Ook Amazon laat zeldzame boeken versnipperen voor AI-training
Om hun taalmodellen te trainen, kopen AI-bedrijven pallets vol oude boeken op. Wat boekhandels op korte termijn winst oplevert, roept kritische auteursrechtvragen op en de zorg over verloren cultureel erfgoed.
AI-bedrijven zijn wanhopig op zoek naar materiaal voor het trainen van hun taalmodellen. "Materiaal" is alles wat taal bevat – van socialemediapost tot krantenartikelen en YouTube-video's. Ook literatuur in gedrukte vorm wordt door de bedrijven niet geschuwd.
Enkele weken geleden rapporteerden antiquariaten, onder andere in Duitsland, over opvallende massabestellingen: oudere boeken, voornamelijk onverkoopbare winkeldochters, waren plotseling gewild – en dat met duizenden tegelijk. Het vermoeden: de boeken zouden gedigitaliseerd en vervolgens vernietigd worden. Precies dat werd op dat moment bewezen bij het Amerikaanse bedrijf Anthropic. Anthropic ontwikkelt de chatbot Claude. Of andere AI-bedrijven op dezelfde manier te werk gingen, was echter niet bekend.
Amazon koopt boeken op grote schaal
Nu leidt een concreet spoor naar Amazon, de online gigant die in 1994 zelf begon als online boekhandel. Een onderzoeksteam van de Amerikaanse website 404 Media verborg een Airtag in een zending van ongeveer 1000 boeken die een tussenhandelaar bij een boekhandel had besteld. Hierdoor kon de zending via verschillende tussenstops worden gevolgd naar een Amazon-magazijn in Las Vegas.
Bij de ingang van het gebouw waar de zending aankwam, prijkt een groot logo. Het bevat de code van het filiaal, VGT3, boven een Tyrannosaurus Rex met een opengeslagen boek in zijn klauwen. Volgens onderzoek van 404 Media lijkt de hoofdtaak van filiaal VGT3 te liggen in het systematisch digitaliseren van boeken.
Volgens het rapport wisselen medewerkers van VGT3 online informatie uit over de arbeidsomstandigheden en hun taken. Zo kan worden aangetoond dat het filiaal de ontvangen boeken systematisch verwerkt: de ISBN-codes worden gescand, de ruggen van de boeken worden afgesneden en de pagina's worden vervolgens gedigitaliseerd. Volgens de medewerkers gebeurt dit zelfs deels in dag- en nachtdiensten.
Amazon bevestigde de aankoop van boeken in een verklaring aan 404 Media. Dit helpt het bedrijf "bij de ontwikkeling en verbetering van producten en diensten die onze klanten gebruiken". Wat hiermee wordt bedoeld, ligt voor de hand, want Amazon beheert zelf AI-modellen.
Honger naar door mensen geschreven teksten
Een taalmodel kan alleen zo goed zijn als zijn training. De kwaliteit daarvan hangt weer af van de hoeveelheid en de kwaliteit van de gebruikte gegevens. Geredigeerde teksten uit tijdschriften en boeken worden als kwalitatief hoogwaardiger beschouwd dan socialemediapost van Jan en alleman op X. In een interne e-mail uit 2024 werden boeken in het Facebook-concern "Meta" als essentieel bestempeld in de concurrentiestrijd met andere AI-bedrijven, meldt de Washington Post.
AI-bedrijven hebben er belang bij om zoveel mogelijk hoogwaardige tekstbronnen te ontsluiten. Veel openbaar beschikbare digitale bronnen zijn de afgelopen jaren al systematisch geëvalueerd. Of dit altijd rechtmatig gebeurde, is onderwerp van talrijke rechtszaken. Duizenden auteurs en uitgevers beschuldigen AI-bedrijven ervan teksten zonder toestemming te hebben gebruikt voor trainingsdoeleinden.
