Libros destruidos en una biblioteca sin ventanas

En enero de este año conocimos una noticia que publicó The Washington Post y que parecía salida de una novela distópica: Anthropic, la empresa creadora de Claude IA, había comprado, desarmado y escaneado millones de libros para enseñar a sus modelos de inteligencia artificial a escribir. Los lomos fueron cortados, las páginas separadas y digitalizadas y, finalmente, los ejemplares de papel terminaron destruidos y desechados. Detrás de la operación había una ambición casi borgiana, formulada internamente bajo el nombre de Proyecto Panamá: reunir una biblioteca capaz de contener todos los libros del mundo.

La noticia parece explicar, al menos en parte, una impresión que siempre he tenido: Claude suele desenvolverse con especial soltura en la escritura. No existe una prueba pública que permita afirmar que su calidad literaria se deba exclusivamente a esta enorme biblioteca asimilada, pero sí sabemos que uno de los cofundadores de Anthropic sostuvo, en enero de 2023, que los libros podían enseñar a los modelos a escribir bien, en contraste con buena parte del lenguaje descuidado que circula por internet. No sorprende, entonces, que proliferen en YouTube los consejos para utilizar Claude en la construcción de personajes, el desarrollo de tramas o la corrección de estilo.

Sin embargo, detrás de esa elegante prosa algorítmica aparece una biblioteca sin lectores, sin préstamos, sin catálogo público y, sobre todo, sin autores que hayan consentido formar parte de ella.

¿Cuántos libros fueron?

Conviene separar dos historias que con frecuencia aparecen mezcladas.

La primera corresponde a la de los libros físicos. Aquí la cifra exacta permanece oculta en documentos con fragmentos censurados. El expediente habla de millones de ejemplares comprados, mientras una propuesta de uno de los proveedores contemplaba entregar entre 500.000 y dos millones en seis meses. The Washington Post informó que Anthropic gastó decenas de millones de dólares en esta operación. El total definitivo todavía no se conoce.

La segunda historia es la de libros digitales provenientes de repositorios piratas. Según los antecedentes judiciales, Anthropic descargó 196.640 libros de Books3; al menos cinco millones desde Library Genesis, o LibGen; y otros dos millones desde Pirate Library Mirror. En total, su biblioteca llegó a contener más de siete millones de copias obtenidas desde estas fuentes.

Las principales descargas piratas documentadas ocurrieron entre 2021 y 2022. La reflexión interna sobre la utilidad literaria de los libros es de enero de 2023. La gran operación de compra y digitalización de ejemplares impresos se intensificó en 2024. No fue un único acto secreto, sino una estrategia desarrollada durante varios años.

¿Aprender de los libros o apropiarse de ellos?

La defensa de Anthropic compara el entrenamiento de una inteligencia artificial con la formación de una persona. Un profesor lee una cierta cantidad de libros, prepara una clase y transmite ideas que provienen de una extensa bibliografía. Un novelista escribe después de haber leído a otros novelistas. Ninguna creación humana nace completamente aislada de las obras anteriores.

Bajo esta mirada, Claude no guardaría dentro de sí una biblioteca para recitarla, sino que aprendería patrones, relaciones, estructuras y formas de expresión. El juez William Alsup, en el juicio conocido como Bartz v. Anthropic PBC, aceptó una parte importante de este razonamiento: consideró que entrenar modelos de lenguaje con libros podía constituir un uso transformativo bajo la legislación estadounidense, porque el propósito no era ofrecer copias sustitutivas, sino construir una tecnología diferente. También estimó lícita la transformación de un libro impreso comprado legítimamente en una copia digital interna cuando, al mismo tiempo, el original físico era eliminado.

Pero la comparación con un profesor tiene límites evidentes. El académico no suele descargar clandestinamente siete millones de libros para conservarlos en un depósito privado; tampoco transforma esas lecturas en un producto comercial valorado en miles de millones de dólares. Por esa razón, miles de autores alegaron que sus obras fueron copiadas íntegramente, sin permiso, sin pago y sin informarles que participarían en la educación de una máquina.

El fallo produjo una distinción incómoda, pero importante: el uso posterior de las obras para entrenar podía ser legítimo, mientras que la forma de obtener algunas de esas obras no lo era. El tribunal rechazó que conservar una biblioteca compuesta por copias piratas quedara amparada por la doctrina del uso legítimo. No declaró ilegal todo entrenamiento de inteligencia artificial ni absolvió cada etapa del proceso. Separó la lectura algorítmica de la adquisición de los libros.

