La fiebre de los datos: la IA empieza a pagar millones por archivos, libros y correos antiguos

La inteligencia artificial está generando un nuevo negocio que hasta hace poco prácticamente no existía: vender información para entrenar a los modelos. Libros descatalogados, hemerotecas, fotografías, correos electrónicos, conversaciones de Teams, código fuente, informes profesionales o los archivos acumulados durante décadas por una empresa se están convirtiendo en una materia prima cada vez más cotizada.

Dos operaciones conocidas estos días permiten hacerse una idea de la magnitud que puede alcanzar este mercado. En Bilbao, varias librerías de segunda mano llevan meses enviando miles de libros a compradores extranjeros que aparentemente los adquieren para digitalizarlos y utilizarlos en inteligencia artificial. Al otro lado del Atlántico, Google ha ofrecido 10 millones de dólares por buena parte de los datos internos de la quebrada Spirit Airlines para utilizarlos en la mejora de sus productos y modelos de IA.

Y la puja podría no haber terminado. La startup Micro1 ha presentado posteriormente una oferta de 12,5 millones de dólares, superior a la de Google, aunque llegó una vez concluida formalmente la subasta y todavía debe decidirse si puede ser considerada. Mercor había ofrecido anteriormente 7,5 millones. Lo que hasta ahora eran archivos que las empresas almacenaban por obligación o simplemente porque nadie se había preocupado de borrarlos empieza así a tener un precio.

Lo más interesante de Spirit Airlines no es que Google quiera información sobre aviones. Es precisamente que quiere saber cómo trabajaban las personas que gestionaban una aerolínea. Entre el material puesto a la venta figuran unos 100 millones de emails, 500 millones de elementos de Microsoft Teams, repositorios de OneDrive y SharePoint, documentos internos, hojas de cálculo y código fuente.

Google sostiene que no recibirá información personal y el acuerdo contempla un proceso previo de desidentificación de los datos. Para entrenar una IA capaz de trabajar en una empresa, este tipo de información puede ser mucho más interesante que millones de páginas extraídas de Internet.

Los emails muestran cómo se resuelven problemas. Los mensajes internos reflejan cómo se coordinan los trabajadores. Las hojas de cálculo contienen cálculos reales. Los programas informáticos muestran cómo se automatizaron determinados procesos. Los documentos internos explican procedimientos y los historiales permiten comprobar qué ocurrió después de tomar una determinada decisión. En definitiva, constituyen una gigantesca grabación de cómo funciona realmente una organización.

Mercor, una de las empresas que pujaron por los archivos de Spirit, lo resume señalando que las compañías acumulan décadas de registros sobre cómo se realiza el trabajo y que esa información se ha convertido en uno de los materiales más valiosos para entrenar y evaluar sistemas de IA.

Spirit Airlines puede parecer un caso excepcional por el tamaño de la compañía, pero ya hay empresas intentando convertir estas operaciones en un negocio sistemático. Micro1 ha creado un programa denominado Data Partnerships para comprar archivos corporativos y utilizarlos en la creación de entornos empresariales simulados en los que entrenar agentes de inteligencia artificial.

La compañía asegura pagar normalmente entre 100.000 y 2 millones de dólares por los datos de una empresa, aunque determinados archivos pueden valer todavía más. Entre sus proveedores hay numerosas pymes de entre 30 y 200 trabajadores, para las que estos ingresos pueden resultar muy significativos.

La demanda parece ser enorme. Micro1 asegura que recibe al menos 200 empresas interesadas al día y que compra archivos de decenas de compañías cada una o dos semanas. En apenas dos semanas había comprometido alrededor de 20 millones de dólares en adquisiciones de datos empresariales, sin incluir su oferta por Spirit.

Ha surgido incluso la figura del intermediario de datos: Micro1 ofrece 50.000 dólares a quien le presente una empresa cuyos archivos termine comprando. Su fundador aseguraba esta semana que acababa de aprobar 1,5 millones de dólares solamente en este tipo de comisiones.

Una pyme puede descubrir así que entre sus activos hay uno que jamás había contabilizado en su balance: veinte años de correos, documentos, procedimientos, proyectos y conversaciones entre trabajadores. El fenómeno está descendiendo incluso al nivel individual.

Handshake AI ofrece estos días hasta 30.000 dólares a profesionales que aporten documentos de trabajo que puedan emplearse para entrenar inteligencia artificial. Busca fundamentalmente material elaborado por especialistas en consultoría, finanzas, derecho, programación y ciencia de datos.

Paga 6 dólares por cada página aceptada, hasta alcanzar ese máximo de 30.000 dólares. Naturalmente, existe una condición fundamental: quien entrega el documento debe ser su propietario y estar autorizado para compartirlo. Y ahí empieza un terreno jurídicamente mucho más complicado, porque muchos documentos elaborados por un profesional pertenecen realmente a su empresa o a su cliente. Pero el mero hecho de que exista esta oferta demuestra hasta qué punto está cambiando el valor de la información.

En Euskadi ya tenemos una manifestación bastante peculiar de esta fiebre. Librerías de segunda mano de Bilbao llevan meses recibiendo pedidos masivos de libros enviados posteriormente al extranjero. No parece importar demasiado la temática. Se compran manuales, libros jurídicos, ensayos, textos escolares, matemáticas, lingüística, memorias y publicaciones que llevaban años prácticamente sin compradores.

