Las empresas de IA están escaneando camiones de libros, a veces raros, y a menudo destruyéndolos en el proceso para entrenar sus modelos—y ahora tenemos una idea de qué empresas y cómo lo están haciendo.
La publicación independiente de medios tecnológicos 404 Media colocó un dispositivo de seguimiento dentro de un envío de libros raros y lo observó viajar a una instalación de Amazon en Las Vegas, donde la empresa escanea y destruye libros impresos para entrenar la IA.
La investigación, publicada el lunes, es la primera en señalar públicamente dónde terminan las compras masivas de libros vinculadas al entrenamiento de la IA.
La última parada fue el equipo VGT3 de Amazon. Los empleados dijeron al medio que todo lo que hacen es recibir envíos masivos de libros impresos, luego cortar los lomos para que las páginas alimenten un escáner más rápidamente. El libro es destruido en el proceso. El logotipo extremadamente apropiado del equipo es un dinosaurio que sostiene un libro en sus garras.
Los libros impresos antes de 2022 contienen texto que no está mayormente disponible en línea y, lo que es crucial, no está escrito por máquinas. Entrenar un modelo con su propio tipo de salida corre el riesgo de un "colapso del modelo", donde la calidad se degrada con cada bucle recursivo.
Así, el papel anterior a 2022 es combustible limpio para el entrenamiento de la IA.
Amazon no es la única. Se ha formado una industria artesanal para suministrar a los laboratorios de IA libros físicos que son despojados, escaneados y descartados—la escena "Fahrenheit 451" de textos destruidos para alimentar máquinas que el "Proyecto Panamá" interno de Anthropic ya ejecutó a escala, digitalizando millones de libros a través de un escaneo destructivo.
Esa lucha por el texto limpio ya ha llegado a los tribunales. Un juez federal dictaminó que entrenar IA con libros comprados legalmente puede calificarse como uso legítimo, una victoria parcial para Anthropic que Meta y OpenAI también reivindicaron. Las copias piratas son un asunto diferente: Anthropic acordó un acuerdo de 1.500 millones de dólares por títulos piratas escaneados, y Salesforce ahora enfrenta una demanda colectiva por presunta piratería de libros.
La operación de Amazon se mantuvo discreta por una razón estructural. Los libreros notaron un aumento en los pedidos a granel durante el año pasado y sospecharon que las empresas de IA estaban detrás—los compradores no eran sensibles al precio y elegían títulos aparentemente al azar. Sus preocupaciones finalmente fueron confirmadas por un AirTag que reveló el destino.
Amazon declaró que "compra libros a través de canales comerciales para ayudar a desarrollar y mejorar los productos y servicios que utilizan nuestros clientes".
