Amazon comienza a destruir libros para entrenamiento de IA ante la escasez de datos

A medida que Internet abierto se vuelve cada vez más difícil de proporcionar textos de alta calidad suficientemente escasos, confiables y libres de contaminación por contenido generado por IA, los libros antiguos están pasando de ser bienes culturales a materias primas de datos para la era de la IA.

Autor del artículo, fuente: 0x9999in1, ME News



• Esto no es simplemente una noticia de “Amazon quema libros”. La señal más importante es: cuando Internet abierto se vuelve cada vez más difícil de proporcionar textos de alta calidad suficientemente escasos, confiables y libres de contaminación por contenido generado por IA, los libros antiguos están pasando de ser bienes culturales a materia prima para la era de la IA.
• Un pedido de aproximadamente 1000 libros rastreado por 404 Media terminó en el almacén LAS8 de Amazon en North Las Vegas; los empleados indicaron que el equipo VGT3 cortará las lomadas y escaneará las páginas, destruyendo así las versiones impresas originales. Amazon confirmó que adquiere libros a través de canales comerciales para mejorar sus productos y servicios, pero no ha revelado el tamaño del proyecto, su fecha de inicio, su uso específico, ni ha respondido si se filtrarán ediciones raras o escasas antes de la destrucción.
• “Comprar primero un libro físico y luego realizar un escaneo destructivo” tiene otro contexto real: en el caso Bartz v. Anthropic de 2025, un tribunal federal de distrito de EE.UU. reconoció el uso legítimo de reemplazar digitalmente de forma uno a uno libros impresos legalmente adquiridos, pero distinguió claramente entre la adquisición legal y la obtención pirata. Para julio de 2026, la demanda colectiva de derechos de autor contra Anthropic relacionada con fuentes piratas fue finalmente aprobada con un acuerdo de 1.500 millones de dólares. Las fuentes de datos están pasando de ser un problema técnico a convertirse en un problema de balance general.
• No es sorprendente que Amazon entre en escena ahora. Se espera que la empresa gaste aproximadamente 200 mil millones de dólares en gastos de capital para 2026, con el AI como una de las áreas clave de inversión; las ventas de AWS en el segundo trimestre de este año aumentaron un 37% interanual hasta alcanzar los 42.2 mil millones de dólares. La capacidad de cómputo sigue expandiéndose rápidamente, pero el valor marginal de los datos de alta calidad también está aumentando.
• Lo que realmente debe preocupar no es el acto de “desmontar libros” en sí, sino un sistema de adquisición y destrucción sin transparencia: los libros usados comunes pueden reimprimirse y volver a comprarse, pero ciertos libros agotados, ediciones con anotaciones, publicaciones locales y textos escasos podrían no recuperarse. Si no existe un mecanismo de selección, las empresas de IA obtienen datos, pero la sociedad podría perder registros físicos irreversibles.

La imagen más impactante de este asunto es, sin duda, brutal: un libro con la espina dorsal cortada, sus páginas introducidas en un escáner, hasta que el libro original ya no existe. Aún más dramático es que la empresa que realiza esto es precisamente Amazon — la misma Amazon que en 1995 comenzó vendiendo libros en línea. Más de treinta años después, vuelve a comprar libros en grandes cantidades, pero esta vez, los libros no necesariamente llegan a los lectores, sino que se convierten en datos que las máquinas pueden ingerir.

Según una investigación publicada por 404 Media el 17 de agosto, el periodista Emanuel Maiberg colaboró con un vendedor de libros que recibió un gran pedido a través de Biblio, colocando un AirTag en uno de los aproximadamente 1000 libros del lote. El rastreador llegó hasta el almacén LAS8 de Amazon en Las Vegas Norte. El informe citó a empleados que trabajan en ese lugar, quienes indicaron que un equipo llamado VGT3 se encarga de recibir grandes cantidades de libros impresos, cortar sus encuadernaciones y escanearlos rápidamente, con los libros originales siendo destruidos durante el proceso. Amazon confirmó posteriormente a Inc. que la empresa efectivamente "compra libros a través de canales comerciales para ayudar a desarrollar y mejorar los productos y servicios que utilizan los clientes", pero no respondió cuántos libros compró, desde cuándo comenzó el proyecto, qué productos reciben los datos, ni si se excluyen previamente ediciones raras o escasas.

