Las empresas de IA destruyen libros físicos – escaneemos libros raros antes de que sea demasiado tarde

Artículo original ↗ Discusión en Hacker News ↗

Las empresas de IA están comprando al por mayor libros de segunda mano, escaneándolos para datos de entrenamiento y luego destruyendo las copias físicas, citando normas de copyright de EE. UU. que favorecen el “cambio de formato” cuando solo existe una copia. Los críticos ven esto como una privatización y una posible pérdida de patrimonio cultural —especialmente para obras agotadas o mal archivadas—, y sostienen que la destrucción debería al menos ir acompañada de acceso público a los escaneos. Otros responden que la mayoría de estos títulos son manuales de poca demanda y libros de vanidad que acabarían triturados por bibliotecas o revendedores de todos modos, y que el verdadero problema reside en la ley de copyright y en la política, no en el escaneo en sí.

Lo que realmente están haciendo las empresas de IA

  • Varios laboratorios de IA están comprando grandes cantidades de libros de segunda mano (a menudo a través de intermediarios), cortando los lomos, escaneando las páginas y luego desechando o triturando el papel.
  • Motivos discutidos:
    • Afirmación principal: obtener texto de alta calidad, previo a la IA (“sin contaminar”), y cumplir con recientes fallos de copyright en EE. UU. que permiten el “cambio de formato” si el original se destruye.
    • Visión escéptica: la destrucción se debe sobre todo al coste, la logística y el mantenimiento de un foso de datos propietario, no a una necesidad legal.

Contexto de copyright y legal

  • Casos recientes en EE. UU. (p. ej., Project Panama / Bartz v. Anthropic, tal como se parafrasea en el hilo):
    • Escanear libros físicos comprados y destruirlos puede tratarse como una sola copia transformada, lo que favorece un argumento de uso legítimo.
    • Conservar tanto copias físicas como digitales, o usar ebooks piratas, conlleva mayor riesgo de infracción.
  • Muchos comentaristas subrayan: la ley no exige literalmente triturar; solo hace que el escaneo destructivo sea la opción más segura.
  • Fuerte crítica al copyright actual: plazos largos, obras huérfanas, contenido agotado pero aún bloqueado; se culpa tanto a legisladores como a editoriales.

¿Realmente se están perdiendo “libros raros”?

  • Un bando: la mayoría de los libros escaneados son artículos de poca demanda—manuales antiguos, actas de congresos oscuras, libros de vanidad, guías de televisión—que probablemente acabarían de todos modos en contenedores o trituradoras.
  • Otro bando: a esta escala, algunas obras realmente raras o únicas (pequeñas tiradas académicas, historias locales, artefactos culturales de nicho) inevitablemente serán destruidas.
  • La evidencia es escasa: la discusión señala repetidamente la falta de ejemplos concretos de títulos únicos específicos perdidos; muchas afirmaciones son hipotéticas o anecdóticas.

Bibliotecas, librerías y escala

  • Varios comentaristas señalan que:
    • Las bibliotecas públicas, las bibliotecas universitarias, las tiendas de segunda mano y las editoriales descartan o trituran rutinariamente enormes cantidades de libros.
    • Los libros donados a menudo van مباشرة a reciclaje; las políticas de “último ejemplar” y los archiveros profesionales son la excepción, no la norma.
  • Otros discrepan:
    • Las bibliotecas al menos tienen cierta ética archivística y personal capacitado; las empresas de IA tienen motivaciones de lucro, una curación mínima y un volumen de procesamiento mucho mayor y más selectivo.
    • La intención y la escala (millones de libros comprados deliberadamente) se consideran diferencias moralmente relevantes.

Digitalización vs. acceso público

  • Tensión clave: los laboratorios de IA conservan escaneos de alta calidad en privado por razones legales y competitivas; el público solo ve rastros degradados y parafraseados a través de los modelos.
  • Muchos argumentan que:
    • Entrenar con un libro no equivale a preservarlo; los LLM no pueden reproducir de forma fiable texto exacto, citas o contexto.
    • Los escaneos bloqueados en servidores corporativos son “apenas mejores que el vertedero” a menos que cambien las leyes para permitir su publicación pública eventual.
  • Soluciones propuestas: depósito obligatorio de copias digitales en bibliotecas nacionales, publicación pública automática tras expirar el copyright o para obras agotadas, o excepciones legales explícitas para archivos públicos.

Valores, retórica y respuestas propuestas

  • Fuertes reacciones emocionales:
    • Algunos comparan el escaneo destructivo con quemar libros o con un momento moderno de la Biblioteca de Alejandría; otros lo llaman un “pánico moral” hiperbólico.
    • Visión contraria: esto es solo otra etapa del ciclo de vida normal de los libros sobrantes, con el beneficio adicional de la preservación digital.
  • Acciones sugeridas:
    • Apoyar y colaborar escaneando para bibliotecas sombra (Anna’s Archive, LibGen) y el Internet Archive.
    • Presionar por la reforma del copyright y por excepciones al estilo bibliotecario; algunos piden boicots a las grandes empresas de IA.