Amazon escanea y destruye libros para entrenar IA

Una empresa de inteligencia artificial compró 1.000 libros y los destruyó para entrenar sus modelos. Esta es la conclusión tras una investigación de 404 Media que rastreó un envío de libros raros hasta una instalación de Amazon en Las Vegas donde se escanean y destruyen volúmenes masivos de texto impreso para alimentar el entrenamiento de modelos de lenguaje.

La historia comenzó cuando un librero recibió un pedido inusualmente grande a través de Biblio, uno de los principales mercados online de libros. El vendedor accedió a incluir un Apple AirTag dentro de uno de los ejemplares para descubrir quién estaba detrás de la compra. El rastro reveló que los libros viajaron desde California hasta Milwaukee, Wisconsin, luego a Kenosha (donde permanecieron dos semanas en un almacén de la distribuidora Trifinity), cruzaron Colorado por carretera y terminaron en el centro logístico LAS8 de Amazon en Las Vegas, Nevada.

El destino final no era un centro de distribución convencional. Era la sección interna conocida como VGT3, un equipo especializado que recibe envíos masivos de libros impresos, les corta la encuadernación para escanear las páginas más rápido y destruye el ejemplar físico en el proceso.

¿Qué es exactamente la operación VGT3 de Amazon?

El centro LAS8 opera principalmente como una operación de impresión bajo demanda de Amazon, pero su extremo norte alberga VGT3, un equipo con identidad propia: su símbolo es un tiranosaurio rex con la boca abierta sosteniendo un libro abierto, pintado en la entrada del edificio.

Según declaraciones de empleados de Amazon publicadas en foros internos, el trabajo en VGT3 es repetitivo y relativamente sencillo: algunos trabajadores cortan los libros, otros reciben los envíos y escanean los códigos de barras o ISBNs antes de proceder al escaneo del contenido. Un empleado describió el trabajo como "bonito" porque "todo lo que hacemos es escanear libros", mientras otro señaló que aunque ya tienen tasas por unidad, "no es estresante".

Lo que confirma esta operación es un patrón que los libreros habían detectado durante meses: compradores anónimos, insensibles al precio, adquiriendo miles de libros de forma sistemática a través de plataformas como Biblio, AbeBooks y otras marketplaces especializadas. Los pedidos nunca incluían libros muy raros sin ISBN, lo que sugiere que las empresas están trabajando metódicamente a través de la lista global de ISBNs para escanear cada libro impreso publicado.

Amazon proporcionó un statement a 404 Media afirmando que "compra libros a través de canales comerciales para ayudar a desarrollar y mejorar los productos y servicios que usan nuestros clientes", pero no respondió preguntas sobre por qué destruye los libros, cuántas instalaciones similares tiene ni su respuesta ante la controversia generada.

¿Por qué las IA necesitan destruir libros físicos?

Los libros representan una fuente de datos valiosa para el entrenamiento de modelos de lenguaje por tres razones críticas:

Primero, gran parte del texto contenido en libros impresos no está disponible en internet. Los grandes modelos ya han raspado prácticamente todo el contenido web público disponible.

Segundo, los libros están convenientemente organizados por estructura narrativa y temática, facilitando el procesamiento.

Tercero, si un libro fue impreso antes de 2022, está garantizado que contiene texto generado exclusivamente por humanos, libre de "IA slop" (texto generado por IA). Entrenar un modelo con datos contaminados por generación automática puede provocar un fenómeno llamado "colapso del modelo" (model collapse), donde la calidad del output se degrada recursivamente.

Pero hay un motivo económico directo: cortar el lomo del libro permite escanear las páginas mucho más rápido y barato que hacerlo preservando la encuadernación. La destrucción física del ejemplar también tiene implicaciones legales relevantes.

El precedente legal: el caso Anthropic y "Project Panama"

Esta operación no existe en el vacío. En enero de 2026, The Washington Post reveló que Anthropic había iniciado una campaña similar bajo el nombre de "Project Panama". La noticia surgió de una demanda presentada por autores contra Anthropic, donde se descubrió que la empresa adquiría libros a través de marketplaces comerciales, les cortaba los lomos y los escaneaba para entrenamiento.

Lo crucial desde el punto de vista legal llegó cuando el juez en ese caso determinó que entrenar IA con libros escaneados constituía uso justo (fair use) y no violación de derechos de autor, precisamente porque los originales físicos eran destruidos. El razonamiento del tribunal se basó en que es derecho del consumidor adquirir medios físicos y almacenarlos digitalmente, y que destruir el original significa que la copia no se duplica ni se revende, sin afectar directamente el negocio editorial.

Este precedente judicial establece un marco que otras empresas tecnológicas pueden seguir. Amazon, que desarrolla su propia familia de modelos de lenguaje de frontera llamados Nova (competitivos con los de Google, OpenAI y Anthropic), utiliza estos datos para alimentar esa misma carrera por la capacidad de sus modelos.

Qué significa esto para tu startup

Si fundás o trabajás en una empresa tecnológica, este desarrollo tiene implicaciones concretas que van más allá de la discusión ética sobre la destrucción de libros:

Para startups de contenido y edición: El valor de los activos intelectuales físicos está cambiando radicalmente. Lo que antes era un coleccionable o un recurso educativo ahora es un commodity de datos. Si tu modelo de negocio depende de contenido impreso exclusivo o de la escasez de copias físicas, necesitás reevaluar tu estrategia de protección y monetización.

Para fundadores de IA: La disponibilidad de datos estructurados y libres de contaminación por IA se agota rápidamente. Quienes no hayan construido pipelines de datos diversificados ahora enfrentan competencia directa por recursos limitados. Considerá invertir en relaciones directas con creadores y editoriales para acceso licenciado a datos de alta calidad, no solo en compras masivas de mercado gris.

Para cualquier startup que maneje propiedad intelectual: El precedente de "fair use" establecido en el caso Anthropic podría expandirse a otros tipos de contenido protegido. Monitoreá la evolución regulatoria tanto en EE.UU. como en la Unión Europea, donde la Ley de IA (AI Act) impone requisitos diferentes sobre transparencia de datos de entrenamiento.

Acciones concretas que podés implementar esta semana:

• Audita tus fuentes de datos: Si tu producto usa datos externos, verificá su procedencia y estado legal. Datos obtenidos sin licencia explícita son un riesgo creciente ante la presión regulatoria.
• Documentá la trazabilidad de tus datasets: Mantén registros detallados del origen de cada dataset que uses para entrenar modelos. Esto te protege legalmente y es cada vez más exigido por inversores y reguladores.
• Explorá acuerdos directos con creadores: Mientras las grandes empresas compiten por commodities de datos, las startups pueden diferenciarse firmando licencias directas con creadores de contenido, creando ventajas competitivas sostenibles.

Fuentes

• We Tracked a Shipment of Rare Books. It Ended at an Amazon AI Training Facility (404 Media)