AI-bedrijven scannen vrachtwagens vol boeken – soms zeldzame exemplaren – en vernietigen ze daarbij vaak om hun modellen te trainen. Een nieuw onderzoek geeft voor het eerst een publiek beeld van welke bedrijven betrokken zijn en hoe de operatie werkt.

Het onafhankelijke techmedium 404 Media plaatste een volgapparaat in een zending zeldzame boeken en volgde hoe deze afreisde naar een Amazon-faciliteit in Las Vegas, waar het bedrijf gedrukte boeken scant en vernietigt om AI te trainen. Het onderzoek, maandag gepubliceerd, is het eerste dat publiekelijk aanwijst waar bulkinkopen van boeken voor AI-training terechtkomen.

De laatste bestemming van de zending was het VGT3-team van Amazon. Medewerkers vertelden de nieuwssite dat hun werk eruit bestaat enorme zendingen gedrukte boeken in ontvangst te nemen en vervolgens de boekbanden eraf te snijden, zodat de pagina's sneller door een scanner kunnen worden gevoerd. Het boek zelf wordt daarbij vernietigd. Het logo van het team – een dinosaurus die een boek in zijn klauwen klemt – is opmerkelijk toepasselijk.

Waarom gedrukte boeken opeens zo gevraagd zijn

Boeken die vóór 2022 zijn gedrukt, bevatten tekst die grotendeels niet zomaar online beschikbaar is en – cruciaal – niet machinaal geschreven. Een model trainen op zijn eigen soort output brengt het risico op "model collapse" (modelinstorting) met zich mee, een neerwaartse spiraal in kwaliteit die onderzoekers aantoonden in een in 2024 in Nature gepubliceerd artikel. Papier van vóór 2022 is daardoor schone brandstof geworden voor AI-training.

Amazon is niet de enige. Er is een niche-industrie ontstaan die AI-laboratoria voorziet van fysieke boeken die worden ontmanteld, gescand en weggegooid – een real-life-scène uit "Fahrenheit 451" van teksten die worden vernietigd om machines te voeden. Anthropics interne "Project Panama" voerde zo'n operatie al op grote schaal uit, waarbij miljoenen boeken door destructief scannen werden gedigitaliseerd. De methode betekent een breuk met het vorige tijdperk van massadigitalisering: Google Books scande in de jaren 2000 en 2010 miljoenen bibliotheekexemplaren zonder ze te consumeren – geleende boeken gingen terug de plank op – en een Amerikaans hoger beroepshof oordeelde in 2015 dat de scans van het project onder fair use vielen.

De strijd om schone tekst heeft inmiddels tot de rechtszaal geleid. De Amerikaanse districtsrechter William Alsup oordeelde dat het trainen van AI op legaal gekochte boeken als fair use kan gelden, een gedeeltelijke overwinning voor Anthropic die Meta en OpenAI ook claimden. Gepirateerde exemplaren zijn een ander verhaal: Anthropic ging akkoord met een schikking van 1,5 miljard dollar over gescande gepirateerde titels, en Salesforce krijgt nu een collectieve rechtszaak over zich heen over vermeende boekenpiraterij. Rechthebbenden verzetten zich ook op andere manieren: Penguin Random House, 's werelds grootste uitgever van algemene boeken, voegde eind 2024 tekst toe aan de colofonpagina's van zijn boeken waarin het gebruik voor het trainen van AI-systemen wordt verboden.

De Amazon-operatie bleef om een structurele reden stil. Boekhandelaren zagen het afgelopen jaar een piek in bulkbestellingen en vermoedden dat AI-bedrijven erachter zaten – de kopers waren niet prijsgevoelig en kozen ogenschijnlijk willekeurige titels uit. Hun vermoedens werden uiteindelijk bevestigd door een Apple AirTag, verstopt in een grote boekenbestelling, die de bestemming onthulde: het VGT3-magazijn van Amazon in Las Vegas.

Amazon bevestigde dat de operatie eerder niet was gerapporteerd en zei dat het bedrijf "boeken koopt via commerciële kanalen om de producten en diensten die onze klanten gebruiken te helpen ontwikkelen en verbeteren". Het bedrijf bouwt ook aan eigen AI-producten: Amazon lanceerde in december 2024 zijn Nova-familie van foundation models en verkoopt AI-diensten via AWS – bedrijfstakken die afhankelijk zijn van trainingsdata op grote schaal.