Hace unos días me encontré con una noticia que, a primera vista, parece casi una contradicción.
Empresas vinculadas al desarrollo de inteligencia artificial están comprando libros antiguos para utilizarlos como datos de entrenamiento.
En plena carrera por construir modelos cada vez más avanzados, una de las materias primas que vuelve a adquirir valor no está en una nueva plataforma, en una base de datos recién creada ni en algún sofisticado sistema tecnológico.
Está en los libros.
Y, personalmente, me parece una buena noticia.
No tanto por el método concreto utilizado para digitalizarlos, que abre otras discusiones importantes, sino por lo que revela sobre la evolución de la propia inteligencia artificial.
El problema ya no es encontrar más información
Durante mucho tiempo hemos hablado del crecimiento de la inteligencia artificial como una cuestión de escala.
Más datos.
Más parámetros.
Más capacidad de computación.
Más información disponible para entrenar modelos.
Pero llega un momento en el que más deja de significar necesariamente mejor.
Internet contiene una cantidad prácticamente inabarcable de información, pero también contiene ruido, duplicidades, errores, contenidos descontextualizados y, cada vez más, textos, imágenes y otros materiales generados por las propias inteligencias artificiales.
Y eso introduce un problema interesante.
Si los modelos futuros aprenden cada vez más del contenido producido por modelos anteriores, empezamos a crear un circuito en el que la inteligencia artificial aprende progresivamente de sí misma.
No es simplemente una preocupación teórica. Investigaciones publicadas en Nature han mostrado que entrenar sucesivamente modelos con datos generados por otros modelos puede degradar la distribución de información que aprenden y provocar lo que se conoce como model collapse.
De repente, el contenido humano original se convierte en un recurso especialmente valioso.
Y entonces volvemos a los libros
Aquí es donde la noticia me parece particularmente interesante.
Los libros publicados antes de la expansión de la IA generativa tienen una característica que ahora resulta extraordinariamente relevante: sabemos que detrás de ellos hubo personas.
Personas que investigaron.
Que estructuraron ideas.
Que escribieron.
Que revisaron.
Que seleccionaron unas palabras y descartaron otras.
Que construyeron argumentos durante cientos de páginas.
Un libro no es automáticamente conocimiento de calidad, por supuesto.
Pero sí representa algo que buena parte del contenido digital actual no siempre ofrece: una cadena de elaboración humana relativamente clara.
Quizá lo interesante no sea que la inteligencia artificial necesite libros.
Quizá lo interesante sea preguntarnos por qué los necesita.
La calidad de los datos vuelve al centro
Durante años hemos aprendido que los datos son el combustible de la inteligencia artificial.
Creo que estamos entrando en una fase algo más madura de esa conversación.
No necesitamos simplemente datos.
Necesitamos buenos datos.
Datos diversos.
Datos con contexto.
Datos cuya procedencia podamos conocer.
Datos que representen formas distintas de pensar, escribir, argumentar y entender el mundo.
Y esto cambia bastante la conversación sobre inteligencia artificial.
Porque el valor empieza a desplazarse desde la pura acumulación hacia la selección.
Desde la cantidad hacia la calidad.
Desde disponer de información hacia saber qué información merece utilizarse.
Es exactamente el mismo problema que encontramos dentro de muchas organizaciones.
Tener millones de documentos no significa tener conocimiento.
Tener datos no significa tener información útil.
Y tener información no significa necesariamente ser capaz de aprender de ella.
Hay algo paradójico en todo esto
Estamos construyendo una de las tecnologías más avanzadas que hemos creado y, para mejorarla, estamos recuperando conocimiento producido décadas atrás.
No me parece una contradicción.
Me parece bastante lógico.
La inteligencia artificial no aparece de la nada.
Aprende de aquello que hemos construido antes.
Del lenguaje.
De la ciencia.
De la literatura.
De nuestras preguntas, errores, debates y descubrimientos.
Por eso me resulta interesante que los libros vuelvan a adquirir valor precisamente ahora.
No como objetos del pasado, sino como infraestructura de conocimiento para una tecnología del futuro.
