Amazon compra y destruye libros impresos para datos de entrenamiento de IA

Why it matters

Amazon is turning the used-book market into private AI data infrastructure, showing how a routine purchase can produce permanent model-training material without a bespoke content license.

Amazon está comprando libros impresos a través de mercados comerciales, cortando sus encuadernaciones, escaneando las páginas para el desarrollo de IA y destruyendo las copias físicas, según una investigación del 17 de agosto de 404 Media.

Emanuel Maiberg, cofundador de 404 Media identificó la operación siguiendo un libro a lo largo de Estados Unidos. Un vendedor de libros había recibido un pedido inusualmente grande de aproximadamente 1,000 volúmenes a través de Biblio, un mercado que oculta la identidad de los compradores a los vendedores. El vendedor colocó un Apple AirTag suministrado por 404 Media dentro de uno de los libros antes de enviar el pedido.

El volumen rastreado salió de California por vía aérea, apareció cerca del Milwaukee Mitchell International Airport y luego pasó alrededor de dos semanas en un almacén de distribución fuera de Kenosha, Wisconsin, según encontró la investigación. Más tarde viajó hacia el oeste en camión, hizo una parada nocturna cerca de Grand Junction, Colorado, y llegó a un almacén de Amazon identificado como LAS8 en Las Vegas.

LAS8 alberga varias operaciones. El rastreador llevó a Maiberg a la sección norte utilizada por VGT3, una unidad de Amazon representada por un Tyrannosaurus rex que sostiene un libro abierto. Trabajadores de Amazon que discutían sobre VGT3 en foros de empleados describieron recibir grandes envíos de libros, retirar encuadernaciones y escanear las páginas. Cortar el lomo permite que las páginas sueltas pasen rápidamente por escáneres industriales, dejando la copia impresa inutilizable.

Amazon reconoció comprar libros sin identificar los productos o modelos que usan los datos resultantes. "Amazon purchases books through commercial channels to help develop and improve the products and services our customers use," dijo un portavoz de Amazon a 404 Media.

La declaración deja sin especificar el destino del texto escaneado. Amazon desarrolla la familia Nova de modelos base a través de AWS y ha colocado IA generativa a lo largo de su negocio minorista, incluyendo Alexa for Shopping. La divulgación sobre el desarrollo de IA generativa de Amazon describe las fuentes de entrenamiento en categorías amplias, incluyendo datos con licencia, propietarios, públicos y de código abierto, sin listar conjuntos de datos individuales ni canales de adquisición de libros.

Por qué los desarrolladores de IA quieren libros impresos

Los libros contienen texto editado y estructurado que puede nunca haber sido publicado en línea. Las ediciones más antiguas también preceden la producción generalizada de artículos y libros generados por máquinas, lo que brinda a los desarrolladores de modelos una fuente de material escrito por humanos que puede separarse del volumen creciente de texto sintético en la web.

Esa distinción importa porque alimentar indiscriminadamente material generado por modelos en entrenamientos posteriores puede degradar los sistemas resultantes. Los investigadores han documentado este proceso, llamado colapso del modelo, en el que modelos entrenados de forma recursiva pierden información sobre la distribución original de los datos.

El patrón de compra al por mayor se extiende más allá del envío rastreado hasta Las Vegas. En enero de 2026, el distribuidor de libros Ingram dijo a los editores que los desarrolladores de IA estaban comprando cada vez más libros físicos y otros medios, potencialmente para escanearlos e incorporarlos al entrenamiento de modelos. Ingram ofreció a los editores una forma de optar por no vender a compradores conocidos como desarrolladores de IA mientras advertía que no siempre podía identificar al comprador o el uso previsto.

Los libros físicos también conllevan restricciones contractuales diferentes a las de los ebooks. Los compradores de ebooks típicamente reciben licencias que restringen la copia y la redistribución. Un comprador por lo general posee una copia impresa comprada y puede disponer de ese objeto, aunque crear y usar una reproducción digital plantea preguntas de derechos de autor separadas.

Un método de adquisición probado en tribunales

La operación de Amazon se asemeja mucho a un programa de digitalización de libros divulgado durante un litigio por derechos de autor contra Anthropic. Una orden judicial federal del 23 de junio de 2025 documentó que Anthropic gastó millones de dólares comprando millones de libros impresos. Los proveedores retiraron las encuadernaciones, cortaron las páginas, las escanearon en archivos buscables y descartaron los originales en papel.

El juez de distrito de EE. UU. William Alsup sostuvo que la conversión por parte de Anthropic de libros impresos comprados legalmente en reemplazos digitales internos calificaba como uso legítimo (fair use) en los hechos ante el tribunal. La orden enfatizó que cada copia física fue reemplazada por una copia digital interna y que los archivos no se distribuyeron fuera de Anthropic. Alsup llegó a una conclusión diferente respecto a los millones de libros que Anthropic había descargado de bibliotecas pirata.

El fallo fue específico para la conducta de Anthropic, pero estableció un incentivo claro para que los desarrolladores de IA compren libros físicos en lugar de obtener copias digitales no autorizadas. Las compras comerciales establecen procedencia, mientras que el escaneo destructivo produce texto buscable sin dejar copias tanto físicas como digitales en circulación.

El almacén de Amazon añade un participante nuevo y significativo a ese mercado. El envío rastreado por 404 Media muestra cómo un pedido convencional de libros usados puede entrar en una cadena de suministro de datos privada para IA sin que el vendedor conozca la identidad o el propósito del comprador. Una vez escaneado, el texto puede seguir siendo útil en proyectos futuros de desarrollo de modelos. El volumen físico no puede volver a un librero, biblioteca o coleccionista.

Amazon no ha vinculado VGT3 a un modelo nombrado ni ha divulgado la cantidad de libros procesados allí. La operación aún revela la estrategia subyacente: Amazon está convirtiendo el poder de compra comercial y la mano de obra de los almacenes en material de entrenamiento propietario que los rivales no pueden simplemente rastrear desde la web abierta.