La Inteligencia Artificial no repite lo que es verdad sobre ti: repite lo que encontró bien indexado, y en agosto de 2026 una investigación periodística confirmó hasta dónde llega esa búsqueda de materia prima. El medio 404 Media rastreó con un localizador GPS un lote de libros raros vendidos a Amazon y lo siguió hasta un almacén en Nevada donde empleados arrancan el lomo de cada ejemplar para escanearlo rápido, destruyéndolo en el proceso (404 Media, agosto de 2026). Si esa es la fuente que alimenta a un modelo, tú no decides qué parte de tu historia entra ahí, y tampoco puedes corregirla después porque el original ya no existe.
Qué encontró exactamente la investigación sobre Amazon
El reportaje de 404 Media, recogido después por TechCrunch y Futurism en agosto de 2026, describe una instalación conocida internamente como VGT3. Allí llegan lotes de libros descatalogados y raros comprados a través de canales comerciales normales, y el destino final no es una estantería ni una biblioteca: es una cadena de escaneo que necesita separar las páginas del lomo para ir más rápido.
Amazon confirmó al medio que compra libros para mejorar los productos y servicios que usan los clientes, sin negar el destino de entrenamiento de Inteligencia Artificial. Lo relevante para ti no es la logística del almacén, es lo que implica para cualquier dato que un modelo pueda repetir después sobre tu sector o tu nombre.
Por qué un libro descatalogado vale más que uno nuevo para entrenar una máquina
Un libro que ya no se reedita, un manual técnico agotado o una tesis impresa hace veinte años tienen algo que internet no tiene: texto que nunca se digitalizó, nunca se corrigió y nunca se contrastó con una versión actualizada. Para un modelo hambriento de texto original, eso vale más que un artículo web repetido mil veces.
El problema es que ese mismo valor, la rareza, es también lo que hace imposible verificar después si lo que dice ese libro sigue siendo cierto, si el autor rectificó en otro lugar, o si el dato quedó superado por el tiempo. Nadie va a comparar la fuente porque la fuente ya no está disponible para nadie más.
La diferencia entre indexado y verificado, que es el núcleo del problema
Una Inteligencia Artificial no distingue de forma fiable entre un dato que está bien escrito y uno que es correcto. Distingue, sobre todo, entre lo que encontró en abundancia y lo que encontró una sola vez, y entre ambos suele preferir lo primero, aunque sea más viejo o menos preciso.
Cuando la fuente es un libro raro destruido tras el escaneo, ese material entra en el mismo cesto que cualquier otro texto de entrenamiento, sin marca de fecha visible para el usuario final y sin forma de que un lector compare la cita con el original. Se vuelve una afirmación sin origen rastreable, aunque el origen exista en algún servidor.
Qué pasa cuando el original se destruye y ya no hay forma de comprobar nada
En la reputación profesional, la trazabilidad es lo que permite corregir un error: si alguien cita mal un dato tuyo, puedes señalar la fuente correcta y pedir la rectificación. Ese mecanismo depende de que la fuente original siga existiendo y sea consultable.
Cuando la fuente física desaparece en el proceso de conversión a datos de entrenamiento, ese derecho de réplica se vuelve prácticamente imposible de ejercer. No hay a quién reclamarle un error si nadie puede volver a abrir el libro del que salió.
Cómo llega esto a lo que una Inteligencia Artificial dice de un profesional concreto
Piensa en cualquier manual técnico, guía sectorial o memoria de un colegio profesional publicada en papel hace décadas y nunca digitalizada oficialmente. Si un ejemplar de esa obra acaba en un lote de compra masiva para entrenamiento, sus datos, casos y nombres pueden terminar formando parte de lo que un modelo repite sobre esa profesión sin que nadie del sector lo sepa.
Si esa obra menciona a un profesional por su trabajo en un caso antiguo, esa mención puede resurgir años después en una respuesta generada, desconectada del contexto y sin posibilidad de actualizarla, porque el libro que la contiene ya no existe en ningún sitio para comprobarlo.
El profesional que nunca publicó nada también puede salir citado
Uno de los mitos más extendidos es pensar que si nunca subiste nada a internet, la Inteligencia Artificial no tiene nada que decir sobre ti. La investigación sobre los libros raros desmonta esa idea: el material de entrenamiento no se limita a lo que tú publicaste, incluye cualquier texto impreso que alguna vez te mencionó.
Una guía profesional, un directorio gremial antiguo o un artículo de una revista sectorial de hace veinte años pueden convertirse en la única fuente sobre ti que un modelo ha visto jamás, con todo lo desactualizado que eso puede ser.