Más notable es que esta pista no apareció de la nada ayer. Inc. descubrió que ya en septiembre de 2024, en los foros de vendedores de Amazon, se habían reportado numerosos pedidos de libros enviados a LAS8: algunos usuarios informaron que un solo comprador realizó 68 pedidos de una sola vez, otros recibieron 48 pedidos concentrados en la madrugada, todos de libros de editoriales universitarias, y otros vendedores indicaron que la misma cuenta compraba libros casi todos los días. El representante del foro de Amazon confirmó en ese momento que estos pedidos eran válidos, pero Amazon actualmente no ha especificado si esos pedidos están relacionados con VGT3.

Mi juicio es que lo realmente relevante de este asunto no es el impacto emocional de que “los gigantes tecnológicos quemen libros”, sino que revela una reevaluación de recursos en la industria de la IA: durante los últimos años, lo más escaso eran las GPU, los centros de datos, la electricidad y el capital; ahora, los textos humanos de alta calidad, rastreables y lo más libres posible de contaminación por contenido generado por IA, también están siendo revaluados.

El mercado de libros usados de repente se ha visto arrastrado en la cadena de suministro de IA, no como una absurda digresión de una era nostálgica, sino como un paso natural y también frío tras la industrialización de los grandes modelos.

Internet parece infinito, pero los datos realmente adecuados para entrenar modelos de vanguardia no son ilimitados.

Epoch AI estimó en su investigación de 2024 que, tras ajustes por calidad y duplicación, el存量 efectivo de texto humano público disponible para entrenamiento era de aproximadamente 300 billones de tokens; si la tendencia de crecimiento del volumen de datos en ese momento se mantuviera, este存量 podría agotarse entre 2026 y 2032. Esta predicción no es un recuento regresivo de que “los datos se agotarán mañana”, ya que los datos sintéticos, la eficiencia de datos, el post-entrenamiento y los métodos multimodales siguen evolucionando, pero revela una dirección: cada vez es más difícil obtener información nueva de igual calidad simplemente ampliando el raspado de páginas web.

Pero los libros antiguos tienen varias características que las empresas de IA no pueden ignorar.

En primer lugar, suelen pasar por múltiples rondas de selección por parte del autor, el editor y la editorial, por lo que su densidad informativa y estructura suelen ser más estables que las de páginas web aleatorias. En segundo lugar, gran cantidad de historias locales, manuales profesionales, obras académicas de nicho, ediciones antiguas de libros de texto, materiales industriales y publicaciones en idiomas distintos al inglés nunca se han digitalizado por completo, y los sitios web públicos simplemente no pueden recopilarlos. Además, un punto más sutil es que el contenido publicado antes de la amplia difusión de la IA generativa tiene una mayor probabilidad de provenir de un entorno puramente humano.

Este valor ya fue expresado directamente por los proveedores de datos. En julio de este año, en informes sobre el mercado de adquisición de libros, la empresa de bases de datos de libros ISBNdb utilizó temporalmente la frase “los mejores datos de entrenamiento de IA del mundo están en los estantes” para probar la demanda de adquisición de libros por parte de empresas de IA, destacando que los libros contienen conocimiento humano organizado, editado y profesionalizado. ISBNdb posteriormente indicó que esa página era solo una prueba de demanda del mercado y ya ha sido retirada.

¿Por qué esta frase resulta tan incómoda? Porque expresa con claridad la ansiedad de toda la industria.

Cuanto más poderosa sea la IA generativa, más textos en internet serán escritos, reescritos o resumidos por IA. Si los modelos siguen ingiriendo estos contenidos sin distinción, las fuentes de datos se volverán cada vez más complejas. Por ello, aquello que ya estaba impreso en papel antes de la ola de la IA generativa, de repente adquiere una nueva capa de valor que antes no tenía: al menos en términos temporales, están más cerca de un entorno de información no intervenido masivamente por IA generativa.

Por lo tanto, comprar libros usados en Amazon no significa que esté "regresando a la era impresa"; todo lo contrario, es un pensamiento profundamente digitalizado. Para los entrenadores de modelos, la portada, la encuadernación y la historia de colección de un libro pueden no tener valor de entrenamiento directo; lo realmente valioso son los tokens dentro de él que pueden ser tokenizados, indexados, eliminados duplicados, etiquetados y entrenados.

Los libros pasan de ser productos a convertirse en corpus, y su sistema de precios también cambia. Un libro técnico antiguo que durante décadas no atrajo interés podría generar una nueva demanda机器 debido a la falta de una versión electrónica completa en línea.

Este es el punto más destacable.

La razón es primero muy sencilla: eficiencia.

