Anthropic puso en marcha en 2024 el llamado Proyecto Panamá, una estrategia para adquirir millones de libros usados, retirarles el lomo, escanear sus páginas y utilizar el contenido para alimentar sus modelos de inteligencia artificial.
La iniciativa permaneció en secreto hasta que un juez de distrito en Estados Unidos hizo públicos más de 4 mil páginas de documentos relacionados con una demanda por derechos de autor. Los registros describen un proceso de escaneo destructivo: los ejemplares eran cortados para separar sus páginas y, posteriormente, enviados a reciclaje.
La búsqueda de nuevos datos para entrenar modelos
Los modelos de inteligencia artificial que respaldan a los chatbots necesitan grandes volúmenes de información para responder consultas sobre ámbitos como la salud, la educación y otros campos. El contenido de los libros puede aportar conocimientos especializados y materiales que no siempre están disponibles en internet o que nunca fueron digitalizados.
Especialistas consultados señalaron que el Proyecto Panamá refleja la competencia de las empresas de tecnología por encontrar nuevas fuentes de entrenamiento. Los libros antiguos y descatalogados representan una reserva de información que puede ampliar los datos utilizados por los sistemas de aprendizaje automático.
El debate sobre los derechos de autor
La revelación del proyecto reavivó la discusión sobre el uso de obras protegidas para entrenar inteligencia artificial. En los documentos judiciales también se señaló que Anthropic había recurrido a libros y otros contenidos obtenidos de sitios que distribuían copias sin respetar los derechos de autor.
El caso distingue entre los libros físicos adquiridos por la empresa y las copias digitales obtenidas de fuentes piratas. En una resolución relacionada con el litigio, un juez consideró que entrenar modelos con libros podía constituir un uso transformador, pero mantuvo la responsabilidad de la empresa por conservar y utilizar copias pirateadas.
El debate permanece abierto porque la legislación enfrenta prácticas tecnológicas que avanzan más rápido que las normas sobre reproducción, digitalización y entrenamiento de modelos. Para autores, editores y desarrolladores, uno de los principales retos consiste en establecer cuándo el uso de una obra representa una transformación legítima y cuándo vulnera los derechos de sus creadores.