búsqueda de libros suelen diseñar límites de derechos en torno a la “recuperación” y la “visualización de fragmentos”.
Los libros de dominio público pueden mostrarse y utilizarse de forma más completa. Los que siguen protegidos por derechos de autor suelen limitarse a breves fragmentos y dirigir al usuario hacia opciones de compra o préstamo.
Este modelo es fácil de explicar a las editoriales: los servicios digitales ayudan a los lectores a descubrir libros y no sustituyen la venta de libros enteros.
El entrenamiento de modelos es diferente. El proceso de entrenamiento no presenta simplemente un libro como resultado de búsqueda, sino que absorbe el lenguaje, los hechos, la estructura y los patrones de expresión del libro en los parámetros del modelo.
A los editores les resulta difícil medir este uso por el tradicional “número de copias vendidas”.
La controversia no se limita solo a “si compraste el libro”.
En disputas sobre datos de entrenamiento, la fuente del libro físico es muy importante. Descargar un libro electrónico directamente de una web pirateada no es lo mismo que comprar un libro físico en el mercado de segunda mano.
La primera se enfrenta primero a la cuestión de si la fuente es legítima. La segunda completa al menos una transacción genuina de bienes físicos.
Por eso también “comprar libros antiguos” es el primer paso en una solución completa. Las empresas de IA pueden afirmar que obtienen un libro físico comprado legalmente y escanear y procesar los artículos que poseen.
Pero esto no resuelve automáticamente todas las disputas. Si comprar un libro físico otorga el derecho a entrenar el modelo, si la formación constituye un uso transformador y si el modelo reproducirá contenido protegido pueden ser cuestiones independientes.
Por tanto, comprar el libro no exime de responsabilidad en cualquier situación. Simplemente facilita demostrar una procedencia legítima frente al uso directo de copias electrónicas de origen desconocido.
Por qué destruir los originales tras escanearlo es crucial
El paso más contraintuitivo en este enfoque es precisamente destruir el libro original. Desde la perspectiva de la lógica tradicional de derechos de autor, los titulares de derechos son más sensibles a la copia y difusión no autorizadas.
Si un libro en papel se digitaliza en una copia digital mientras el libro original aún existe, la situación aparente cambia de “uno” a “dos”. Si el original se destruye posteriormente, el equipo del proyecto puede enfatizar:
- El libro original fue adquirido legalmente.
- La digitalización sirve para el análisis interno o el entrenamiento de modelos.
- Los originales físicos ya no circularán.
- La copia digital completa no se revendió como libro electrónico.
Este acuerdo intenta describir el acto como una conversión de medio, en lugar de crear una copia adicional independiente en circulación. Si constituye uso legítimo sigue dependiendo del caso específico, el uso, el impacto en el mercado y las limitaciones de producción.
Diferentes jurisdicciones también pueden llegar a conclusiones distintas. Así que una afirmación más precisa es: destruir los originales ayuda a construir argumentos legales, pero no significa que todas las operaciones similares sean inherentemente legales.
¿Por qué no comprar directamente a la editorial los derechos de entrenamiento?
Dado que digitalizar libros en papel es tan problemático, la solución más natural parece ser comprar directamente los documentos electrónicos de la editorial. El principal obstáculo práctico no es la tecnología, sino el precio.
El modelo de negocio que conocen las editoriales consiste en vender ejemplares. Después de una venta, pueden pagar al autor las regalías previstas en el contrato.
Pero entrenar un modelo no equivale a una lectura convencional ni a vender un ejemplar a un lector. Las editoriales deben responder a una serie de preguntas que todavía no tienen una solución estable:
- ¿Una sesión de entrenamiento debería valorarse como uno, cientos o miles de ejemplares?
- ¿Cuánto potencial de ventas reducirá el modelo tras dominar el conocimiento del libro?
- Si el mismo libro se usa para preentrenamiento, ajuste fino y evaluación, ¿deberían cobrarse tarifas separadas?
- ¿Requieren las actualizaciones de modelos y el entrenamiento repetido de reautorización?
- ¿Cómo distribuyen los ingresos, autores, editoriales y plataformas de distribución digital?
- Cuando el modelo solo aprende reglas universales del lenguaje, ¿dónde están los límites de los derechos?
Las empresas de IA también son reacias a aceptar un estándar fijo muy alto demasiado pronto. Una vez que cierto precio se convierte en norma del sector, el coste de formar millones de libros puede dispararse rápidamente.
Cuando ninguna parte acepta la fórmula de precios de la otra, comprar libros usados y digitalizarlos internamente se convierte en una alternativa de costes previsibles y proceso controlable.
¿Por qué libros usados y antiguos?
Comprar libros antiguos no es solo porque el precio sea bajo. Para los datos de entrenamiento, la fecha de publicación en sí también es valiosa.