Industrializing the digitization of tens of thousands of books by photographing each page individually is extremely slow. After removing the spine, the pages can be flatly separated, making them more suitable for high-speed scanning and subsequent optical character recognition. Destructive scanning is not a technology that emerged in the AI era, but AI may have propelled it for the first time toward such direct data industrial applications.

Pero aún hay un segundo nivel de fondo más sensible: el legal.

En junio de 2025, en el caso Bartz v. Anthropic, la Corte Federal del Distrito Norte de California reveló que Anthropic compró millones de libros impresos, desmontó las encuadernaciones, recortó las páginas, las escaneó para crear copias digitales y luego descartó los originales en papel tras generar las versiones digitales. El juez William Alsup determinó, bajo los hechos específicos del caso, que esta conversión de formato —“un copia impresa reemplazada por una copia digital interna que no se distribuye externamente”— constituye uso legítimo; la corte también determinó que el uso específico del modelo de gran escala para entrenamiento en este caso era uso legítimo.

Pero la misma sentencia también trazó una línea muy clara.

Anthropic descargó previamente más de 7 millones de libros de una base de datos pirata. El tribunal consideró que el establecimiento y la conservación a largo plazo de una biblioteca digital central compuesta por fuentes piratas no puede obtener automáticamente protección de uso razonable solo porque algunas de sus partes se utilizaron posteriormente para entrenar IA. La compra legal y la obtención pirata fueron claramente tratadas por separado por el tribunal.

¿Por qué es importante esta línea? Porque le enseñó a toda la industria de la IA una lección costosa sobre adquisiciones: no es “cualquier dato sirve para entrenamiento”, sino que el origen de los datos, si las empresas pagan por obtener copias, y cómo se almacenan y copian, puede cambiar los riesgos legales.

Y esta clase luego se volvió realmente cara.

El 20 de julio de 2026, un tribunal federal de EE. UU. aprobó finalmente el acuerdo colectivo de derechos de autor de 1.500 millones de dólares entre Anthropic y los autores y editores. El acuerdo abarca más de 482.000 libros, y aproximadamente el 91% de las obras relacionadas ya han recibido solicitudes de compensación. Debe quedar claro que este acuerdo se refiere exclusivamente a reclamaciones relacionadas con fuentes de piratería, y no significa que el sistema judicial estadounidense haya otorgado una licencia unificada para el entrenamiento de IA en todos los casos; otros litigios, fuentes de datos diferentes y formas de uso distintas podrían generar resultados distintos.

Por lo tanto, es muy fácil comprender lógicamente que Amazon compre libros físicos a través de canales comerciales.

¿Se diseñó el proceso siguiendo directamente la vía legal establecida por el caso de Anthropic? Actualmente no hay evidencia pública que permita llegar a esa conclusión. Pero en 2026, cuando el fallo de Anthropic y el acuerdo de 1.500 millones de dólares ya estén sobre la mesa, cualquier empresa de inteligencia artificial grande prestará más atención a una cosa: ¿puedes demostrar de dónde provienen los datos?

El precio de comprar un libro físico puede ser muy bajo; explicar en un tribunal años después de dónde provienen millones de materiales de entrenamiento puede no ser nada barato.

Anteriormente, la industria de la IA tenía la costumbre de considerar los datos como un aire inagotable en la red; ahora, está aprendiendo a pagar por la “fuente”.

Aquí se debe separar la emoción de los hechos.

Que libros populares más vendidos, publicaciones de gran tirada y libros antiguos con numerosas copias aún en el mercado ingresen al sistema de reciclaje no equivale automáticamente a un desastre cultural. La industria de libros usados y antiguos también ha tenido en el pasado prácticas como desmontar libros para vender ilustraciones por separado o eliminar ejemplares sin venta. No se puede, por la aparición de la IA, fingir de repente que cada libro antiguo es una copia única.

El problema es que Amazon aún no ha respondido si identificará ediciones raras, agotadas o especiales antes de realizar el escaneo de destrucción.

The book tracked by 404 Media was reported to be a rare book, and Inc. specifically asked Amazon whether it screened out rare or scarce editions before destroying them, but received no response.

Esto deja una brecha que no se puede pasar por alto con el argumento de “ya gasté dinero en comprarlo”: la propiedad legal no es lo mismo que el valor de preservación cultural.

El texto de un libro puede ser escaneado. Sin embargo, firmas, anotaciones de lectores, etiquetas de biblioteca, encuadernaciones especiales, información de correcciones, marcas de impresión local, e incluso registros físicos dejados por el recorrido de un libro durante décadas, no necesariamente se incluirán en el OCR, ni mucho menos en el conjunto de entrenamiento final.