Lo que resolvió la justicia

Anthropic aceptó aportar un fondo total de US$1.500 millones. Se trata del mayor acuerdo de derechos de autor en la historia de Estados Unidos. La negociación abarca 482.460 obras elegibles y, hasta el 16 de abril, se habían presentado reclamaciones correspondientes a 440.490 de ellas, más del 91 % del total. La compañía llegó a un acuerdo para evitar el juicio que habría determinado los daños asociados a las copias piratas. Además, el convenio libera a la empresa solamente de ciertas reclamaciones pasadas relacionadas con la incorporación de obras como datos de entrada hasta el 25 de agosto de 2025. Y, ojo: no cubre eventuales infracciones producidas por las respuestas de Claude, conductas futuras ni litigios distintos.

Hay un vacío poco visible: el acuerdo comprende únicamente las 482.460 obras que reunían los criterios jurídicos de elegibilidad establecidos para esta demanda. Por ello, millones de títulos presentes en los repositorios descargados por Anthropic, entre ellos, probablemente, numerosas obras extranjeras, textos de países latinoamericanos, africanos, asiáticos y probablemente europeas, traducciones y publicaciones no registradas en Estados Unidos, quedaron fuera de esta compensación.

Hay un vacío poco visible: el acuerdo solo cubre obras registradas en la Oficina de Derechos de Autor de Estados Unidos. La mayoría de los libros descargados desde repositorios piratas, obras de autores extranjeros, traducciones, o textos de países latinoamericanos, africanos o asiáticos donde el registro no es obligatorio, quedan fuera del fondo de compensación. Es decir, la mayor parte de la biblioteca pirata de Anthropic sigue sin ser reconocida.

La justicia estadounidense ha cerrado el caso, pero no la conversación. La pregunta mayor continúa abierta: ¿puede una empresa apropiarse de una obra para aprender de ella sin pagar? ¿Y puede hacer lo mismo con miles de millones de documentos subidos en “la nube”?

Comprar un libro y destruirlo

La imagen de millones de libros guillotinados y destruidos despierta una indignación esperable. Para los amantes de los libros, cortar sus lomos parece una forma de violencia. Anthropic compró grandes cantidades de ejemplares, muchos a través de vendedores de libros usados como Better World Books y World of Books. Después utilizó cortadoras hidráulicas para separar las páginas y acelerar el escaneo. Los originales fueron descartados o reciclados. Desde el punto de vista de la propiedad material, quien compra un libro puede conservarlo, regalarlo, intervenirlo o destruirlo.

Es razonable lamentar que esos libros no fueran donados a escuelas, cárceles, hospitales o bibliotecas. También es legítimo preguntar por el costo ambiental y cultural de convertir millones de objetos legibles en materia prima para servidores. Si bien no existe evidencia pública suficiente para afirmar que Anthropic los destruyó con el propósito específico de ocultar los títulos utilizados, existe bastante documentación que muestra una voluntad de mantener la operación en reserva. La destrucción física tenía para la empresa una explicación técnica: era el método más rápido para escanear páginas a gran escala. Cabe entonces preguntarse: si una biblioteca destruye su única copia de un libro después de escanearlo, ¿está preservando conocimiento o borrando huellas?

El “bibliotecario” de Claude

Hay una pregunta todavía más inquietante que la cantidad de libros: ¿quién eligió cuáles merecían entrar?

Sabemos que Anthropic contrató a Tom Turvey, antiguo responsable de alianzas para el proyecto de digitalización de libros de Google, para dirigir la adquisición masiva. Sabemos que se utilizaron catálogos comerciales, metadatos bibliográficos, proveedores de libros usados y repositorios digitales. Sabemos también que la empresa construyó su propio catálogo. Pero no conocemos una política pública de desarrollo de colecciones que explique qué lenguas, épocas, países, géneros o tradiciones fueron privilegiados. Tampoco existe una lista completa y verificable de las obras utilizadas para entrenar cada versión de Claude.

En una biblioteca, seleccionar significa también excluir. Por eso existen políticas de desarrollo de colecciones, criterios de diversidad y responsabilidades profesionales. Una biblioteca explica, al menos en teoría, por qué compra ciertos libros, cómo atiende a su comunidad y qué intenta corregir cuando descubre vacíos.

En la biblioteca de una inteligencia artificial, en cambio, el catálogo permanece oculto. No sabemos si la abundancia de literatura anglosajona ahoga a las tradiciones periféricas; si determinadas lenguas aparecen apenas como muestras; si África, América Latina o Asia están representadas por sus propias voces o por libros escritos sobre ellas; si las mujeres, las disidencias, los pueblos indígenas y las clases populares ingresaron como autoras o solamente como objetos de descripción.

