Amazon está adquiriendo grandes cantidades de libros raros y descatalogados con un único objetivo: escanearlos para nutrir a sus modelos de inteligencia artificial. Así lo ha revelado una investigación de 404 Media, que documenta cómo el gigante tecnológico ha adoptado una técnica ya utilizada previamente por Anthropic para alimentar de textos sus grandes modelos de IA.
Para llegar a esta conclusión, el equipo de 404 Media introdujo un AirTag dentro de un lote de libros antiguos vendidos a través de Biblio, una plataforma especializada en ejemplares raros o descatalogados. El rastreo mostró que el paquete viajó por avión y camión durante semanas hasta acabar en un almacén de Amazon en Las Vegas, sin ningún destino posterior previsto.
Dentro de esas instalaciones opera una unidad interna identificada como VGT3. Según los propios empleados, su trabajo consiste en recibir los libros físicos, cortar el lomo de cada volumen y escanear el contenido página por página. La eliminación de la encuadernación acelera el proceso de digitalización, pero convierte cada ejemplar en un despojo que ya no puede reutilizarse.
El material digitalizado se incorpora al conjunto de datos con el que Amazon entrena a su familia de modelos Nova, la misma tecnología que se sitúa detrás de la nueva Alexa+. La compañía se centra sobre todo en libros impresos antes de 2022, en un intento por conseguir textos libres de contenido generado por IA en un momento en el que buena parte del texto disponible en internet ya se ha agotado como fuente.
La compra se realiza de forma sistemática. Los vendedores han detectado durante el último año un aumento inusual en las adquisiciones de libros antiguos por lotes, con clientes que no preguntan por el precio ni por el estado. Además, Amazon solo digitaliza aquellos volúmenes que cuentan con ISBN, un identificador único que le permite llevar un registro riguroso de qué títulos ya han pasado por el proceso, dejando fuera ediciones muy antiguas, raras o autoeditadas sin ese número.
La razón para priorizar libros anteriores a 2022 es puramente técnica. La empresa quiere evitar contaminar sus modelos con textos escritos con la ayuda de ChatGPT u otras herramientas de IA generativa, algo cada vez más frecuente en los libros publicados desde ese año. Utilizar contenido creado por otra inteligencia artificial durante el entrenamiento puede provocar el fenómeno conocido como "colapso del modelo", una degradación progresiva de la calidad de las respuestas.
La práctica no es exclusiva de Amazon. Anthropic aplicó una metodología equivalente para entrenar a Claude, un dato que salió a la luz durante una demanda colectiva de autores contra la compañía. En ese proceso, un juez estadounidense dictaminó que escanear y destruir libros comprados legalmente con el propósito de entrenar a una IA podría encajar dentro del "uso legítimo", ya que la destrucción del ejemplar físico evita la generación de copias adicionales y, por tanto, no infringiría de forma directa los derechos de autor.
Tras conocerse la investigación, Amazon ha reconocido la práctica. Un portavoz de la compañía se ha limitado a explicar que la adquisición de libros a través de canales comerciales se realiza para "mejorar los productos y servicios" que ofrece a sus usuarios, sin detallar cuántos ejemplares se han destruido ni justificar por qué el proceso implica necesariamente su eliminación.
