Libros impresos se posicionan como fuente crítica para entrenar modelos de IA

Empresas de inteligencia artificial recurren a textos antiguos mientras debaten derechos de autor y calidad de datos

Empresas de inteligencia artificial están priorizando libros escritos por humanos como fuente de entrenamiento mientras el contenido generado por máquinas satura internet. Los textos producidos antes del auge de la IA generativa adquieren nuevo valor estratégico: compañías del sector digitalizan y escanean libros antiguos para convertirlos en datos que alimentan…

Empresas de inteligencia artificial están priorizando libros escritos por humanos como fuente de entrenamiento mientras el contenido generado por máquinas satura internet. Los textos producidos antes del auge de la IA generativa adquieren nuevo valor estratégico: compañías del sector digitalizan y escanean libros antiguos para convertirlos en datos que alimentan sus algoritmos.

Este fenómeno genera tensiones simultáneas. Por un lado, plantea debates sobre derechos de autor y preservación del patrimonio cultural. Por otro, expone una realidad técnica fundamental: aunque los modelos generativos pueden entrenarse con datos sintéticos, requieren información verificada y precisa para funcionar con confiabilidad. Patricia Murrieta, investigadora del Tecnológico de Monterrey especializada en la intersección entre tecnología, historia y conocimiento, señala que el valor de los libros radica precisamente en ser fuentes de información producidas por humanos con procesos editoriales. Sin embargo, advierte sobre un riesgo crítico: "El problema surge cuando estos datos se reintroducen en los modelos, ya que pueden contener errores, alucinaciones o información sin un control editorial".

La calidad de los datos que alimentan la IA depende de lo que se conoce como "ground truth": información verificada que incluye libros, artículos y materiales elaborados por personas. Pero aquí emerge una complejidad que los equipos técnicos deben considerar. Un documento escrito por humanos no garantiza neutralidad. "Los documentos siempre tienen una función relacionada con los intereses de quien los produce y el público al que se dirigen", explica Murrieta. En investigación histórica, un especialista no solo lee el documento sino que también analiza quién lo creó, en qué contexto, con qué intenciones y desde qué perspectiva. Este mismo rigor crítico debe aplicarse al evaluar qué textos alimentan los sistemas de IA.

Un desafío adicional emerge de la arquitectura misma de los modelos generativos. Operan como cajas negras donde, una vez ingresados grandes volúmenes de información, se vuelve complejo identificar qué parte de una respuesta proviene de una fuente específica. La información se transforma en representaciones matemáticas que permiten al sistema generar respuestas basadas en relaciones probabilísticas. Este proceso subraya la necesidad de un enfoque crítico hacia la calidad y procedencia de los datos que alimentan la inteligencia artificial. En el contexto de México y América Latina, donde la integración de tecnología y cultura es vital para el desarrollo sostenible y ético de la IA, esta cuestión cobra especial relevancia para directivos que deben evaluar riesgos de sesgo, precisión y responsabilidad en sistemas de IA.