Los libros publicados antes de 2022 se formaron en gran medida antes de que el contenido generativo de IA llegara a internet a gran escala. Estos textos fueron escritos, editados, corregidos y publicados formalmente por autores, con fuentes y fechas generalmente confirmadas mediante ISBN y otra información.
En comparación con textos web con fuentes mixtas, las publicaciones formales suelen tener varias características:
- Su estructura de formato largo está completa.
- El lenguaje ha sido editado.
- Los temas profesionales son más enfocados.
- La fecha de publicación es rastreable.
- Es menos probable que contengan material generado por IA.
Esto convierte a los libros antiguos en un corpus de alta densidad con límites claros. La importancia de las bases de datos ISBN radica en su capacidad para ayudar a los compradores a organizar bibliografías por autor, tema, edición y año de publicación.
Para las empresas que necesitan comprar sistemáticamente datos de entrenamiento, esto es mucho más eficiente que buscar libros individualmente en plataformas de segunda mano.
¿Qué significa “contaminación de contenido generada por IA”?
Si el modelo se entrena continuamente sobre texto generado por otros modelos, la distribución de datos puede reducirse gradualmente. Los errores, clichés y sesgos estadísticos también pueden amplificarse repetidamente.
En las discusiones de investigación, “colapso del modelo” se usa a menudo para describir estos riesgos, pero no significa “mientras se mezcle texto de IA, el modelo definitivamente fracasará.” El impacto real depende de:
- La proporción de contenido generado por IA en el conjunto de entrenamiento.
- Si los datos han sido filtrados y deduplicados.
- Si todavía existen muestras suficientemente diversas de la creación humana.
- Cómo diseñar objetivos de formación y proporciones de datos.
- Si los datos sintéticos han sido verificados y corregidos.
El valor de los libros antiguos no reside en ninguna cualidad misteriosa. Proporcionan un conjunto de textos humanos con fecha clara y menos influidos por la IA generativa.
A medida que el contenido de IA en la web pública aumente, estos corpus rastreables serán cada vez más escasos.
Del libro impreso al ebook: han cambiado los derechos obtenidos al comprar
Las reglas de los libros impresos son relativamente sencillas. Después de comprar uno, el lector puede leerlo, coleccionarlo, revenderlo, regalarlo o incluso usarlo para calzar una mesa.
Las restricciones suelen centrarse en la copia no autorizada y la difusión pública. Los libros electrónicos han cambiado esta relación.
Tras pagar las tasas, los usuarios a menudo no reciben la propiedad total del documento, sino una licencia de lectura restringida por los términos de la plataforma. Los libros electrónicos pueden restringir el número de dispositivos, periodos de préstamo, alcance de copia y formatos de archivo.
En ciertos casos, las plataformas incluso pueden retirar el contenido. En la superficie, todo gira en torno a “comprar libros”, pero el control real que obtienen los compradores de libros impresos y los usuarios de libros electrónicos no es el mismo.
Esto también explica un fenómeno aparentemente extraño: las empresas de IA pueden no tener un acceso más flexible a documentos electrónicos directamente que comprar libros antiguos físicos.
Los documentos electrónicos son más cómodos, pero a menudo vienen con restricciones contractuales más claras.
Las grandes empresas de modelos también están restringiendo a otros para que no “aprendan de sí mismos”.
Esta controversia también presenta una simetría clara. Las empresas de IA quieren utilizar ampliamente obras creadas por personas para entrenar modelos, pero suelen prohibir que otras compañías llamen masivamente a sus modelos para destilarlos.
Los usuarios ordinarios pagan a modelos de pago por uso y generalmente no se encuentran con problemas. Pero si alguien registra un gran número de cuentas, hace continuamente una avalancha de preguntas y entrena modelos competidores con respuestas, la plataforma suele considerarlos como violadores de los términos de servicio.
La lógica de negocio subyacente es muy similar a las preocupaciones de los editores:
- Las editoriales temen que los modelos absorban libros y reduzcan sus ventas.
- Las empresas de modelos temen que sus competidores destilen esas capacidades y reduzcan sus ingresos por API.
- Ambas partes intentan evitar que los usuarios que pagan conviertan una sola compra en un producto nuevo que pueda reemplazarlos a sí mismos.
La diferencia es que los sistemas tradicionales de derechos de autor se construyen alrededor de las copias de una obra, mientras que las capacidades de un modelo son difíciles de vincular a una copia concreta. A la era de la IA le falta un marco maduro para expresar cuánto aprendió una máquina, qué sustituyó y cuánto debería pagarse.