Tegelijkertijd integreren websites met hoogwaardige digitale inhoud steeds vaker blokkades die geautomatiseerde toegang voor dataverzamelaars weigeren. Daartegenover staan gigantische hoeveelheden boeken, tijdschriften en magazines die vóór de opkomst van krachtige taalmodellen (vanaf 2022) door mensen zijn geschreven en nooit zijn gedigitaliseerd. Precies deze enorme papieren databank komt in het vizier van AI-bedrijven.
De patronen van de bulkbestellingen suggereren dat tussenhandelaren automatisch ISBN-gebaseerde titellijsten afwerken. Zo kunnen ze gericht zoeken naar nog niet aangeschafte boeken en deze bestellen. Wat het ook kost: antiquaren melden dat de zo verkochte boeken meestal onverkoopbaar en daarom erg goedkoop zijn, terwijl de kosten voor verzending en douane vele malen hoger uitvallen.
Scannen en vernietigen voor AI
Het vermoeden dat AI-bedrijven achter de bestellingen zitten, is niet uit de lucht gegrepen. Precies daarvoor stond Anthropic, de ontwikkelaar van de chatbot Claude, dit jaar voor de rechter. Uit interne documenten die tijdens de procedure van dit jaar werden gepubliceerd, blijkt dat Anthropic in 2024 het zogenaamde "Project Panama" startte. Anthropic had als doel "alle boeken ter wereld op destructieve wijze te scannen", zoals uit de documenten blijkt.
Om de enorme taak voor de miljoenen sindsdien gekochte boeken efficiënt te beheren, werden de ruggen van de boeken afgesneden om de pagina's van elkaar te scheiden. Krachtige scanners kunnen de afzonderlijke pagina's op deze manier snel digitaliseren. De fysieke teksten werden daarna weggegooid of gerecycled. Deze praktijk is wettelijk veiliger dan het gebruik van online boekenarchieven: de boeken werden rechtmatig verkregen. Hierdoor verschilt dit geval van het gebruik van illegaal verkregen kopieën.
Rechter William Alsup oordeelde in de zaak tegen Anthropic dat het gebruik van teksten uit rechtmatig verkregen en gedigitaliseerde bronnen voor het trainen van AI-modellen als een sterk transformatief gebruik kan worden beschouwd en daarom onder de in de VS gangbare Fair Use-doctrine kan vallen. Transformatief gebruik betekent dat de ingescande teksten niet als boeken worden gebruikt, maar met de AI-training een ander doel dienen.
Sommige vragen moeten echter in verdere uitspraken worden opgehelderd, bijvoorbeeld wanneer auteurs een concrete economische schade kunnen aantonen.
Cultureel erfgoed of onverkoopbare voorraad?
Het aspect van de vernietiging van boeken is daarentegen juridisch onproblematisch. Legaal verkregen bezit mag door de eigenaar worden vernietigd.
Anthropic ontkende in de procedure dat het zeldzame of antiquarisch belangrijke boeken had gekocht en vernietigd. En ook het rapport van 404 Media bevestigt dat de gevolgde zending geen cultuurhistorisch belangrijke boeken bevatte.
Het klinkt als een win-winsituatie wanneer boekhandelaren blij zijn met grote bestellingen van goederen die anders niemand meer afneemt. Het gaat bij de bestellingen echter om zeldzame werken, bijvoorbeeld omdat ze slechts in kleine oplage zijn gedrukt of in een zelden gesproken taal zijn verschenen.
Bibliothecarissen, historici en antiquariaatsverenigingen zien hier een probleem: het goedkope destructieve scannen kan in individuele gevallen fysiek cultureel erfgoed definitief vernietigen. Sommige boekhandelaren staan daardoor voor een moreel dilemma: willen ze eraan meewerken om zeldzame boeken willens en wetens aan vernietiging prijs te geven?
Voelt zich net zo thuis voor de spelcomputer als in de hangmat in de tuin. Houdt onder andere van het Romeinse Rijk, containerschepen en sciencefictionboeken. Bovenal speurt hij naar news uit de IT-sector en slimme dingen.
Interessante feiten uit de wereld van producten, een kijkje achter de schermen van fabrikanten en portretten van interessante mensen.
Alles tonen