Las empresas de IA están triturando libros raros

Artículo original ↗ Discusión en Hacker News ↗

Las empresas de IA estarían comprando al por mayor y escaneando de forma destructiva libros impresos para crear datos de entrenamiento para grandes modelos de lenguaje, y luego triturando las copias físicas para reforzar su argumento legal de que solo existe “una copia”. Los comentaristas discuten si esto equivale a una quema moderna de libros o a un simple cambio pragmático de formato, cuestionan cuán “raros” son realmente los títulos afectados y señalan que la ley de copyright y las normas antielusión de la DMCA hacen legalmente arriesgado el escaneo no destructivo y la publicación pública de los escaneos. Muchos ven el problema central no en la digitalización en sí, sino en un régimen que incentiva destruir medios físicos, acaparar los conjuntos de datos resultantes y marginar a instituciones públicas como bibliotecas y archivos.

Alcance y evidencia de la trituración

  • El hilo se centra en informes (especialmente una pieza de 404 Media) de que empresas cercanas a la IA compran al por mayor libros usados, los escanean de forma destructiva y luego pulpean los restos.
  • Los ejemplos concretos citados son en su mayoría títulos técnicos o académicos de nicho y recientes, con ISBN (posteriores a los años 60), no manuscritos antiguos.
  • Varios comentaristas reconocen que las afirmaciones sobre “las últimas copias” de obras del siglo XVIII que se están triturando son hipotéticas, no demostradas.
  • Algunos participantes dudan de que se estén destruyendo libros realmente raros o fuera de copyright; otros dicen que, con obras en lengua extranjera y de baja circulación, son plausibles copias conocidas de un solo dígito, aunque no se haya probado aquí.

Copyright, legalidad e incentivos

  • Varios señalan decisiones judiciales en EE. UU. que concluyen que entrenar con obras adquiridas legalmente puede ser fair use, especialmente cuando se destruye la copia física para que solo exista una copia.
  • El escaneo destructivo se describe como más rápido, más barato y legalmente más seguro que conservar copias físicas y digitales bajo las normas actuales de copyright/DMCA.
  • Algunos culpan a los editores y a demandas pasadas (por ejemplo, contra Internet Archive, shadow libraries) de empujar a las empresas de IA hacia estrategias del “agujero analógico” en lugar de licenciar.
  • Otros subrayan que, si los libros están fuera de copyright, no hay necesidad legal de triturarlos; si ocurre, es por coste/rapidez, no por ley.

Preservación frente a destrucción

  • Un bando sostiene que esto es, en la práctica, quema de libros: se pierden artefactos únicos (encuadernaciones, anotaciones marginales, capas de palimpsesto) y patrimonio físico, mientras que los escaneos privados quedan encerrados.
  • El otro bando replica que la mayoría de estos libros ya son excedentes sin valor que bibliotecas y editores retiran y pulpean de forma rutinaria; al menos el escaneo destructivo preserva el contenido en formato digital.
  • Algunos insisten en que los pesos de los LLM no son una digitalización adecuada; si los escaneos no son accesibles públicamente, no queda nada realmente preservado para la investigación.
  • Otros creen que la “fetichización” de lo físico está exagerada y que el valor principal es el texto, no el papel, aunque la longevidad y autenticidad digital siguen siendo discutidas.

Comparaciones, ética y analogías

  • Las comparaciones van desde la destrucción nazi/talibán y Fahrenheit 451/“quema de libros como servicio” hasta el desecho rutinario de bibliotecas y el pulpeo editorial.
  • Varios señalan que es posible que todos en este conflicto —editores, empresas de IA, legisladores— estén “equivocados” de distintas maneras.
  • Algunos sugieren que se debería obligar a las empresas de IA (o presionarlas socialmente) a publicar escaneos de libros de dominio público, o a contribuir a archivos abiertos, como condición para el escaneo destructivo.

Ideas de política y reforma

  • Se repiten los llamamientos a reformar el copyright: plazos más cortos (por ejemplo, 20–50 años), normas más fuertes de dominio público y de abandono, y derechos más claros para la digitalización no destructiva.
  • Entre las propuestas figuran custodios públicos o sin ánimo de lucro para obras raras, protección patrimonial para libros de copia única o de muy pocas copias, y corpus de entrenamiento de propiedad pública en lugar de acaparamiento privado.