LibroBilbao calcula que ha vendido unos 400 ejemplares mediante este procedimiento y estaba preparando otro envío de 1.600 libros a Londres procedentes de la librería de sus padres. Astarloa asegura haber despachado ya unos 2.500, equivalentes a varios meses de ventas ordinarias.

Algunos son libros prácticamente invendibles. Otros tienen una característica que puede hacerlos especialmente interesantes para las tecnológicas: están escritos en euskera. Entre ellos figura Hakuna Matata, un libro de viajes de Jon Arretxe publicado en 1992 por Labayru y escrito en euskera vizcaíno. Un ejemplar fue adquirido por 8 euros y enviado hacia Estados Unidos.

La escasez que tradicionalmente condenaba comercialmente a determinadas publicaciones puede convertirse paradójicamente en su principal atractivo. Hay cantidades gigantescas de textos en inglés disponibles en Internet, pero muchos menos ejemplos de cómo escribe un ser humano en euskera vizcaíno.

Hay otro factor que puede disparar el valor de los archivos antiguos: Internet está empezando a llenarse de contenidos creados por la propia inteligencia artificial. Los libreros bilbaínos han detectado una especial demanda de publicaciones anteriores a 2022, es decir, anteriores a la generalización de la IA generativa. La explicación que manejan es que los desarrolladores buscan textos cuya procedencia humana esté garantizada.

La consecuencia resulta paradójica: cuanto más contenido produzca la inteligencia artificial, más valiosos pueden resultar los contenidos creados por seres humanos antes de la inteligencia artificial. Una enciclopedia de los años 90, una colección de revistas técnicas, los periódicos de una provincia desde 1980 o los manuales de una fábrica que cerró hace veinte años pueden contener algo que cada vez resulta más difícil encontrar en Internet: conocimiento humano no contaminado por textos sintéticos.

La industria editorial ya está convirtiendo ese valor en contratos. Un estudio publicado este año por la Publishers Association británica señala que los primeros acuerdos específicos para entrenar IA aparecieron en 2023, se extendieron especialmente en 2024 y ahora existe un mercado creciente tanto para entrenamiento como para ajuste de modelos y sistemas RAG. Los fondos históricos de libros y revistas se están utilizando precisamente para cubrir carencias de los modelos actuales.

Todo esto abre una oportunidad especialmente interesante para periódicos, editoriales, productoras, radios, archivos fotográficos y organizaciones que llevan décadas acumulando contenidos. Una hemeroteca histórica tiene prácticamente todas las características que busca un desarrollador de inteligencia artificial: millones de textos escritos por humanos, correctamente fechados, clasificados por temas, redactados profesionalmente y relacionados entre sí durante décadas.

Lo que durante años ha sido simplemente un archivo necesario para un periódico puede convertirse en un activo susceptible de ser licenciado repetidamente. Ya se han conocido acuerdos de desarrolladores de IA con Axel Springer, Condé Nast, Reuters, Wiley, Taylor & Francis, Sage, HarperCollins y otros grandes propietarios de contenidos. La Publishers Association considera además que los contratos públicamente conocidos representan solamente una parte del mercado porque muchos permanecen sujetos a cláusulas de confidencialidad.

Y esto no afecta únicamente a las grandes cabeceras. Una pequeña publicación especializada puede disponer de algo que Google, OpenAI o cualquier desarrollador de modelos verticales difícilmente puede encontrar en otro sitio: treinta años de información sobre una industria, un territorio o una materia muy concreta.

Hasta ahora, cuando cerraba una empresa, sus activos evidentes eran los edificios, las máquinas, las patentes, las marcas o la cartera de clientes. Spirit Airlines demuestra que habrá que añadir uno más a la lista: su memoria digital. Correos, conversaciones, fotografías, documentos, código, procedimientos y bases documentales empiezan a tener compradores porque son exactamente la materia prima que necesitan las máquinas para aprender a realizar tareas que hasta ahora hacían personas.

La operación también abre importantes interrogantes. Los sindicatos de trabajadores de Spirit han cuestionado que la anonimización sea suficiente, porque el contexto de determinadas conversaciones puede permitir identificar a sus protagonistas aunque desaparezcan nombres y direcciones de correo. También habrá que determinar quién posee realmente determinados documentos, qué derechos mantienen sus autores y hasta dónde puede llegar una empresa vendiendo años de comunicaciones de sus empleados.

Pero la tendencia económica empieza a estar clara. Durante la primera fase de la inteligencia artificial, las tecnológicas extrajeron gratuitamente enormes cantidades de información de Internet. A medida que ese recurso se agota, se contamina con contenido sintético y provoca conflictos judiciales por derechos de autor, la industria está empezando a pagar por conseguir información diferente, fiable y jurídicamente utilizable.

Y eso puede crear un negocio enorme donde hasta ahora apenas había valor. La próxima mina de la inteligencia artificial puede no estar en un centro de datos. Puede estar en el sótano de un periódico, en las estanterías de una librería de Bilbao o en el servidor olvidado de una empresa que lleva treinta años guardando todos sus correos.