Amazon está destruyendo miles de libros para entrenar sus modelos de IA

Amazon está comprando miles de libros raros para escanearlos y entrenar a su inteligencia artificial. Una investigación descubrió que el gigante tecnológico está aplicando una técnica anteriormente usada por Anthropic, la cual consiste en escanear libros página por página para nutrir a sus modelos de lenguaje. El problema es que Amazon destruye los ejemplares en el proceso, algunos de ellos con valor histórico.

Un equipo de investigación de 404 Media colocó un AirTag dentro de un lote de libros antiguos vendidos a través de Biblio, la 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. Los libros ya no tenían un segundo destino, puesto que la tecnológica ya planeaba lo que haría con ellos.

De acuerdo con el reporte, dentro de ese almacén opera una unidad identificada como VGT3. Los empleados de este equipo explicaron que su tarea consiste en recibir libros físicos, cortarles el lomo y escanear el contenido página por página. El corte de la encuadernación se hace para agilizar la digitalización, pero implica destruir el ejemplar original durante este proceso.

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 con información fresca. La empresa se enfoca en libros impresos antes de 2022, los cuales están 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.

Amazon solo digitaliza los libros con ISBN, que sirve como un identificador único para llevar un registro de qué títulos ya fueron escaneados. La compañía parece estar recorriendo de forma sistemática el catálogo mundial de libros con este número, dejando fuera a ejemplares muy antiguos, ediciones raras o autoeditadas sin este registro.

La razón por la cual Amazon hace esto se debe a que la compañía no quiere "contaminar" a sus modelos con contenido generado por IA. Al elegir estos libros, se asegura de que los autores no usaron ChatGPT para escribirlos, algo que pasa con muchos ejemplares publicados después de 2022. El usar texto producido por otra IA durante el entrenamiento puede provocar un fenómeno conocido como "colapso del modelo", en el cual las respuestas de la IA se degradan de forma progresiva.

De vender libros a destruirlos

Otro detalle que está causando polémica es la destrucción de estos libros. Esta práctica no es exclusiva de Amazon, ya que Anthropic lo hizo para entrenar a sus modelos. El tema salió a la luz durante una demanda de autores contra la compañía de IA, en donde se supo que la empresa compraba libros físicos, les cortaba el lomo y los digitalizaba para entrenar a Claude.

Un juez de Estados Unidos dictaminó que escanear y destruir libros comprados con el fin de entrenar a una IA podría considerarse "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.

Tras conocerse la investigación, Amazon aceptó que lleva a cabo esta práctica. Un portavoz dijo que la tecnológica compra libros a través de canales comerciales "para mejorar los productos y servicios que ofrece a sus usuarios". La compañía no dijo cuántas veces lo ha hecho ni por qué los destruye, aunque ha quedado claro el objetivo.