La expansión de la inteligencia artificial generativa ha abierto un nuevo frente en la disputa por el control del conocimiento. Las grandes empresas tecnológicas necesitan cantidades inmensas de textos para entrenar sus modelos y, ante el deterioro de la calidad de los contenidos disponibles en internet, algunas han recurrido a una fuente aparentemente inagotable: los libros impresos.
Una resolución judicial estadounidense ha confirmado que Anthropic, empresa responsable del modelo Claude, compró millones de libros físicos, retiró sus encuadernaciones, cortó sus páginas, los escaneó y desechó los ejemplares originales. Parte de esa biblioteca digital fue utilizada para entrenar sus sistemas de inteligencia artificial.
El hecho está acreditado. Sin embargo, alrededor de esta práctica han comenzado a circular afirmaciones mucho más amplias que no cuentan con el mismo respaldo documental. No está demostrado que todas las compañías de inteligencia artificial estén comprando libros antiguos «al peso», ni que se estén destruyendo sistemáticamente ejemplares únicos. Tampoco es cierto que haya desaparecido o haya sido borrado el 30 % de internet.
La realidad plantea un problema cultural, jurídico y económico suficientemente grave como para no necesitar exageraciones.
No ha desaparecido un tercio de internet
La afirmación sobre la supuesta desaparición del 30 % de internet procede de una interpretación incorrecta de una investigación publicada en 2024 por el Pew Research Center.
El estudio analizó una muestra de 999.989 direcciones web recopiladas por Common Crawl entre 2013 y 2023. Los investigadores intentaron acceder nuevamente a esas páginas y comprobaron que el 25 % ya no estaba disponible en su dirección original. Entre las direcciones recopiladas específicamente en 2013, la proporción de páginas inaccesibles diez años después alcanzaba el 38 %.
La investigación no examinó todo internet ni concluyó que una tercera parte de sus contenidos hubiera sido destruida. Internet no está compuesto únicamente por páginas web abiertas al público. También incluye correos electrónicos, servicios privados, plataformas cerradas, redes corporativas, archivos audiovisuales, bases de datos, sistemas de mensajería y contenidos que nunca son indexados por los buscadores.
Además, que una dirección haya dejado de funcionar no significa necesariamente que su contenido haya desaparecido. La página puede haber cambiado de dominio, haber sido trasladada, permanecer en una base de datos, conservarse en copias privadas o estar archivada por instituciones como Internet Archive o Common Crawl.
Lo que midió Pew Research Center fue principalmente la degradación de los enlaces, conocida como link rot: páginas y direcciones que dejan de estar accesibles con el paso del tiempo. Es un problema serio para la conservación de la memoria digital, pero no equivale a afirmar que se haya borrado el 30 % del conocimiento alojado en internet.
Por qué las empresas buscan libros impresos
Los modelos de inteligencia artificial aprenden mediante el análisis estadístico de cantidades enormes de lenguaje. Para mejorar sus respuestas necesitan textos variados, bien estructurados y procedentes de diferentes épocas, disciplinas y registros lingüísticos.
La red ha sido la principal fuente de estos materiales, pero presenta varios problemas. Contiene duplicados, publicidad, textos automáticos, información falsa, contenidos de baja calidad y un volumen creciente de material generado por otras inteligencias artificiales.
Los libros ofrecen un tipo de lenguaje diferente. Han atravesado procesos de escritura, corrección, edición y selección editorial. También contienen conocimientos especializados y materiales históricos que no siempre se encuentran disponibles en línea.
Las obras publicadas antes de la generalización de la inteligencia artificial generativa tienen otra ventaja: fueron creadas íntegramente por seres humanos. Este elemento es cada vez más valioso para evitar que los modelos futuros sean entrenados principalmente con textos producidos por sistemas anteriores.
La investigación científica ha advertido de que alimentar sucesivas generaciones de modelos únicamente con contenidos sintéticos puede degradar progresivamente sus resultados. Esto no significa que internet se haya vuelto inútil, sino que las compañías buscan fuentes humanas de mayor calidad para complementar sus bancos de datos.
Anthropic sí destruyó millones de ejemplares
La práctica más controvertida aparece detallada en una resolución dictada el 23 de junio de 2025 por el juez federal William Alsup, dentro del procedimiento judicial Bartz contra Anthropic.
Según los hechos recogidos por el tribunal, Anthropic gastó millones de dólares en comprar millones de libros impresos, muchos de ellos usados. Los proveedores contratados por la empresa retiraban las encuadernaciones, cortaban las páginas para introducirlas en escáneres industriales, generaban archivos digitales y eliminaban posteriormente los originales de papel.
El proceso era destructivo porque un libro encuadernado no puede introducirse con rapidez en determinados sistemas de digitalización masiva. Para escanear miles de páginas por hora es necesario separar las hojas y convertirlas en documentos independientes.
Anthropic reunió así una biblioteca digital privada que aspiraba a contener una parte muy significativa de la producción bibliográfica mundial. Algunos grupos y selecciones de esos libros fueron utilizados en los conjuntos de datos destinados al entrenamiento de sus modelos lingüísticos.
Por tanto, sí está probado que millones de ejemplares físicos fueron destruidos para producir archivos legibles por máquinas.
Lo que la documentación judicial no demuestra es que esos millones de volúmenes fueran mayoritariamente libros antiguos, primeras ediciones, obras raras o ejemplares únicos. La resolución habla de compras masivas de libros, con frecuencia usados, pero no describe una operación dirigida específicamente contra el patrimonio bibliográfico.
