Companiile AI cumpără cărți antice pentru a antrena modele, apoi le distrug la scară

Companiile de inteligență artificială cumpără cărți antice și epuizate cu sute de mii, introduc conținutul lor în seturi de date de instruire și apoi distrug volumele fizice - o practică la scară industrială despre care cercetătorii și vânzătorii de cărți spun că șterge moștenirea culturală, chiar dacă alimentează următoarea generație de modele lingvistice. Dezvăluirile, care au apărut pentru prima dată în documente judecătorești și au avut acum ecou în comunitățile europene de vânzări de cărți, au deschis un nou front în războiul drepturilor de autor AI. Pentru știri de ultimă oră despre controversele privind datele de antrenament care remodelează industria, detaliile de mai jos urmăresc modul în care o căutare de text curat s-a transformat într-un foc de cărți rare.

Cum funcționează practica

Potrivit documentelor dezvăluite de Anthropic în timpul unei proceduri judiciare din 2026 și raportate de The Washington Post, procesul este industrializat în mod deliberat. Dosarul descrie modul în care „mașina de tăiat cu motor hidraulic” a unui contractant de scanare ar „decupa bine” cărțile, astfel încât paginile să poată fi „scanate pe scanere de mare viteză, de înaltă calitate, la nivel de producție”. Odată digitalizată, se menționa dosarul, compania de scanare „ar programa cu compania de reciclare pentru a ridica cărțile completate”.

Cu alte cuvinte, cărțile nu sunt returnate. Ele sunt reduse la text digital și apoi pulverizate.

De ce companiile doresc cărți vechi, tipărite

Apetitul pentru cărți fizice provine dintr-o problemă care se agravează pentru dezvoltatorii AI: internetul deschis este din ce în ce mai poluat cu text generat de AI. Așa cum a explicat blogul juridic Verfassungsblog într-o analiză intitulată „AI Manancă lumea cărții”, instruirea privind conținutul sintetic riscă să degradeze calitatea modelului – un fenomen pe care cercetătorii îl numesc colaps. Cărțile tipărite înainte de 2022, prin contrast, sunt garantate a fi scrise de om.

Există și un calcul legal. Companiile au argumentat că scanarea cărților fizice pe care le dețin poate intra sub incidența prevederii „utilizarii loiale” a legii americane privind drepturile de autor, o apărare pe care o consideră mai puternică decât eliminarea conținutului web protejat prin drepturi de autor. Dacă instanțele acceptă acest argument rămâne o întrebare deschisă, dar nu a oprit frenezia cumpărăturilor.

Fenomenul Zoom Books

În Europa, atenția s-a concentrat pe o librărie online canadiană numită Zoom Books, despre care Verfassungsblog spune că a achiziționat sute de mii de titluri de non-ficțiune pentru care mai există puțină cerere comercială. Aceste volume - lucrări academice obscure, istorii regionale și manuale tehnice specializate - sunt aproape lipsite de valoare pentru vânzătorii de cărți uzate, dar reprezintă un filon bogat de materiale de instruire neexploatate anterior pentru laboratoarele de inteligență artificială.

Futurismul a raportat că distrugerea are loc „la o scară incredibilă, chiar dacă nu au mai rămas aproape nicio copie”, ceea ce înseamnă că pentru unele titluri copia scanată și mărunțită ar fi putut fi printre ultimele ediții supraviețuitoare aflate în circulație.

Librării și cercetătorii împing înapoi

Rapoartele au alarmat vânzătorii de cărți anticare, care spun că cumpărătorii în vrac denaturează piața second-hand și elimină edițiile rare mai repede decât arhivele le pot păstra. Agenția Anadolu a citat un vânzător de cărți anticar turc care își exprimă scepticismul cu privire la amploarea revendicărilor, recunoscând totodată îngrijorarea crescândă pe piețele europene de carte. Acoperirea din Times of India și Boing Boing a încadrat tendința ca o consecință directă a firmelor de inteligență artificială care încearcă „să scape de propria lor pată de inteligență artificială” retrăgându-se la tipărirea pre-internet.

Conservatorii susțin că distrugerea este deosebit de îngrijorătoare, deoarece niciun registru central nu urmărește cărțile care au fost scanate și distruse. Odată ce un titlu cu supraviețuire scăzută este distrus, pierderea poate fi permanentă, cu excepția cazului în care compania care l-a scanat alege să partajeze copia digitală, ceea ce în general nu o face.

O nouă etapă a războiului drepturilor de autor

Campania de cumpărare de cărți se află la intersecția a două bătălii juridice nerezolvate: dacă antrenarea modelelor AI pe lucrări protejate prin drepturi de autor fără permisiune constituie o utilizare loială și dacă distrugerea sursei fizice după scanare modifică calculul. Până acum, instanțele au transmis semnale mixte, unele hotărâri favorizând dezvoltatorii AI, iar altele păstrând pretențiile creatorilor.

Pentru companiile AI, calculul este simplu. Cărțile tipărite oferă text dens, de înaltă calitate, scris de oameni, care este din ce în ce mai greu de găsit online. Pentru biblioteci, arhive și colecționari care păstrează ediții rare, compromisul este mult mai puțin favorabil: artefacte fizice de neînlocuit reduse la jetoane de antrenament și apoi reciclate în pastă.

Practica ridică și întrebări despre transparență. Dezvăluirea lui Anthropic a venit doar pentru că a fost forțată în litigiu. Nu se știe câte alte companii urmăresc strategii similare, câte cărți au fost deja distruse sau dacă va apărea vreun standard la nivel de industrie pentru a păstra titlurile cu risc înainte ca acestea să fie scanate și aruncate.

Problema de scară pe care nimeni nu o poate cuantifica

O parte din ceea ce face tendința dificil de controlat este difuziunea sa. Spre deosebire de o singură arhivă mare sau bază de date, campania de cumpărare de cărți este distribuită în mii de tranzacții individuale — la vânzări de proprietăți, vânzări de retragere a bibliotecii și piețe online — unde un cumpărător în vrac care achiziționează un palet de titluri non-ficțiune nu ridică un semnal roșu evident. Cu toate acestea, cumulat în sute de mii de achiziții, efectul cumulativ este eliminarea liniștită a unor ramuri vaste de cunoștințe de nișă, cu circulație scăzută din înregistrarea fizică.

Bibliotecarii și arhiviștii au avertizat că pierderea nu este distribuită uniform. Bestsellerurile de pe piața de masă supraviețuiesc în nenumărate exemplare, dar titlurile cele mai atractive pentru formatorii AI – lucrări specializate, bogate în informații cu tiraje mici – sunt tocmai cele mai puțin probabil să fie păstrate în altă parte. Odată distruse, acestea pot exista doar ca date de instruire proprietare blocate în serverele unei companii, inaccesibile publicului care inițial le-a produs și s-a bazat pe ele.

Rămâi înaintea AI

Războaiele de antrenament și date se intensifică, iar mizele se extind cu mult dincolo de bilanţurile corporative. Pentru a citi mai multe știri despre AI și pentru a urmări modul în care instanțele de judecată, autoritățile de reglementare și agenții de conservare, urmăriți în continuare AI Buzz Wire.

Citiți mai multe știri AI →