Dlaczego firmy AI kupują używane książki? Fakty o skanowaniu i trenowaniu modeli
Dlaczego firmy rozwijające AI kupują używane książki?
O danych treningowych, pośrednikach, skanowaniu destrukcyjnym, pirackich bibliotekach i tym, dlaczego książki nadal są nam potrzebne.
Informacja, że firmy rozwijające sztuczną inteligencję kupują używane książki, odcinają ich grzbiety, skanują strony, a następnie przekazują pozostałości do recyklingu, wywołała ogromne emocje.
Sam jestem zbudowany tym, że fizyczne niszczenie książek nadal budzi w nas sprzeciw. Książka pozostaje czymś więcej niż opakowaniem dla tekstu. Jest częścią kultury, przedmiotem przekazywanym między ludźmi, zapisem konkretnego czasu, wydania i historii.
W mojej ocenie nietrafne jest jednak opisywanie tej sprawy jako współczesnego „palenia książek”. Firmy technologiczne nie niszczą ich po to, aby usunąć zawarte w nich idee. Robią to dlatego, że uznały fakt, że autorem i redaktorem ich treści był człowiek , i to sprawia, że taka książka jest dla nich wyjątkowo wartościowa.
Żeby nadać trochę struktury i kręgosłupa temu, co dzieje się wokół tej sprawy, warto oprzeć analizę na czterech odrębnych kwestiach:
- rosnącej wartości tekstów napisanych przed epoką generatywnej AI,
- działalności pośredników skupujących książki dla firm technologicznych,
- znanej od lat metodzie skanowania destrukcyjnego,
- granicy między dozwolonym wykorzystaniem treści a pozyskiwaniem pirackich kopii.
Dlaczego firmy AI szukają starszych książek?
Modele językowe potrzebują ogromnej ilości tekstu. Przez lata naturalnym źródłem takich danych był internet: strony internetowe, fora, artykuły, dokumenty, encyklopedie i media społecznościowe.
Dziś internet coraz częściej zawiera jednak materiały stworzone albo przeredagowane przez inne modele. Duża część z nich jest powtarzalna, powierzchowna i produkowana masowo przede wszystkim po to, aby zajmować miejsce w wynikach wyszukiwania lub serwisach społecznościowych.
Część takiej niskiej jakości, generowanej automatycznie treści określa się mianem AI slopu.
404 Media opisuje starsze książki jako atrakcyjny materiał treningowy, ponieważ są:
“guaranteed to be free of the very AI slop AI companies are producing”
A więc z dużą pewnością wolne od tego samego AI slopu, który produkują współczesne modele.
Książki są przy tym materiałem wysokiej jakości. Zwykle przeszły redakcję i korektę. Zawierają pełne argumenty, rozbudowane narracje, język specjalistyczny oraz wiedzę, która nie zawsze została przeniesiona do otwartego internetu. Starsze wydania mają dodatkową zaletę — powstały, zanim generatywna sztuczna inteligencja zaczęła wpływać na znaczną część tekstów publikowanych w sieci.
W dokumentach Anthropic opisanych przez „The Washington Post” pojawia się przekonanie, że książki mogą nauczyć model dobrze pisać, zamiast naśladować:
“low quality internet speak”
To krótkie sformułowanie dobrze pokazuje sposób myślenia firm rozwijających modele. Książka nie jest dla nich tylko źródłem faktów. Jest także źródłem struktury języka, stylu, argumentacji i sposobów porządkowania myśli.
Paradoks jest więc wyraźny: im więcej treści produkuje sztuczna inteligencja, tym większą wartość zyskują teksty, o których wiemy, że zostały stworzone przez ludzi.
Firmy technologiczne korzystają z pośredników
Przedstawiciele firm AI nie chodzą osobiście po antykwariatach i nie wybierają kolejnych egzemplarzy z półek.
Zakupy organizują wyspecjalizowani pośrednicy. Jednym z nich jest opisany przez 404 Media ISBNdb — podmiot posiadający rozbudowaną bazę informacji o książkach i oferujący firmom technologicznym pozyskiwanie fizycznych publikacji jako materiału treningowego.
- wyszukiwać konkretne tytuły i wydania według numerów ISBN,
- kupować duże partie książek od hurtowników oraz sprzedawców rynku wtórnego,
- kompletować zbiory tematyczne,
- organizować transport do zakładów skanujących,
- przygotowywać dla klienta uporządkowane dane i metadane.
Ten element jest ważny, ponieważ oddala ostatecznego klienta od sprzedawcy książki.
Antykwariat, organizacja charytatywna albo właściciel prywatnego zbioru nie musi wiedzieć, że sprzedawane egzemplarze trafią do przemysłowej digitalizacji, a nie do kolejnych czytelników. Pośrednik nie zawsze musi natomiast publicznie ujawniać, dla której firmy rozwijającej AI realizuje dane zlecenie.