El texto permanece, pero las pruebas físicas pueden desaparecer.

Esta preocupación no solo existe en Estados Unidos. Este año, varios vendedores de libros usados en Reino Unido e Irlanda informaron al Guardian que en los últimos meses han recibido compras masivas de temas completamente desconectados y con muy baja sensibilidad a precios: alguien compró de una sola vez novelas en estonio, ediciones específicas de las obras de Brontë y revistas antiguas de 1983; un librero indicó que desde principios de año ha recibido pedidos de aproximadamente 6.000 libros de compradores similares. Anteriormente, en Australia también se reportaron órdenes masivas inusuales por parte de libreros.

Pero aquí también es esencial mantener los límites de la realidad: actualmente no hay evidencia pública que confirme que todas estas órdenes extranjeras provengan de empresas de IA. El informe del Guardian también especifica claramente que estas son suposiciones y preocupaciones de los editores, no compras de IA confirmadas.

Lo que realmente fue rastreado por el dispositivo hasta las instalaciones específicas de escaneo de IA fue la investigación de 404 Media contra Amazon.

Esto justamente demuestra por qué es importante la transparencia.

Si la empresa considera que esta compra es legal, razonable y realmente mejora el producto, entonces algunas preguntas básicas no son excesivas: ¿qué tipos de libros entrarán en el escaneo destructivo? ¿Se excluyen los ejemplares únicos, los ejemplares valiosos, los ejemplares firmados y las versiones con valor físico especial? ¿Cómo se manejan los documentos físicos después del escaneo? ¿Durante cuánto tiempo se conservan las copias digitales? ¿Para qué productos o categorías de modelos se utilizarán aproximadamente?

Las empresas, por supuesto, no necesitan hacer públicas todas las recetas de entrenamiento.

Pero “compramos y por eso podemos silenciosamente cortarlo todo” no es una respuesta lo suficientemente madura.

Porque está apostando por la IA a una velocidad sin precedentes.

Amazon indicó en febrero de este año que espera un gasto de capital de aproximadamente 200 mil millones de dólares para todo el año 2026, con oportunidades clave en IA, chips, robots y satélites de órbita terrestre baja. En el segundo trimestre, las ventas de la empresa alcanzaron 200.6 mil millones de dólares, un aumento del 20% interanual; las ventas de AWS alcanzaron 42.2 mil millones de dólares, un crecimiento del 37%, la tasa más rápida en 18 trimestres. El flujo de efectivo libre en los últimos 12 meses se ha convertido en un desembolso neto de 7.6 mil millones de dólares; Amazon indicó claramente que el aumento significativo en la adquisición de propiedades y equipos refleja principalmente la inversión en inteligencia artificial. Los negocios de IA y chips de AWS también superaron cada uno una tasa anualizada de ingresos de 25 mil millones de dólares.

Más notable es la relación entre Amazon y Anthropic.

En abril de este año, Amazon anunció una inversión adicional de 5.000 millones de dólares en Anthropic, sobre la base de una inversión previa de 8.000 millones de dólares, con la posibilidad de aumentarla hasta 20.000 millones de dólares adicionales al alcanzar hitos comerciales específicos. Al mismo tiempo, Anthropic se comprometió a gastar más de 100.000 millones de dólares en tecnología AWS durante los próximos diez años y obtendrá hasta 5 GW de capacidad de cálculo Trainium actual y futura.

En otras palabras, Amazon es ahora tanto proveedor de infraestructura en la nube como participante de capital en la industria de modelos avanzados, además de operar Nova, Alexa, Rufus y una gran cantidad de servicios empresariales de IA.

Lo que se necesita ya no es solo más chips.

Necesita más conocimientos de alta calidad, una cobertura más amplia de conocimientos de cola larga, fuentes de datos más confiables y una cadena de propiedad de datos más fácil de explicar.

Con el nivel actual de gastos de capital de Amazon, la compra por lotes de libros usados claramente no se convertirá en un costo determinante para la situación financiera de la empresa. Lo realmente importante es la señal que emite esta acción: un gigante dispuesto a invertir aproximadamente 200 mil millones de dólares anuales en la expansión de su infraestructura tecnológica aún está dispuesto a extender su cadena de suministro hasta el mercado fragmentado, ineficiente y con precios individuales de libros usados.

¿Por qué?

Porque algunos datos realmente no tienen atajos.

Este es también el lugar donde la competencia de IA está cambiando. Antes, todos competían por quién podía rascar más páginas web, luego por quién tenía más GPU, y ahora cada vez más por quién posee datos más limpios, únicos, legales y difíciles de replicar.

