Når tech-firmaer skanner og ødelægger bøger for AI-træning

De ankommer til lagre i umarkerede lastvogne. Lange paller. Papkasser stemplet med ISBN-mærkater. Stille arbejde. Hurtigere end bevaring. Scenen lyder som en logistisk operation, men lasten er litteratur: millioner af trykte bøger på vej til industrielle scannere, der river dem fra hinanden side for side.

Det, du læser om, er ikke en konspirationsteori. Retssager og whistleblower-rapporter viser, at flere AI-virksomheder har taget destruktive scanningsmetoder i brug for at digitalisere trykte tekster i stor skala. I stedet for omhyggelig, hyldebevarede optagelser fjernes bogrygge, og sider føres ind i højhastigheds, industrielle scannere. Afvejningen er brutalt enkel: hastighed og lavere omkostninger versus den trykte bogs fysiske overlevelse.

Et afslørende spor går igen i dokumenterne. Tidligere ansatte, der var involveret i Google Books og senere projekter som Anthropics interne bestræbelser, omtalt i retssager som Projekt Panama, har vidnet om, at leverandører, der tilbød både skånsom overhead-scanning og den hurtigere, destruktive service, blev brugt. For AI-udviklere er beslutningen pragmatisk. Destruktiv scanning koster mindre og øger gennemstrømningen med størrelsesordener.

Anthropic, for eksempel, anklages for at have brugt millioner på at udtrække træningsdata fra trykte bøger købt gennem forhandlere som Better World Books og efter scanning at destruere disse eksemplarer. Selvom en dommer for nylig fastslog, at brug af ophavsretligt beskyttede værker til AI-træning i nogle tilfælde kan falde ind under rimelig brug, frikendte denne afgørelse ikke Anthropic fra sanktioner, da private arkiver viste sig at indeholde millioner af digitaliserede kopier taget uden korrekt tilladelse fra forfattere eller forlag, hvilket ifølge rapporter udløste bøder på op til 1,5 milliarder dollars.

Forlag har ikke ligget stille. Koalitioner af forlag har indgivet sagsanlæg og hævdet, at andre teknologigiganter brugte ophavsretligt beskyttede titler uden tilladelse til at træne store sprogmodeller. Den juridiske kamp handler både om rettigheder og erstatning, men et større kulturelt spørgsmål svæver over retten: bør private virksomheder få lov til at forvandle offentligt og privat biblioteksmateriale til proprietære data og derefter destruere originalerne?

Hvorfor køber teknologivirksomheder så brugte bøger i paller? Det korte svar er træningsdata. Højkvalitets, menneskeskrevne tekster er fortsat blandt de mest værdifulde input til avancerede sprogmodeller. Internettet er allerede fyldt med lavkvalitets AI-genereret indhold, ofte omtalt som AI-sludder, som forurener signalet. For at bygge modeller, der leverer sammenhængende, præcis prosa, ønsker udviklere autentiske kilder: velredigeret skønlitteratur, stringent faglitteratur og obskure akademiske monografier, som ikke findes i web-scrapede korpora.

Her kommer markeder som ISBNdb ind i billedet, en online database, der lister mere end 111 millioner titler. Ordrer gennem sådanne platforme varierer voldsomt, fra tusind eksemplarer til en enkelt handel på en million. Sælgere, der tidligere sendte et par dusin bøger om ugen, rapporterer nu femdoblinger, nogle gange mere. Købere betaler ofte store summer og viser ringe interesse for emne eller forfatter; hvis et bind har et ISBN, er det en kandidat.

Der er både praktiske og etiske dimensioner i dette skift. På den ene side kan digitalisering af sjældne tekster forbedre opdagelse og sikre, at indhold overlever fysisk forfald. På den anden side fratager den omfattende fjernelse af trykte værker fra cirkulationen, efterfulgt af deres destruktion, biblioteker, genbrugsbogsmarkeder og fremtidige forskere adgang. Bliver sjældne eller historisk betydningsfulde udgaver sorteret fra, før de bliver destrueret? Registrene er uklare. Det, der er klart, er, at scannede tekster ofte ender i private databaser, kun tilgængelige for de virksomheder, der betalte for dem.

Forestil dig en generation, der skal verificere et citat eller studere en arkivannotation, men vigtige bind ikke længere findes i fysisk form, og de digitaliserede kopier lever bag virksomheders mure. Afvejningerne går ud over ejendomsret. De berører kulturel forvaltning, adgang til viden og hvem der kontrollerer de råmaterialer, der driver fremvoksende AI.

At destruere bøger for at træne morgendagens intelligens rejser et vanskeligt spørgsmål: er teknologisk fremgang værd det permanente tab af dele af vores papirbaserede arv?

Politikere, bibliotekarer og teknologer må beslutte, om man vil acceptere privat akkumulering af digitaliseret litteratur, påbyde offentlig adgang eller regulere de metoder, der bruges til at indfange trykte værker. Debatten er kun i sin begyndelse, men reolerne flyttes stadig, og maskinerne kører videre. Hvem vil tale for bøgerne?