Seguimos un envío de libros raros. Terminó en una instalación de entrenamiento de IA de Amazon

Artículo original ↗ Discusión en Hacker News ↗

Amazon ha sido rastreada comprando grandes lotes de libros usados “raros” que terminan en instalaciones donde se escanean para entrenamiento de IA y, según se informa, las copias físicas se destruyen. Los comentaristas debaten si esto es vandalismo cultural o una indignación exagerada, dado que muchos de esos libros son manuales oscuros y de baja demanda que de otro modo podrían acabar convertidos en pasta, y señalan que la legislación actual sobre copyright incentiva perversamente la digitalización privada y destructiva mientras bloquea la preservación abierta. El hilo plantea preocupaciones más amplias sobre la pérdida de conocimiento a largo plazo, la concentración de información dentro de modelos de IA corporativos y pide reformas como plazos de copyright más cortos, proyectos públicos de digitalización o requisitos para preservar y eventualmente liberar los textos escaneados.

Qué significa “libros raros” y cuán grave es la pérdida

  • Muchos señalan que “raro” se usa de forma imprecisa: puede significar tiradas pequeñas, títulos en idiomas extranjeros, manuales antiguos o libros técnicos desactualizados, no primeras ediciones de valor incalculable.
  • Los escépticos sostienen que el artículo oculta los títulos porque son mundanos (por ejemplo, guías de software de los años 90), y califican la indignación de clickbait fabricado.
  • Otros responden que incluso obras oscuras o de nicho (historias locales, sermones, manuales, periódicos) pueden volverse valiosas históricamente o ser de importancia única para investigaciones concretas.

Escaneado destructivo, derechos de autor y marco legal

  • Varios comentarios vinculan la destrucción directamente con la estrategia de copyright: digitalizar y destruir copias compradas se ha tratado como uso legítimo en al menos un caso en EE. UU. (Bartz v. Anthropic).
  • Hay disputa sobre qué permite exactamente la sentencia; algunos dicen que la destrucción es legalmente obligatoria, otros que solo refuerza el argumento de uso legítimo.
  • Fuerte crítica de que la ley de derechos de autor ahora incentiva la digitalización privada destructiva mientras castiga esfuerzos de digitalización abierta como Google Books / Internet Archive.

Preservación vs. destrucción y acceso

  • Un lado: los laboratorios de IA están preservando contenido que de otro modo acabaría en un vertedero; las bibliotecas eliminan libros constantemente, los patrimonios los desechan o las editoriales los convierten en pasta.
  • El otro lado: la preservación “en los pesos del modelo” no es preservación: no hay texto literal, no hay procedencia, y los modelos propietarios pueden desaparecer o ser alterados.
  • Preocupa que varias empresas de IA, todas compitiendo por el mismo fondo menguante, puedan destruir las últimas copias físicas de algunas obras, sin registro público ni garantía de que se publiquen escaneos.

Valor de los datos impresos oscuros para la IA

  • Los partidarios: los libros suelen contener escritura más profunda y de mayor calidad que la web; el trabajo de los LLM de frontera considera claramente beneficiosos los “datos más diversos”.
  • Los escépticos: el valor marginal de libros oscuros fuera de impresión es ínfimo comparado con los corpus digitales existentes; esto parece más acaparamiento competitivo que una necesidad.

Bibliotecas, mercados y escala

  • Muchos señalan la enorme destrucción continua de libros anterior a la IA, especialmente mediante la expurgación de bibliotecas y el descarte en tiendas de segunda mano.
  • Otros responden que el escaneo impulsado por la IA es cualitativamente distinto: escala industrial, dirigido a obras no digitalizadas y realizado sin catalogación pública.

Incentivos corporativos y remedios propuestos

  • Preocupaciones reiteradas sobre jardines amurallados privados de conocimiento y el poder de revisar en silencio el registro digital.
  • Mitigaciones sugeridas:
    • Comprometerse a depositar los escaneos en un fideicomiso público cuando expire el copyright.
    • Publicar listas de títulos escaneados/destruidos.
    • Digitalización masiva financiada por el gobierno mediante bibliotecas nacionales.
    • Reforma del copyright (plazos más cortos, protecciones ligadas al estado de “en impresión”, licencias masivas / salas limpias).

Reacción al artículo y al encuadre mediático

  • Algunos elogian la investigación sobre la cadena de suministro de compradores mayoristas de libros.
  • Otros critican el tono de 404 Media como rage-bait y poco específico (sin títulos, precios ni volúmenes), lo que dificulta juzgar las apuestas éticas.