Oxford presentó su colaboración con OpenAI como una forma de escanear material bibliotecario de dominio público y facilitar que los investigadores lo encuentren. The Guardian informó el 26 de septiembre que documentos internos de la universidad describen el material digitalizado como una contribución al conjunto de datos de entrenamiento de OpenAI. Un portavoz de Oxford dijo al periódico que el personal había explicado abiertamente que el proyecto aportaría datos de entrenamiento. La descripción pública del proyecto detalla la investigación sobre escaneo y transcripción, pero no precisa ese segundo uso.
El cambio principal: la digitalización también sirve para entrenar IA
- Qué ha cambiado: Tras el informe de The Guardian sobre documentos internos, Oxford ha reconocido que el proyecto piloto de digitalización pública también tiene como objetivo aportar datos de entrenamiento. Los registros públicos aún no identifican ningún modelo entrenado con material de la Bodleian.
- Por qué importa: Las bibliotecas pueden obtener colecciones digitales que se puedan buscar, mientras que un socio tecnológico obtiene material para desarrollar IA. Los investigadores y el público necesitan saber qué colecciones cumplen cada propósito para poder evaluar el intercambio.
- Qué conviene observar: Oxford afirma que conserva los derechos sobre los escaneos y que planea publicar abiertamente el material digitalizado. Un inventario por colección del material compartido con OpenAI y el uso de entrenamiento permitido facilitaría evaluar el acuerdo.
El proyecto público trata sobre escaneo y transcripción
El anuncio de Oxford de marzo de 2025 describió un proyecto piloto para digitalizar material de dominio público de la Bodleian que no estaba disponible en línea. Entre las colecciones previstas mencionó 3.500 tesis internacionales fechadas entre 1498 y 1884 y dijo que los resultados serían fáciles de buscar y accesibles a estudiantes e investigadores de todo el mundo. No describió una transferencia a un conjunto de datos de entrenamiento de OpenAI.
La página del proyecto de la Bodleian indica que el proyecto piloto comenzó en febrero de 2025 con financiación de OpenAI. Sus líneas de trabajo prueban equipos y métodos de escaneo, estudian cómo la OCR y el reconocimiento de texto manuscrito extraen texto de los escaneos, y exploran el uso de IA para los metadatos y la búsqueda de colecciones. Estas tareas pueden producir imágenes digitales, transcripciones y registros de catálogo. Probar si un sistema puede leer una página escaneada no demuestra por sí solo que esa página o su transcripción se hayan incorporado a un conjunto de datos de entrenamiento de modelos.
La Bodleian afirma haber capturado unas 125.000 imágenes de su colección Global Dissertations y creado otros 429.000 archivos a partir de fichas de catálogo manuscritas. Su página describe la muestra de tesis como disertaciones doctorales europeas y estadounidenses de los siglos XIX y XX; el anuncio de 2025 identificó 3.500 tesis fechadas entre 1498 y 1884. Las páginas públicas no explican cómo se corresponden esas descripciones con el material escaneado o transferido. Las cifras describen el resultado de la digitalización, no un inventario publicado de los datos de entrenamiento de OpenAI.
Qué establece el nuevo reportaje
The Guardian afirma que documentos internos describen material de la Bodleian digitalizado por OpenAI con la expresión «incorporar al conjunto de datos de entrenamiento de OpenAI». También informa que, para junio de 2025, se habían compartido con OpenAI 125.000 imágenes de tesis históricas y señala que otros textos escaneados incluían 10.000 baladas impresas del siglo XVI. El reportaje no demuestra que todas las baladas escaneadas pasaran a formar parte de los datos de entrenamiento. El periódico dice que actas universitarias obtenidas mediante una solicitud de acceso a la información registran preocupaciones del personal sobre los riesgos reputacionales y ambientales de la colaboración. No hemos podido consultar los documentos internos; por tanto, su redacción exacta, fechas y alcance más allá del relato de The Guardian siguen sin verificarse aquí.
Un portavoz de la universidad dijo a The Guardian que el material digitalizado era modesto, estaba fuera de derechos de autor y se había puesto a disposición de OpenAI de forma no exclusiva. El portavoz afirmó que la Bodleian conservaba los derechos de los escaneos y planeaba publicarlos en línea, abiertamente, en unos meses. También rechazó la sugerencia de que se hubiera ocultado el componente de aprendizaje automático y dijo al periódico que el personal había explicado abiertamente que el proyecto contribuiría datos de entrenamiento. OpenAI dijo a The Guardian que se enorgullecía de ayudar a reflejar el conocimiento histórico en los modelos de IA; su anuncio publicado de NextGenAI describe el trabajo de la Bodleian como una digitalización de textos raros y el uso de su API para transcribirlos.
En conjunto, el reportaje y la respuesta de Oxford permiten afirmar que contribuir datos de entrenamiento forma parte del acuerdo. No establecen qué elementos de cada colección se incluyeron en qué conjunto de datos, si se utilizaron imágenes o texto transcrito, si algún modelo publicado en particular se entrenó con ese material ni bajo qué condiciones puede reutilizarlo OpenAI. Un conjunto de entrenamiento puede prepararse antes de entrenar con él un modelo concreto. La descripción pública de la digitalización de Oxford y el anuncio de OpenAI de 2025 no resuelven esas dudas.
Aún hacen falta registros para precisar el uso en entrenamiento
La página del proyecto de Oxford afirma que el equipo planeaba publicar informes de acceso abierto sobre cada una de sus cinco líneas de trabajo. Un informe o inventario de la colección que identifique el material entregado a OpenAI y describa los usos de entrenamiento permitidos permitiría comparar el beneficio del acceso público con los datos proporcionados a la empresa. Hasta entonces, la explicación más clara de ese segundo uso procede del reportaje de The Guardian basado en documentos y de las respuestas de Oxford y OpenAI.
Fuentes y lecturas adicionales
La investigación de The Guardian del 26 de septiembre de 2026 es la fuente de la afirmación sobre los documentos internos, el supuesto intercambio de imágenes de tesis, las preocupaciones registradas en actas y las respuestas de Oxford y OpenAI. No pudimos inspeccionar de forma independiente los documentos internos subyacentes.
El anuncio de colaboración de Oxford del 4 de marzo de 2025 presenta el proyecto piloto de dominio público y su objetivo de facilitar el acceso a investigadores. No especifica que el material se vaya a usar para entrenar un modelo de OpenAI.
La página del proyecto de investigación sobre digitalización de la Bodleian detalla las líneas de trabajo y el número de imágenes del proyecto piloto. Sus cifras corresponden al resultado del escaneo; la página no identifica ningún conjunto de datos de entrenamiento ni un modelo entrenado con él.
El anuncio de NextGenAI de OpenAI del 4 de marzo de 2025 describe la digitalización y la transcripción en la Bodleian mediante una API. No identifica el contenido de ningún conjunto de entrenamiento ni un modelo entrenado con los escaneos.