Tampoco consta que se pagaran literalmente «al peso». Comprar grandes lotes de libros a distribuidores, liquidadores o vendedores mayoristas no equivale necesariamente a adquirirlos por kilogramos ni permite concluir que carecieran de clasificación bibliográfica.
Libros comprados y archivos pirateados
La investigación judicial reveló dos vías distintas para obtener textos. Por una parte, Anthropic compró ejemplares físicos y los digitalizó. Por otra, descargó más de siete millones de libros procedentes de bibliotecas digitales piratas.
El tribunal diferenció jurídicamente ambas prácticas. Consideró que, en las circunstancias concretas del caso y conforme al derecho estadounidense, la conversión de un ejemplar adquirido legalmente en un archivo digital interno podía considerarse un uso transformador, especialmente porque el libro de papel era destruido y el archivo no se distribuía públicamente.
Sin embargo, el juez no concedió la misma protección a la creación de una biblioteca permanente formada a partir de copias pirateadas. La inteligencia artificial no dispone de una excepción general que permita apropiarse de cualquier obra protegida por derechos de autor.
El criterio se refiere a la legislación de Estados Unidos y no puede trasladarse automáticamente a España o a la Unión Europea, donde la minería de textos y datos está sometida a reglas específicas, reservas de derechos y requisitos de acceso legítimo.
España conserva los libros mediante el depósito legal
En España, los libros publicados están sujetos al depósito legal. La obligación corresponde principalmente a las editoriales y, en determinados casos, a quienes realizan una autoedición.
La entrega se efectúa ante las oficinas de depósito legal de las comunidades autónomas antes de que la obra sea distribuida o puesta a la venta. Posteriormente, los ejemplares se destinan a la Biblioteca Nacional de España y a los centros autonómicos encargados de su conservación.
En el caso de los libros ordinarios, la Biblioteca Nacional conserva al menos dos ejemplares de las primeras ediciones y de las reediciones. Desde la reforma normativa aplicada en 2023, también debe depositarse el archivo digital previo a la impresión cuando este exista.
Por tanto, no es completamente exacto decir que cada libro publicado debe entregar simplemente «una copia» a la Biblioteca Nacional. El procedimiento es más amplio, está descentralizado y puede exigir varios ejemplares.
El depósito legal reduce considerablemente el riesgo de que una obra contemporánea publicada en España desaparezca porque una empresa destruya un ejemplar comprado en el mercado de segunda mano. Sin embargo, el sistema no protege absolutamente todo.
Pueden existir publicaciones extranjeras, impresos clandestinos, ediciones antiguas, tiradas privadas, libros cuyo depósito nunca se realizó o ejemplares con características materiales irrepetibles.
No es lo mismo destruir un ejemplar que eliminar una obra
Para evaluar el alcance del problema es necesario distinguir entre la obra, la edición y el ejemplar.
La obra es el contenido intelectual creado por su autor. La edición es una publicación concreta realizada en una fecha, por una editorial y con determinadas características. El ejemplar es cada uno de los objetos físicos producidos dentro de esa edición.
Cuando se corta el lomo de un libro y se desechan sus páginas, desaparece ese ejemplar concreto. La obra no desaparece mientras continúe conservada en otros libros, archivos editoriales o copias digitales. La edición tampoco desaparece si existen otros ejemplares de la misma tirada.
El riesgo patrimonial aumenta cuando se destruye el último ejemplar conocido, una variante de impresión no catalogada, una copia con anotaciones manuscritas, una dedicatoria del autor, una encuadernación singular o un volumen perteneciente a una biblioteca histórica.
Un escaneo puede conservar el texto y las imágenes, pero no reproduce toda la información contenida en el objeto. Se pierden el papel, las tintas, la encuadernación, las marcas de propiedad, las correcciones, las huellas de lectura y la procedencia del ejemplar.
Además, que un libro sea digitalizado no garantiza que vaya a quedar disponible para la sociedad. Los archivos creados por Anthropic permanecieron en una biblioteca corporativa privada. El contenido puede sobrevivir digitalmente y, al mismo tiempo, quedar encerrado en una infraestructura empresarial inaccesible para investigadores, bibliotecas y ciudadanos.
El libro no va a desaparecer, pero existe un problema real
No hay pruebas de que la inteligencia artificial vaya a provocar la desaparición inmediata del libro impreso ni de que las empresas tecnológicas estén destruyendo de forma generalizada las últimas copias de obras históricas.
La práctica acreditada sí plantea interrogantes importantes. Millones de objetos culturales han sido convertidos en materia prima para construir herramientas comerciales. La destrucción se realizó a gran escala y sin que conste una evaluación individual del posible valor histórico de cada ejemplar.
El peligro no consiste en que todos los libros desaparezcan de las estanterías. El problema es que grandes cantidades de patrimonio impreso puedan ser destruidas, descontextualizadas y transformadas en archivos privados cuyo uso y conservación dependen exclusivamente de empresas tecnológicas.
La inteligencia artificial necesita textos humanos, pero esa necesidad no debería justificar la destrucción indiscriminada de objetos culturales ni la apropiación opaca de obras protegidas. Digitalizar puede ayudar a conservar el conocimiento. Hacerlo destruyendo los originales y encerrando las copias en bibliotecas corporativas plantea exactamente la cuestión contraria: quién controla la memoria escrita y con qué derecho decide sobre su futuro.
Añadir DiarioSabemos como fuente preferida de Google de forma gratuita
Mantente informado con las últimas noticias de actualidad.