Por qué las máquinas se están quedando sin texto nuevo que leer
Este caso no es un capricho aislado de una empresa. Investigadores de Epoch AI llevan desde 2024 advirtiendo que el texto público de calidad disponible en internet, el que ya fue rastreado, copiado y reutilizado mil veces, se agota antes de lo que necesitan los modelos más grandes. Cuando el material barato se acaba, las empresas van a buscar el material caro: archivos físicos, colecciones privadas y fondos que nunca estuvieron en la red.
Eso explica por qué un libro raro, agotado y sin versión digital vale hoy más para una empresa de Inteligencia Artificial que miles de páginas web repetidas. Y también explica por qué este tipo de operaciones de compra masiva va a seguir, con Amazon o sin ella, mientras la escasez de datos nuevos siga siendo un problema de negocio.
Qué obliga ya la normativa europea sobre esta transparencia
El Reglamento de Inteligencia Artificial de la Unión Europea, en vigor de forma escalonada desde 2024, exige a los proveedores de modelos de uso general publicar un resumen suficientemente detallado del contenido usado para entrenar cada modelo, según la plantilla que publicó la Oficina Europea de Inteligencia Artificial en 2025. En la práctica, ese resumen rara vez detalla si el material salió de un libro raro descatalogado o de una fuente que sigue siendo consultable.
Esa obligación es un paso hacia la trazabilidad, pero no resuelve el problema de fondo para un profesional concreto: aunque una empresa declare que usó libros y publicaciones impresas como categoría general, eso no te dice si tu nombre, tu caso o tu antiguo trabajo están entre esas páginas, ni te da una vía directa para pedir una corrección puntual.
Por qué no puedes pedir que corrijan una fuente que no sabes que existe
El primer obstáculo para corregir un dato falso o viejo es identificarlo. Con fuentes públicas en internet, al menos existe la posibilidad de rastrear de dónde salió una afirmación. Con libros físicos comprados y destruidos para entrenamiento, esa trazabilidad desaparece por completo para cualquier persona ajena a la empresa que hizo la compra.
Esto convierte la reputación profesional ante la Inteligencia Artificial en un terreno donde ni siquiera sabes qué material hay que vigilar, porque parte de él nunca estuvo en internet y ya no está en ningún otro sitio tampoco.
Qué puedes controlar aunque no controles el origen de los datos
No puedes impedir que una empresa compre y escanee libros para entrenar sus modelos, ni identificar cuáles de esos lotes mencionaban tu sector. Lo que sí puedes controlar es la parte de tu historia que tú mismo puedes documentar hoy, de forma verificable y con tu nombre completo asociado.
Cuanto más material propio, actualizado y consistente exista sobre tu trabajo, menos peso relativo tiene cualquier fragmento antiguo y descontextualizado que pueda haber llegado a un modelo por una vía que nunca vas a poder auditar del todo.
Cómo se audita hoy lo que una Inteligencia Artificial repite sobre ti
La única forma real de saber qué está diciendo un asistente de Inteligencia Artificial sobre un profesional concreto es preguntarle de forma sistemática, con las preguntas que haría un cliente real, y anotar la respuesta con fecha. Las respuestas cambian de semana en semana y no dejan un historial público que puedas consultar después.
Javier G. Amblar diseñó RADAR precisamente para esa tarea: medir de forma continua qué dicen ChatGPT, Gemini y Perplexity sobre un profesional o un negocio, detectar de dónde puede venir un dato viejo o erróneo y entregar un plan concreto para corregir lo que sí se puede corregir.
Sobre el autor
Javier G. Amblar lleva 27 años trabajando en consultoría y comunicación estratégica, ha formado a más de 33.000 profesionales en 55 países, fue profesor asociado del IE Business School (Premio a la Excelencia Docente) y ha colaborado con RTVE, Telemadrid, Onda Cero y EsRadio. Es autor del libro Liderazgo (Editatum, 2018) y dirige un canal de YouTube con más de 368.000 suscriptores y una comunidad en línea de más de 500.000 personas.
En consultoria.uno comparte su criterio sobre cómo se construye la visibilidad y la reputación de un profesional ante los sistemas de Inteligencia Artificial, y cómo detectar cuándo lo que una máquina repite sobre alguien ya no se corresponde con la realidad.
Su servicio RADAR mide de forma continuada qué dicen ChatGPT, Gemini y Perplexity de un profesional o de un negocio, localiza el origen probable de un dato desactualizado y entrega un plan de corrección ordenado por impacto real.
Para quien quiere ir un paso más allá y traducir décadas de experiencia en un sistema de captación propio, sin depender de que un tercero decida qué se cuenta de él, existe Evolution, su programa de acompañamiento para profesionales con trayectoria real.
