Las empresas de IA están comprando libros usados por millones para destruirlos después de escanearlos, y el quilombo legal recién empieza
Por Daniel Antúnez, fundador de RomaLatam
Mientras todos discutimos qué modelo de IA es mejor, hay una industria entera creciendo en las sombras que pocos conocen: empresas que compran libros usados a escala industrial, les cortan el lomo con máquinas hidráulicas, los escanean página por página, y tiran lo que queda a la basura. El destino final de esos millones de páginas escaneadas es entrenar a los modelos de lenguaje que usamos todos los días.
Cómo funciona el mecanismo, explicado sin vueltas
El proceso tiene un nombre técnico, "escaneo destructivo", y una lógica bastante simple detrás. Los modelos de IA necesitan cada vez más texto de calidad para seguir mejorando, y buena parte de internet ya está saturada de contenido generado por IA, lo que lo vuelve menos útil como fuente de entrenamiento. Los libros impresos, en cambio, ofrecen algo cada vez más escaso: texto escrito y editado profesionalmente por humanos, limpio y consistente.
El problema es el riesgo legal de usar contenido con derechos de autor. Ahí aparece el truco: comprar la copia física de un libro te da, bajo la doctrina de primera venta, el derecho legal de hacer lo que quieras con ese ejemplar puntual, incluido destruirlo después de digitalizarlo. Es exactamente lo que reveló el caso judicial contra Anthropic, donde se descubrió que la compañía compró y destruyó millones de libros físicos en una iniciativa bautizada internamente como "Proyecto Panamá".
El fallo judicial que le dio luz verde a todo esto
En junio de 2025, el juez federal William Alsup falló que digitalizar libros comprados legalmente para entrenar modelos de IA constituye uso justo bajo la ley de derechos de autor de Estados Unidos, calificando la tecnología de "extremadamente transformativa". El fallo marcó un precedente importante: fue la primera vez que un tribunal le dio la razón a una empresa de IA sobre este tipo de uso de material con derechos de autor.
Ese mismo fallo, sin embargo, tuvo un costado negativo para Anthropic: el juez encontró que la compañía había violado derechos de autor al mantener una biblioteca de más de siete millones de libros piratas, descargados de repositorios ilegales como Library Genesis, incluso si esos libros específicos no terminaban siendo usados para entrenamiento. Ese capítulo del caso derivó en un acuerdo de 1.500 millones de dólares, la mayor compensación conocida en un caso de derechos de autor relacionado con IA.
Por qué esto se mantuvo en secreto tanto tiempo
Una investigación reciente reveló que varias empresas de IA vienen usando intermediarios para comprar libros a gran escala de forma anónima, con empresas especializadas en sourcing masivo que ofrecen confidencialidad a sus clientes de inteligencia artificial. Un librero holandés contó que recibió un pedido de 3.000 copias de un mismo título y al principio pensó que era spam o un intento de estafa, hasta que entendió que era exactamente el tipo de compra masiva que buscan estos intermediarios.
Esa necesidad de anonimato dice bastante sobre cómo las propias empresas perciben la sensibilidad de la práctica: nadie quiere ser noticia por destruir bibliotecas enteras para alimentar un algoritmo, aunque sea legal.
Por qué esto no es solo un tema de nicho legal
Para cualquier negocio que hoy construye su estrategia de contenido y visibilidad pensando en cómo lo van a leer los modelos de IA, esta historia importa por una razón concreta: entender qué tipo de fuentes están alimentando a estos sistemas ayuda a entender por qué priorizan cierto tipo de contenido sobre otro. Un modelo entrenado cada vez más con texto editorial de calidad, en lugar de contenido genérico de internet, va a tener estándares más altos sobre qué considera una fuente confiable a la hora de citar y recomendar.
La lección de fondo sobre calidad de contenido
Esta historia, más allá de la polémica legal y ética, confirma algo que venimos insistiendo en este blog: los modelos de IA están cada vez más hambrientos de contenido genuinamente bien escrito, estructurado y editado con cuidado, precisamente porque el contenido genérico y masivo ya satura buena parte de internet. Producir contenido con ese mismo nivel de cuidado editorial, en lugar de volumen sin criterio, es exactamente el tipo de señal que hoy vale más para construir autoridad frente a estos sistemas.