No sabemos si la selección fue rigurosamente planificada o tal vez dependió simplemente de lo que estaba disponible. Lo que sí sabemos es que Claude tuvo técnicos, compradores, ingenieros y un director de adquisiciones. Lo que no sabemos es si tuvo realmente un bibliotecario. Probablemente no. Y probablemente resida allí uno de sus principales problemas. La ausencia de un bibliotecario no es un detalle operativo: es un vacío estructural. Sin política de desarrollo de colecciones, sin criterios de diversidad, sin responsabilidad profesional, la selección de libros queda reducida a lo que un algoritmo de búsqueda encuentra primero, o a lo que el mercado editorial anglosajón pone a disposición. El trabajo mecánico se puede reemplazar con máquinas y robots; la inteligencia bibliotecaria, no.

¿Están leyendo nuestros documentos?

El caso invita a desconfiar de todas las plataformas donde depositamos nuestros libros, nuestros documentos, nuestros correos e incluso nuestras conversaciones. No hay evidencia de que ChatGPT, Claude o Gemini entrenen indiscriminadamente sus modelos leyendo en secreto todos nuestros documentos. Pero sí es obvio que una persona que conecta voluntariamente su correo o sus documentos para que el asistente busque información lo deja eventualmente vulnerable.

Las compañías reconocen que algunos datos de usuarios pueden contribuir al mejoramiento de sus sistemas. OpenAI permite que las conversaciones de cuentas individuales se utilicen para entrenamiento, salvo que la persona desactive esa opción. Anthropic declara que combina información pública de internet, datos no públicos proporcionados por terceros, trabajo contratado, datos sintéticos y conversaciones de usuarios que hayan permitido ese uso. Google señala que ciertas conversaciones de Gemini pueden ser revisadas y utilizadas para mejorar sus servicios cuando la actividad está habilitada, mientras las conversaciones temporales o con esa función desactivada reciben otro tratamiento. ¿Cuál? No lo sabemos con certeza.

Hay una zona gris en la dificultad de comprender un ecosistema de permisos, licencias, proveedores, datos públicos y acuerdos comerciales. Las empresas hablan de “datos de terceros” o “contenido disponible públicamente”, categorías demasiado amplias para responder la pregunta que cualquier bibliotecario haría: ¿qué documentos concretos, obtenidos de dónde, bajo qué licencia y conservados durante cuánto tiempo?

La censura no existe mi amor…

Llegué a esta cuestión por una experiencia personal. Mientras preparaba una clase de Literatura Universal, pedí a ChatGPT que me ayudara a traducir a un autor francés de literatura erótica del siglo XVIII. La respuesta fue cortés, pero negativa. Probé con otras inteligencias artificiales y encontré restricciones semejantes.

Las compañías suelen llamar a estas limitaciones salvaguardas, políticas de uso, moderación o alineamiento. Y puede estar bien: cada empresa tiene derecho a declarar qué restricciones aplicará a sus propios servicios. El problema aparece cuando un filtro es incapaz de distinguir entre explotación y literatura, entre propaganda y análisis histórico. Las plataformas bloquean también obras legítimas, investigaciones y traducciones. Los propios desarrolladores reconocen que los sistemas de seguridad pueden generar rechazos erróneos ante solicitudes inofensivas. ¿Eso es casual o intencionado?

Anthropic publica una «Constitución» destinada a orientar el comportamiento de Claude y reconoce que modela deliberadamente sus valores mediante entrenamiento y reglas. Google ofrece filtros para categorías como contenido sexual explícito, odio, acoso o peligro, con umbrales variables según el producto. OpenAI mantiene, a su vez, políticas que delimitan los usos permitidos y prohibidos. Las reglas no son idénticas, no permanecen fijas ni siempre se aplican con la sutileza que exige una obra artística. Tampoco conocemos en detalle cada uno de esos filtros, qué cosas nos opacan y cuáles otras nos iluminan.

Las plataformas de inteligencia artificial nos entregan aquello que resulta de una cadena de decisiones humanas: qué datos reunir, qué textos descartar, qué respuestas premiar, qué riesgos evitar, qué temas moderar y qué intereses comerciales proteger. Sus silencios también han sido diseñados.

La selección de libros y la selección de respuestas son dos momentos de un mismo poder. Primero se decide con qué mundo aprenderá la máquina. Después se decide qué parte de ese mundo podrá mostrarnos. Es la construcción de un modelo cultural.

Y las plataformas de inteligencia artificial son, por ahora, una biblioteca sin ventanas.