¿Se salvarán los libros de la industria de la IA?

Hace unos días, algunos medios de información y difusores independientes revelaron una información que escandalizó por completo a más de un amante de los libros. El llamado «Proyecto Panamá», para quienes no lo conocen, estaría implicando supuestamente la destrucción de miles de libros únicos con el único fin de entrenar a los modelos más recientes de inteligencia artificial. En esta columna no pretendo solamente informar sobre lo que ya se ha descrito, sino brindar una reflexión personal y una advertencia sobre las implicancias que puede tener, a largo plazo, esta suerte de «memoricidio» para toda nuestra cultura.

El «Proyecto Panamá» es el nombre clave otorgado a una iniciativa interna dentro de la industria de la inteligencia artificial destinada a recopilar e ingerir cantidades masivas de texto de alta calidad mediante la digitalización acelerada de libros físicos. La revelación de este proyecto puso al descubierto una de las prácticas más polémicas de la carrera por entrenar grandes modelos de lenguaje: la destrucción sistemática de miles de libros físicos para alimentar a los algoritmos.

Ahora debemos saber cómo opera este proceso de «destrucción». Para poder entrenar a los modelos de inteligencia artificial de manera eficiente, los desarrolladores necesitan un texto limpio, gramaticalmente correcto y estructurado. Los libros representan una de las fuentes de datos de mayor calidad disponibles. Sin embargo, escanear manualmente un libro, hojeándolo página por página, es un proceso lento e inviable a gran escala.

Es por ello que, para acelerar el proceso, el Proyecto Panamá implementó el mencionado método. El primer paso es la adquisición masiva: se compraron o recolectaron miles de volúmenes impresos, que incluían desde literatura clásica y obras académicas hasta libros raros o descatalogados, muy difíciles de hallar por sus limitadas copias físicas.

Posteriormente, los libros pasaban a la desencuadernación: se cortaban los lomos con guillotinas industriales, separando completamente las hojas del marco original y destruyendo la estructura del libro físico. Una vez sueltas, las hojas se pasaban por escáneres automáticos de alimentación continua, capaces de procesar miles de páginas por hora mediante el famoso OCR, que significa «Reconocimiento Óptico de Caracteres». Una vez convertidos en texto digital, los restos de los libros eran descartados y eliminados por completo.

La pregunta aquí sería: ¿por qué las empresas recurrieron a libros físicos? El primer motivo es evitar las restricciones de los libros electrónicos. Las licencias de libros digitales, como las de Kindle, suelen incluir términos de servicio estrictos y medidas de protección de derechos digitales que prohíben la extracción masiva de datos.

El segundo motivo son las ventajas de la propiedad física, pues quien compra un libro físico es dueño de esa copia concreta y, por ende, tiene derecho a modificarla o destruirla. Las empresas de inteligencia artificial utilizaron esto como argumento legal para justificar la digitalización interna sin autorización explícita de los editores, aunque muchos autores y editores ya hayan desaparecido. El tercer y más importante motivo es la escasez de datos de alta calidad.

Los textos extraídos de internet suelen contener basura, información poco útil o sin contrastar, errores sintácticos o spam. Los libros físicos garantizan una densidad conceptual y narrativa superior, muy valorada por los desarrolladores y entrenadores de modelos de inteligencia artificial más sofisticados.

La revelación de este proyecto generó un intenso debate por dos razones principales. La primera es que diversos autores, compiladores, historiadores y gremios de escritores señalaron la ironía de destruir el patrimonio impreso e intelectual de la humanidad para alimentar sistemas de inteligencia artificial destinados a replicar o reemplazar la escritura humana.

La segunda razón radica en que, aunque el libro físico se adquiera legalmente, su conversión a formato digital y su posterior utilización para crear productos comerciales son objeto de múltiples demandas por infracción masiva de derechos de autor por parte de editores y gremios de autores.

Personalmente, no me encuentro en contra de esta revolución que estamos viviendo en el campo de la inteligencia artificial. Considero que va a significar un salto cualitativo en muchos aspectos de la vida de las personas y que incluso puede incentivar avances tecnológicos y científicos en beneficio de la humanidad. Sin embargo, toda revolución científica o tecnológica conlleva también potenciales riesgos y amenazas latentes.

Más allá de las controversias generadas por los puestos de trabajo y profesiones que serían desplazados por culpa de la inteligencia artificial, pocos se ponen a pensar en el impacto que puede tener sobre la información que los modelos más desarrollados necesitan para seguir evolucionando. Por ahora están con los libros; sin embargo, esto lo podemos extrapolar a otras cosas, como vinilos de música o cintas de cine de las cuales se cuente con ejemplares únicos o muy pocos en el mundo.

Esto sí implica un peligro real. El hecho de que se digitalicen archivos físicos y luego se los deseche o destruya tiene varias consecuencias negativas. La primera y más palpable es que solamente quienes tengan acceso a los bancos de datos podrían acceder a estas obras únicas de la cultura humana.

El peligro no queda allí: un potencial ataque cibernético o un desastre que cause un apagón masivo de todos los medios digitales y electrónicos podría limitar el acceso o incluso hacer que estas obras se pierdan para siempre. El hecho de que una obra se encuentre digitalizada no implica que esté almacenada de manera segura y permanente dentro de un servidor. Si este se destruye, se acaba con todo el banco de datos y, por ende, con estas obras valiosísimas para la cultura humana.

La contundente ventaja de lo analógico será siempre su disponibilidad permanente frente a las limitaciones actuales de los medios digitales. El segundo problema viene por el lado económico. Ahora ciertas compañías cuyo rubro no es la difusión literaria o cultural son las que estarían monopolizando el acceso a la información contenida en estos libros.

El caso es claro: se han comprado varios ejemplares únicos que se encontraban en bibliotecas de acceso público, y ahora dicha información está en manos de alguien que, tarde o temprano, va a cobrar por acceder a ella. A diferencia de algo físico, donde uno compra la copia y tiene libre acceso y disposición de ella, la licencia temporal de algo virtual es siempre dependiente del antojo y albedrío de quien controla la fuente original.

Aunque yo nunca pediría la regulación del Estado para este tipo de cuestiones, pues podría empeorar la situación, sí pediría a todos aquellos que valoramos y amamos la cultura que estemos alertas ante cualquier atropello y amenaza que implique la destrucción del patrimonio inmaterial legado por quienes nos precedieron.