El mercado del entrenamiento de inteligencia artificial está experimentando un cambio tectónico. Observamos cómo los laboratorios de desarrollo de LLM entran en una nueva fase: la de una caza desesperada por datos "limpios", no afectados por la síntesis. Esto ya no es solo un problema técnico, sino un desafío fundamental para toda la industria.

Colapso de modelos: cuando la IA se devora a sí misma

El término "colapso de modelo" describe la degradación de una red neuronal que se entrena con datos generados por otras IA. Cada nuevo ciclo hace que los resultados sean más promedios y predecibles, borrando la conexión con la realidad. Este fenómeno fue formalizado por primera vez por un grupo internacional de investigadores liderado por Ilya Shumailov en mayo de 2023, publicando un trabajo sobre la "maldición de la recursión".

La magnitud del problema se confirma con cifras: en abril de 2025, los investigadores de Ahrefs revisaron 900,000 páginas nuevas en la búsqueda de Google y descubrieron que más del 74% de los materiales mostraban signos de autogeneración. Según estimaciones de Epoch AI, todo el texto apto para entrenamiento en internet se agotará entre 2026 y 2032. Por eso, los libros publicados antes de 2022 se convierten en un recurso estratégico: están garantizados como libres de "basura de máquina".

Escándalo con ISBNdb: el mercado de datos "limpios"

El servicio ISBNdb, que reúne metadatos de 113 millones de publicaciones, ofreció a las empresas de IA un servicio específico: la compra de libros en lotes de hasta un millón de unidades, con posterior digitalización y eliminación. Cuando los medios escribieron sobre este esquema, la empresa se apresuró a eliminar la página con la descripción del servicio y declaró que no había cerrado ningún acuerdo. Según sus representantes, solo se trataba de "probar la demanda del mercado".

Sin embargo, libreros independientes confirmaron compras anómalas desde abril de 2026: las ventas de uno de los comerciantes pasaron de veinte ejemplares a varios cientos por semana. A los compradores no les interesaba el género ni el valor, solo la presencia del código ISBN. Las ediciones únicas, mientras tanto, se pierden irremediablemente.

Precedente legal y "envenenamiento" de datos

En junio de 2025, el juez William Alsup dictaminó que la digitalización de libros impresos adquiridos legalmente para entrenar modelos de lenguaje se enmarca en la doctrina del uso justo. Esta decisión legalizó una práctica que Anthropic ya había aplicado en el proyecto Panama, comprando anónimamente tiradas de libros para luego escanearlos y eliminarlos.

Algunos autores han recurrido a una medida contraria: el "envenenamiento" de datos, ocultando en el texto símbolos que el modelo interpreta como comandos ocultos. Una investigación del equipo conjunto del Instituto Británico de Seguridad de IA y Anthropic demostró que se puede entrenar a un LLM de manera imperceptible con patrones maliciosos usando solo 250 documentos "envenenados".

Alquiler de rostros: el nuevo mercado de avatares digitales

En paralelo a los libros, se desarrolla el mercado de licencias de apariencia humana. Las plataformas ActID y New Claw están dispuestas a pagar a las personas entre $15 y $700 por el derecho a usar sus rostros como base para personajes de series de IA y publicidad. En China, más del 95% de los 128,000 mini-dramas de IA lanzados en los primeros tres meses de 2026 fueron producidos con inteligencia artificial.

Sin embargo, el control sobre la apariencia digital resulta frágil. Ciudadanos británicos que vendieron los derechos de sus avatares a la startup Synthesia descubrieron sus "clones" en videos propagandísticos que apoyaban a dictadores. Esto impulsó al sindicato de actores Equity a exigir una prohibición legislativa sobre la transferencia de derechos no controlados sobre la apariencia digital.

Comentario experto

Observamos la formación de una economía paradójica: un libro de $2–5, destruido tras ser escaneado, se convierte en parte de un modelo valorado en miles de millones de dólares. La brecha entre el costo de la materia prima y el producto final en este acuerdo difícilmente puede llamarse proporcional. La industria avanza hacia la licencia total de todos los datos humanos, desde textos hasta movimientos. Los robots ya necesitan ejemplos de movimientos naturales, y Tesla paga hasta $48 por hora por captura de movimiento para entrenar a Optimus. La pregunta es solo cuándo la humanidad se dará cuenta de que no está vendiendo simplemente datos, sino su propia singularidad.