El costado incómodo que nadie quiere decir en voz alta
Hay una tensión de fondo en toda esta historia que vale la pena nombrar directamente. Las mismas empresas que hoy predican sobre construir un futuro de IA transparente y "para todos" están, al mismo tiempo, operando plantas de escaneo destructivo a través de intermediarios anónimos, específicamente para evitar la exposición pública que generaría hacerlo a cara descubierta. Esa contradicción entre discurso público y práctica operativa es, en sí misma, un caso de estudio de gestión de reputación corporativa.
Ninguna empresa quiere ser la protagonista del titular "destruimos millones de libros para entrenar nuestro chatbot", aunque la práctica sea legal. Y sin embargo, la opacidad elegida para evitar ese titular terminó generando, cuando se destapó, exactamente el escándalo que buscaban evitar, solo que con el agravante de parecer que tenían algo que esconder.
Lo que cualquier empresa puede aprender de este error de comunicación
1. La opacidad rara vez sale gratis
Cuando una práctica legal se oculta deliberadamente, la revelación posterior siempre genera más sospecha que si se hubiera comunicado con transparencia desde el principio. El público tiende a asumir mala intención frente al secretismo, incluso cuando la actividad en cuestión es perfectamente legal.
2. Legal no siempre significa defendible en la opinión pública
Una práctica puede sobrevivir perfectamente un escrutinio legal y aun así generar un daño reputacional serio si la sociedad la percibe como éticamente cuestionable. La pregunta correcta no es solo "¿esto es legal?", es también "��cómo se ve esto si mañana es la portada de un medio grande?"
3. La transparencia proactiva cambia la narrativa
Empresas que comunican de forma proactiva y honesta sus prácticas, incluso las controvertidas, suelen sufrir menos daño reputacional que las que esperan a ser descubiertas. El control de la narrativa vale mucho más antes de que la historia se cuente sin vos en la sala.
Preguntas frecuentes
¿Es legal que las empresas de IA destruyan libros después de escanearlos?
Según el fallo del juez William Alsup en junio de 2025, sí, siempre que el libro haya sido comprado legalmente. La doctrina de primera venta permite al comprador de una copia física hacer lo que quiera con ella, incluido destruirla después de digitalizarla.
¿Qué empresa fue la más señalada en este caso?
Anthropic, que según documentos judiciales compró y destruyó millones de libros físicos en una iniciativa interna llamada "Proyecto Panamá", contratando incluso al exjefe de asociaciones del proyecto de escaneo de libros de Google.
¿Anthropic tuvo alguna consecuencia legal por esta práctica?
Sí, pero no por destruir los libros comprados legalmente, sino por mantener una biblioteca separada de más de siete millones de libros piratas descargados de repositorios ilegales, lo que derivó en un acuerdo de 1.500 millones de dólares.
¿Por qué las empresas de IA prefieren libros físicos en lugar de contenido de internet?
Porque buena parte de internet ya está saturada de contenido generado por IA, lo que reduce su valor como fuente de entrenamiento. Los libros ofrecen texto escrito y editado profesionalmente, con calidad y consistencia difíciles de encontrar en la web actual.
¿Cómo compran estas empresas los libros sin que se sepa públicamente?
A través de intermediarios y empresas especializadas en compras masivas, que ofrecen confidencialidad a sus clientes de inteligencia artificial y localizan cientos de miles de títulos a pedido.
¿Esta práctica afecta a libros raros o descatalogados?
Es una de las preocupaciones centrales de críticos y bibliotecarios: la compra masiva y destrucción de ediciones antiguas o poco comunes podría eliminar copias físicas que existen en cantidades limitadas, aunque no hay certeza total sobre cuántos casos específicos de este tipo ocurrieron.
¿Qué relación tiene esto con la estrategia de contenido de una marca?
Una relación directa: entender que los modelos de IA están priorizando cada vez más contenido de calidad editorial ayuda a entender por qué el contenido genérico y masivo rinde cada vez menos frente a estos sistemas, comparado con contenido cuidado y bien estructurado.
¿Cómo se conecta esto con el trabajo de GEO que hace Roma?
Se conecta con nuestra convicción de siempre: la calidad y el cuidado editorial del contenido pesan cada vez más para que un modelo de IA lo considere una fuente confiable, algo que esta historia confirma desde un ángulo completamente distinto al que solemos abordar.
Daniel Antúnez es fundador de RomaLatam, agencia especializada en posicionamiento de marca y optimización para motores generativos (GEO).
