Boekvernietiging voor AI-training: snelheid versus erfgoed

Ze komen aan bij magazijnen in onopvallende vrachtwagens. Lange pallets. Kartonnen dozen met ISBN-stickers. Stil werk. Sneller dan behoud. Het klinkt als een logistieke operatie, maar de lading is literatuur: miljoenen gedrukte boeken bestemd voor industriële scanners die ze pagina voor pagina uiteenrijten.

Waar u over leest is geen samenzweringstheorie. Gerechtsdocumenten en klokkenluidersrapporten tonen aan dat meerdere AI-bedrijven destructieve scanmethoden hebben toegepast om gedrukte teksten op grote schaal te digitaliseren. In plaats van zorgvuldige capture die boeken op de plank spaart, worden ruggen verwijderd en worden pagina's in hogesnelheids industriële scanners gevoerd. De afweging is meedogenloos eenvoudig: snelheid en lagere kosten versus het fysieke voortbestaan van het gedrukte exemplaar.

Een onthullende draad loopt door de documenten. Voormalige medewerkers die betrokken waren bij Google Books en latere projecten zoals de interne inspanningen van Anthropic (in rechtszaken aangeduid als Project Panama) hebben verklaard dat leveranciers die zowel zachte overheadscans als de snellere, destructieve dienst aanboden werden ingezet. Voor AI-bouwers is de keuze pragmatisch. Destructief scannen kost minder en verhoogt de doorvoer met orde van grootte.

Anthropic bijvoorbeeld wordt ervan beschuldigd miljoenen te hebben uitgegeven om trainingsdata te winnen uit gedrukte boeken die via wederverkopers zoals Better World Books werden gekocht, en die kopieën na het scannen vervolgens te vernietigen. Hoewel een rechter onlangs oordeelde dat het gebruik van auteursrechtelijk beschermd werk voor AI-training in sommige gevallen onder billijk gebruik kan vallen, weerhield die uitspraak Anthropic niet van bestraffing toen in privéarchieven miljoenen gedigitaliseerde exemplaren werden aangetroffen die zonder juiste toestemming van auteur of uitgever waren genomen, een handeling die naar verluidt boetes tot 1,5 miljard dollar veroorzaakte.

Uitgevers hebben niet stilgezeten. Coalities van uitgevers hebben rechtszaken aangespannen waarin wordt beweerd dat andere techgiganten auteursrechtelijk beschermde titels zonder toestemming gebruikten om grote taalmodellen te trainen. De juridische strijd draait om zowel rechten als remedies, maar een grotere culturele vraag hangt boven de rechtszaal: mogen private bedrijven openbare en particuliere bibliotheekcollecties omzetten in propriëtaire gegevens en daarna de originele exemplaren versnipperen?

Waarom kopen techbedrijven gebruikte boeken per pallet op? Het korte antwoord is: trainingsdata. Kwalitatieve, door mensen geschreven teksten blijven een van de meest waardevolle inputbronnen voor geavanceerde taalmodellen. Het web loopt al over van laagwaardige door AI gegenereerde inhoud, minachtend 'AI rommel' genoemd, die het signaal vervuilt. Om modellen te bouwen die samenhangende, accurate proza produceren, willen ontwikkelaars authentieke bronnen: goed bewerkte fictie, degelijke non-fictie en obscure academische monografieën die niet in gescrapete webcorpora voorkomen.

Marktplaatsen zoals ISBNdb komen in beeld, een online database met meer dan 111 miljoen titels. Bestellingen via zulke platforms lopen sterk uiteen, variërend van duizend exemplaren tot één transactie van een miljoen. Verkopers die vroeger een paar dozijn boeken per week verzonden, melden nu vervijfvoudigde aantallen, soms meer. Kopers betalen vaak flinke bedragen en tonen weinig interesse in onderwerp of auteur; als een uitgave een ISBN heeft, is het een kandidaat.

Aan deze verschuiving kleven zowel praktische als ethische kanten. Enerzijds kan het digitaliseren van zeldzame teksten de vindbaarheid verbeteren en ervoor zorgen dat inhoud fysiek verval overleeft. Anderzijds berooft het grootschalig weghalen van gedrukte werken uit de circulatie, gevolgd door hun vernietiging, bibliotheken, tweedehandsboekmarkten en toekomstige onderzoekers van toegang. Worden zeldzame of historisch belangrijke edities gefilterd voordat ze worden vernietigd? De archieven zijn onduidelijk. Wat duidelijk is, is dat gedigitaliseerde teksten vaak in privé-databases terechtkomen, alleen toegankelijk voor de bedrijven die ervoor betaald hebben.

Stel je een generatie voor die een citaat moet verifiëren of een aantekening in een archief wil bestuderen, maar belangrijke banden niet langer fysiek bestaan en de gedigitaliseerde kopieën achter bedrijfsmuren leven. De afwegingen reiken verder dan het eigendomsrecht. Ze raken cultureel rentmeesterschap, toegang tot kennis en wie de grondstoffen beheert die opkomende AI aandrijven.

Boeken vernietigen om de intelligentie van morgen te trainen roept een moeilijke vraag op: is technologische vooruitgang de permanente vernietiging van delen van ons papieren erfgoed waard?

Beleidsmakers, bibliothecarissen en technologen zullen moeten beslissen of ze privéopslag van gedigitaliseerde literatuur accepteren, publieke toegang verplichten of de methoden reguleren die worden gebruikt om gedrukte werken vast te leggen. Het debat is nog maar net begonnen, maar de stapels blijven bewegen en de machines blijven zoemen. Wie zal voor de boeken spreken?