Escaneo destructivo: digitalizar sacrificando el libro

Hace unas semanas, Anthropic, la empresa detrás de Claude, acabó en una batalla legal. La acusaron de entrenar sus modelos de IA con miles de libros pirateados. El caso terminó con un acuerdo de 1.500 millones de dólares. Pero dejó una pregunta aún más interesante. ¿De dónde sacan los textos las empresas que entrenan IA? Necesitan cantidades enormes de contenido.

Según se desprende del caso, las empresas de IA no pueden conseguir copias piratas de libros. En cambio, pueden comprar libros impresos y digitalizarlos. Después pueden usar esos textos para entrenar sus modelos. La diferencia importa: compraron el libro original legalmente. Y la copia digital sustituye al ejemplar físico. No se suma a él.

Aquí entra en juego el escaneo destructivo. Se desmonta el libro, se corta el lomo y se retira la encuadernación. Después, se escanea cada página por separado. Así, las páginas pasan rápidamente por escáneres automáticos. Se convierten en archivos digitales, donde luego puede reconocerse el texto. Es un proceso eficiente, pero irreversible: el libro original queda inutilizable.

Por eso, los libros son especialmente valiosos para quienes desarrollan modelos de inteligencia artificial. No solo contienen enormes cantidades de texto. También ofrecen contenidos publicados antes de la expansión de la IA generativa. Los libros anteriores a 2022 pueden valer aún más. Entonces, herramientas como ChatGPT todavía no formaban parte del día a día de millones de personas.

Pero los contenidos recientes plantean un problema nuevo: el llamado "AI slop". Es la cantidad creciente de textos creados total o parcialmente con IA. Si se usan para entrenar nuevos modelos, aparece un riesgo. La IA podría acabar aprendiendo de textos generados por IA. Y no de textos escritos originalmente por personas. Visto así, una vieja biblioteca puede resultar sorprendentemente moderna. Guarda datos anteriores al auge de la IA generativa.