La inteligencia artificial enfrenta un problema estructural: aunque internet contiene un vasto océano de información, este se encuentra cada vez más saturado de contenido generado por la propia IA, lo que complica la obtención de datos útiles para entrenar sistemas más sofisticados. El desafío no radica en la escasez de contenido en línea, sino en la disminución de textos humanos de calidad y fácilmente accesibles que puedan servir como base confiable para el aprendizaje automático.
A medida que los conjuntos de entrenamiento se duplican cada seis meses, el texto humano no crece al mismo ritmo, lo que plantea un problema estructural en la formación de modelos de IA. Especialistas en análisis de datos señalan que la industria enfrenta dos conceptos clave: el muro de datos, que se refiere a la creciente demanda de texto humano de calidad que supera la oferta disponible, y el colapso del modelo, que ocurre cuando se recurre a atajos inadecuados debido a esta escasez. Este fenómeno ha llevado a empresas a explorar fuentes alternativas de información, incluyendo libros físicos descatalogados, poco comunes o de segunda mano.
Un ejemplo emblemático de esta tendencia es una iniciativa que buscaba crear una biblioteca digital propia mediante la adquisición de millones de libros a distribuidores de segunda mano. Documentos internos revelados en litigios por derechos de autor exponen que estos ejemplares fueron sometidos a un proceso de digitalización industrial: el lomo de cada libro era cortado y las hojas se escaneaban de forma masiva, con el resto del material destinado al reciclaje. Aunque este procedimiento es efectivo para la digitalización a gran escala, plantea interrogantes éticas y legales significativas sobre el tratamiento de obras intelectuales y la sostenibilidad de este modelo.
El panorama se complica aún más por la naturaleza cambiante de internet. Cada día se generan más artículos y contenido que, en su mayoría, está influenciado o creado por inteligencia artificial. Esto plantea el riesgo de que los sistemas de IA aprendan únicamente de información producida por otras máquinas, lo que limita la diversidad y calidad de los datos. Estudios recientes documentan que con cada iteración de entrenamiento, la calidad y diversidad de las respuestas tiende a degradarse, siendo lo primero en desaparecer el contenido especializado y de nicho.
Este ciclo se vuelve aún más complejo cuando el contenido generado por usuarios, que ha sido modificado a partir de respuestas de IA, regresa al ecosistema de entrenamiento, perpetuando la escasez de fuentes valiosas. El resultado es un sistema que se retroalimenta de su propio contenido, reduciendo la capacidad de innovación y precisión en dominios específicos que requieren conocimiento profundo y actualizado.