De hecho, ya existen iniciativas que trabajan precisamente en esa dirección. Harvard, por ejemplo, ha desarrollado una colección cercana al millón de libros de dominio público digitalizados para facilitar su utilización por investigadores y sistemas de inteligencia artificial.
Me parece una de las vías más interesantes: utilizar la tecnología para hacer accesible conocimiento que de otra manera permanecería prácticamente invisible.
Pero comprar un libro no resuelve todas las preguntas
Que vea positivamente esta tendencia no significa que cualquier forma de hacerlo me parezca correcta.
Existen cuestiones legítimas sobre derechos de autor, licencias, procedencia de los materiales y conservación de ejemplares físicos.
Comprar un libro tampoco significa automáticamente adquirir todos los derechos sobre su contenido. La propia Oficina de Copyright estadounidense ha señalado que el tratamiento jurídico del entrenamiento de IA depende de circunstancias concretas, incluyendo qué obras se utilizan, de dónde proceden y para qué se utilizan.
Y si hablamos de ejemplares escasos, históricos o difícilmente reemplazables, destruirlos para digitalizarlos sería difícil de justificar desde una perspectiva de conservación.
Por eso distinguiría dos conversaciones.
Una es cómo debemos acceder al conocimiento y bajo qué condiciones.
La otra es si tiene sentido que ese conocimiento forme parte del aprendizaje de los sistemas de inteligencia artificial.
Sobre la segunda, mi posición es bastante clara.
Creo que sí.
Porque entrenar una IA también significa decidir qué queremos conservar
Hay una dimensión de esta noticia que me parece especialmente interesante.
Cuando elegimos los datos con los que entrenamos un modelo, no estamos tomando únicamente una decisión técnica.
También estamos decidiendo qué parte de nuestro conocimiento colectivo seguirá teniendo presencia en los sistemas que utilizaremos en el futuro.
Un manual técnico de hace cuarenta años.
Un estudio histórico local.
Una obra científica olvidada.
Un ensayo que apenas existe ya en librerías.
Conocimiento escrito en idiomas poco representados en Internet.
Todo eso puede adquirir una nueva vida cuando se convierte en material accesible para sistemas capaces de relacionarlo con millones de otras fuentes.
Y ahí veo una oportunidad enorme.
No se trata de sustituir los libros por inteligencia artificial.
Se trata casi de lo contrario.
De conseguir que parte del conocimiento encerrado en ellos pueda volver a circular.
El futuro de la IA dependa también de nuestro pasado
Hay algo que me gusta especialmente de esta historia.
En una época en la que hablamos constantemente de lo rápido que avanza la inteligencia artificial, resulta que uno de los recursos más valiosos puede ser precisamente aquello que escribimos antes de que existiera.
Porque cuanto más contenido pueda generar la tecnología, más importante será conservar fuentes de conocimiento que no hayan sido generadas por ella.
Y cuanto más inteligentes queramos que sean nuestros sistemas, más tendremos que cuidar aquello de lo que aprenden.
Quizá la próxima gran ventaja en inteligencia artificial no venga únicamente de tener modelos más grandes.
Puede venir de algo aparentemente mucho más sencillo: enseñarles mejor.
Y para eso, resulta que todavía tenemos mucho que aprender de los libros.
Referencias
Maiberg, Emanuel (2026). AI Companies Are Buying Tons of Old Books Because They’re Free of AI Slop. 404 Media.
https://www.404media.co/ai-companies-are-buying-tons-of-old-books-because-theyre-free-of-ai-slop/
Shumailov, Ilia et al. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759.
https://www.nature.com/articles/s41586-024-07566-y
Harvard Library. Harvard Library Public Domain Corpus. Colección de aproximadamente un millón de libros digitalizados de dominio público.
https://library.harvard.edu/services-tools/harvard-library-public-domain-corpus
U.S. Copyright Office (2025). Copyright and Artificial Intelligence, Part 3: Generative AI Training.
https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-3-Generative-AI-Training-Report-Pre-Publication-Version.pdf
