Las empresas de IA compran libros antiguos: los últimos datos de entrenamiento sin «slop» de IA

Los laboratorios de IA han empezado a comprar libros antiguos en papel de forma masiva para entrenar modelos con ellos: los textos publicados antes de la llegada de la IA generativa siguen siendo el último gran conjunto de datos no contaminado por el «slop» de las máquinas. El acceso al catálogo lo vende el bróker de datos ISBNdb, y los propios laboratorios no revelan quién financia la compra, según informa The Next Web en julio de 2026.

Por qué valen los libros sin slop de IA

Los libros antiguos son valiosos porque tienen garantizada su autoría humana: cualquier texto publicado antes del lanzamiento de ChatGPT en noviembre de 2022 no puede contener, físicamente, contenido generado por una red neuronal. Esa «pureza» convierte las estanterías de las bibliotecas en un recurso escaso para el entrenamiento de modelos.

El problema está en el método de obtención. Para digitalizar un libro con un escáner industrial, se le corta el lomo y se pasan las páginas por un alimentador automático; es decir, el libro se destruye físicamente. Según The Next Web, se trata de millones de volúmenes, y el nombre del laboratorio que hace el pedido no figura en las operaciones.

• ISBNdb: bróker de datos que vende a los laboratorios acceso a un catálogo de libros
• Noviembre de 2022: lanzamiento de ChatGPT, línea divisoria entre datos «limpios» y contaminados
• La digitalización es destructiva: se cortan los lomos y se destruyen los libros en papel
• Hay millones de ediciones en circulación
• Los compradores no revelan qué empresa de IA ha pagado el pedido

¿Por qué se están agotando los datos?

Los grandes laboratorios ya han agotado, en la práctica, la internet abierta como fuente de textos de calidad. Los analistas de Epoch AI estimaron ya en 2024 que la reserva de datos humanos públicos de alta calidad podría agotarse en la segunda mitad de la década de 2020, y desde entonces la carrera por los corpus «limpios» que quedan no ha hecho más que intensificarse.

En esta carrera, los libros son un activo premium. Un libro aporta un texto largo, coherente y editado, con un lenguaje rico, y no mensajes sueltos y comentarios, de modo que cada volumen vale la calidad por la que los laboratorios están dispuestos a pagar a brókeres como ISBNdb.

¿Qué es la contaminación de datos?

La contaminación de datos es la situación en la que los textos de entrenamiento procedentes de internet están compuestos cada vez más por la producción de las propias redes neuronales y no por material escrito por personas. Un modelo entrenado con su propio «slop» se degrada poco a poco: pierde diversidad y precisión. Los investigadores describieron este efecto en la revista Nature ya en 2024 y lo bautizaron como model collapse (colapso del modelo).

De ahí la caza de libros físicos. Desde 2022, internet se llena a gran velocidad de texto generado por IA, y separar lo humano de lo artificial en la web es cada vez más difícil, mientras que la fecha de edición de un libro es un indicador fiable de que se tiene delante un texto humano, anterior a la era digital.

«Los mejores datos del mundo para entrenar IA están en una estantería», así, según

The Next Web, suena la oferta del bróker de datos ISBNdb.

El aspecto legal sigue siendo una zona gris: comprar y escanear libros ajenos para entrenar modelos comerciales es objeto de demandas de los titulares de derechos, y el anonimato de los clientes no hace sino aumentar las dudas sobre la transparencia.

Qué significa

Para la industria, es una señal de escasez estructural: los datos humanos de calidad son finitos, y todo lo creado después de 2022 se valora cada vez menos por la mezcla de contenido de IA. Mientras los modelos necesiten cada vez más texto, el legado «predigital» (libros antiguos, archivos, periódicos) se convierte en un recurso estratégico y físicamente agotable.