Por qué los proyectos deben mantenerse confidenciales
Desde una perspectiva empresarial, la adquisición a gran escala de bibliografías, capacidades de escaneo, recetas de datos y costes se encuentran dentro de la información competitiva. Pero los secretos comerciales por sí solos no son suficientes para explicar la sensibilidad de este asunto.
Los libros destruidos llevan un fuerte simbolismo cultural. Un libro antiguo y corriente puede valer solo unos pocos dólares en el mercado, pero la gente sigue creyendo que lleva el trabajo del autor, la memoria personal y el conocimiento público.
Cuando «comprar, cortar, escanear y convertir en pulpa» se resume en una sola frase, resulta fácil presentar a la empresa como destructora sistemática de cultura humana para entrenar máquinas. Esa percepción puede ser incompleta, pero se propaga con facilidad.
Aunque el equipo del proyecto crea que el proceso tiene base legal, se dan cuenta de que es difícil obtener una aprobación pública intuitiva. Esto conduce a una situación en la que “se puede hacer, pero no es adecuado para ser discutido públicamente.”
La confidencialidad en sí profundiza aún más la sospecha, ya que hace que los externos crean que las empresas son conscientes de cuestiones éticas.
No se deben confundir los libros antiguos ordinarios y los raros
Al hablar de la “destrucción de libros”, también es necesario distinguir el estado real de los libros. Los libros antiguos ordinarios que circulan extensamente, tienen múltiples colecciones y copias digitales no son lo mismo que las ediciones raras, libros descatalogados, ediciones firmadas y documentos locales.
Una vez desmantelado el primero, la pérdida cultural suele ser limitada. Una vez destruido el segundo, puede resultar en una pérdida de información irrecuperable.
Un proceso responsable de adquisición y escaneo debería al menos establecer las siguientes evaluaciones:
- Si hay varias colecciones accesibles.
- Si se trata de una publicación descatalogada o de tirada reducida.
- Si contiene información única, como firmas, anotaciones o exlibris.
- Si posee valor para la historia local, familiar o archivística.
- Si puede reencuadernarse después del escaneo o transferirse a una institución de conservación.
“Compra legal” solo indica la fuente de propiedad y no puede sustituir el juicio sobre materiales culturales escasos. Si los libros raros también se enviaran indiscriminadamente a procesos de trituración y trituración, la controversia dejaría de ser solo un asunto emocional.
¿Qué revela realmente esta controversia?
Project Panama no es una simple historia empresarial insólita. Expone tres fracturas de la industria de contenidos en la era de la IA.
Primero, los derechos de autor tradicionales se centran en el número de copias, mientras que el entrenamiento de modelos se ocupa de la absorción de información. Entrenar un modelo con un libro no crea otro volumen idéntico, pero aun así puede afectar al valor de mercado de la obra original.
En segundo lugar, los sistemas de licencias de las editoriales siguen centrados en las ventas y la lectura. Aún no han establecido un método de fijación de precios de licencias de entrenamiento aceptado conjuntamente por autores, editoriales y empresas de IA.
En tercer lugar, las empresas de IA adoptan posturas distintas ante el contenido externo y sus propios modelos. Destacan el carácter transformador del entrenamiento mientras utilizan sus condiciones de servicio para impedir que otros destilen sus resultados.
Estos tres tipos de contradicciones no desaparecerán automáticamente con una demanda o un acuerdo. Mientras el texto humano de alta calidad siga siendo un ingrediente clave para los modelos, seguirán surgiendo disputas similares sobre adquisiciones, autorizaciones y fuentes de datos.
Resumen
El proceso de comprar libros usados, cortarlos, escanearlos y destruirlos resulta incómodo de contemplar. Pero su objetivo no es solo ahorrar tiempo de escaneo.
Comprar libros físicos ayuda a demostrar una procedencia legítima; cortar los lomos aumenta el rendimiento industrial; destruir los originales refuerza el argumento de que se cambia el soporte en vez de crear copias adicionales; y elegir libros antiguos equilibra el coste con la demanda de datos menos contaminados por contenido de IA. Todo el proceso muestra lo mal que encajan las reglas de la era impresa con el entrenamiento de modelos.
El comercio de libros en papel se centra en “quién es el dueño de este libro”, la licencia de libros electrónicos se centra en “cómo los usuarios pueden leerlo” y las preguntas de entrenamiento de modelos “¿pueden aprender las máquinas y qué reemplaza tras aprender?” Hasta que maduren nuevos mecanismos de autorización y asignación, las empresas de IA seguirán buscando vías viables dentro de las reglas existentes.
Lo que realmente debe abordarse no es simplemente etiquetar la “destrucción de libros” como legal o ilegal, sino establecer un conjunto de normas que puedan medir simultáneamente los derechos de los autores, los mercados editoriales, la innovación tecnológica y la preservación cultural.