Los datos ya no son solo un conjunto de "materias primas" antes del inicio del entrenamiento.

It is becoming an asset that must be acquired, cleaned, verified, tracked, and audited.

La verdadera ventaja competitiva en datos quizás no sea “quién posee una copia de Internet”, sino quién posee contenido de alta calidad que otros no pueden obtener, no pueden mantener o que, al obtenerlo, no se atreven a usar con confianza.

No creo que la conclusión deba ser "prohibir a las empresas de IA escanear libros físicos".

La digitalización puede preservar el conocimiento y también permitir que contenidos agotados vuelvan a formar parte de los sistemas de búsqueda, investigación y comprensión por máquina. Para la gran cantidad de libros usados comunes, la escaneo destructivo no necesariamente es peor que terminar en el reciclaje de papel. Reducir esto a “la IA está quemando libros” genera mucha emoción, pero no es lo suficientemente preciso.

There are two real boundaries.

La primera es el límite de los derechos: comprar un libro impreso no equivale a adquirir todos los derechos de autor de la obra, ni mucho menos significa que todos los comportamientos de entrenamiento, copia y generación sean inherentemente legales. El caso Bartz es solo una sentencia importante emitida por un tribunal federal de distrito de Estados Unidos bajo hechos específicos, no es una licencia permanente para empresas de IA en todo el mundo.

El segundo es mantener los límites: si una empresa no puede demostrar que identifica y evita libros raros, con ediciones únicas o con valor histórico especial, entonces lo que se llama "digitalización eficiente" podría convertir un problema de ingeniería de datos en una pérdida cultural irreversible.

Lo que Amazon realmente debería responder no es "¿por qué necesitan libros?".

Esta respuesta se está volviendo cada vez más clara: porque la gran cantidad de conocimiento de alta calidad dejado por la humanidad en los últimos siglos no está completamente presente en Internet abierta.

La verdadera pregunta es: cuando estos libros pasan de los estantes a la línea de entrenamiento de IA, ¿quién decide qué se puede sacrificar y qué no se debe sacrificar? ¿Quién asegura que las empresas obtienen contenido, y no simplemente borran inadvertidamente la historia que hay detrás del contenido?

La ironía de este asunto es muy fuerte.

Amazon se convirtió en una de las empresas de comercio en internet más importantes al llevar libros hasta las personas; hoy, vuelve a comprar libros, los desarma y lleva el texto a las máquinas.

La tecnología puede cambiar el soporte del conocimiento, pero no por eso se debe fingir que el soporte carece de valor.

La IA necesita cosas escritas por humanos, y no hay nada de qué avergonzarse por eso. Lo que realmente merece atención es que toda la industria dependa cada vez más de “textos de alta calidad dejados por humanos”, pero aún así oculte el proceso de obtención en las profundidades de la cadena de suministro, tratando los derechos de autor, el origen, la escasez y la responsabilidad de conservación como problemas posteriores.

El modelo puede comprimir un libro en tokens, las empresas pueden convertir los tokens en parámetros, pero algunas cosas, una vez fragmentadas, no pueden recuperarse en un entrenamiento posterior.

La civilización puede ser digitalizada, pero la responsabilidad no puede ser "convertida de formato".

1. Emanuel Maiberg. “We Tracked a Shipment of Rare Books. It Ended at an Amazon AI Training Facility.” 404 Media, 2026-08-17.
2. Georgia Fearn. “Amazon Está Comprando Libros Antiguos y Destruyéndolos Después de Escanearlos. Los Pedidos Remontan a 2024.” Inc., 2026-08-17.
3. Amazon.com, Inc. “Amazon.com anuncia los resultados del segundo trimestre.” 2026-07-30.
4. Amazon. “Amazon y Anthropic amplían su colaboración estratégica.” 2026-04-20.
5. Distrito de los Estados Unidos para el Distrito Norte de California. Bartz contra Anthropic PBC, Orden sobre uso justo e infracción, 2025-06-23.
6. Reuters. “Un juez de EE. UU. aprueba el acuerdo de $1.5 mil millones de Anthropic en la demanda por infracción de derechos de autor.” 2026-07-20.
7. Pablo Villalobos et al. “Will we run out of data? Limits of LLM scaling based on human-generated data.” Epoch AI, 2024-06-06.
8. Dan Milmo. “Los vendedores de libros usados en el Reino Unido e Irlanda sospechan que empresas de IA están detrás de los pedidos masivos ‘extraños’.” The Guardian, 2026-08-15.