404 Media przytacza stwierdzenie pośrednika, że:
“the optics problem is real”
Innymi słowy: problem wizerunkowy jest realny. Branża zdaje sobie sprawę, że przedstawienie całego procesu jako masowego skupowania, rozcinania i utylizowania książek może wywołać sprzeciw.
W przypadku Anthropic zakupy obejmowały między innymi książki pochodzące od dużych sprzedawców rynku wtórnego, takich jak Better World Books i World of Books. Samo cięcie i skanowanie również zlecano podmiotom dysponującym odpowiednim zapleczem przemysłowym.
Korzystanie z pośredników nie jest samo w sobie dowodem niewłaściwego działania. To normalny sposób obsługi przedsięwzięcia o takiej skali. Ogranicza jednak przejrzystość: trudniej ustalić, kto kupuje książki, według jakich kryteriów są one wybierane i co dokładnie dzieje się z nimi po zakupie.
Sam sposób takiej digitalizacji nie jest nowy
Skanowanie destrukcyjne nie zostało wymyślone przez branżę AI.
Jest to znana i od lat wykorzystywana metoda masowej digitalizacji książek, czasopism i dokumentów. Polega na odcięciu grzbietu publikacji, rozdzieleniu jej na pojedyncze strony, a następnie przepuszczeniu ich przez szybki skaner automatyczny.
Taki proces jest znacznie szybszy i tańszy niż fotografowanie każdej rozkładówki bez naruszania oprawy. Dzięki luźnym kartkom można korzystać z automatycznych podajników i skanować wielkie zbiory w tempie nieosiągalnym dla metod bezinwazyjnych.
Digitalizacja książek ma długą historię. „Financial Times” opisuje rozwój projektów dążących do stworzenia możliwie kompletnej cyfrowej biblioteki — od inicjatyw społecznych po przedsięwzięcia prowadzone przez największe firmy technologiczne. Google zeskanował miliony książek we współpracy z bibliotekami i instytucjami akademickimi. Shadow libraries powstawały natomiast przez społeczne skanowanie, łączenie baz danych oraz kopiowanie istniejących zbiorów.
Sama technologia nie jest więc nowa ani z definicji szkodliwa. Od dawna wykorzystują ją podmioty zajmujące się archiwizacją, digitalizacją dokumentów i przetwarzaniem dużych zbiorów papierowych.
W tej sprawie znaczenie ma przede wszystkim skala, sposób wyboru książek oraz to, czy powstałe cyfrowe kopie pozostają wyłącznie w prywatnym zasobie firmy technologicznej.
Digitalizacja może chronić treść starych publikacji, udostępniać książki osobom, które nie mają dostępu do fizycznych zbiorów, oraz pomagać bibliotekom i badaczom przeszukiwać ogromne kolekcje.
Biblioteka publiczna skanująca książkę w celu jej zabezpieczenia działa jednak w innym interesie niż prywatna firma tworząca zamknięty zbiór treningowy. Ta sama technologia może służyć ochronie dziedzictwa albo zamianie książek w niedostępny publicznie zasób komercyjnego przedsiębiorstwa.
Project Panama
Najlepiej udokumentowany przypadek dotyczy Anthropic, firmy rozwijającej model Claude.
W 2024 roku rozpoczęto przedsięwzięcie określane jako Project Panama. Według „The Washington Post” Anthropic wydał dziesiątki milionów dolarów na zakup milionów papierowych książek. Egzemplarze były dostarczane do wykonawców, którzy odcinali grzbiety, skanowali strony na urządzeniach przemysłowych, a pozostałości przekazywali do recyklingu.
Jeden z planów zakładał możliwość przetworzenia od 500 tysięcy do dwóch milionów książek w ciągu około sześciu miesięcy.
Skala jest więc ogromna, ale dostępne materiały nie wskazują, by firma skupowała przede wszystkim zabytkowe wydania albo bezcenne białe kruki. Opisywany proces dotyczył masowego zakupu używanych książek.
Wybór rynku wtórnego był racjonalny ekonomicznie. Dla modelu nie ma znaczenia, czy okładka jest porysowana albo czy egzemplarz wcześniej należał do kilku właścicieli. Liczy się kompletność i czytelność tekstu.
Używane książki są tańsze, a rynek wtórny daje dostęp do publikacji, które nie są już sprzedawane jako nowe. Pozwala również dotrzeć do starszych i bardziej niszowych pozycji nieobecnych w typowych zbiorach internetowych.
Najpierw były łatwo dostępne kopie cyfrowe
Papierowe książki trzeba kupić, przewieźć, pociąć i zeskanować. Plik cyfrowy można pobrać niemal natychmiast.
Dlatego firmy rozwijające AI sięgały również po tak zwane shadow libraries — internetowe zbiory książek i publikacji naukowych udostępnianych bez zgody właścicieli praw.
„Financial Times” opisuje, jak biblioteki takie jak LibGen, Z-Library czy Anna’s Archive przesunęły się:
“from the margins […] to the curious centre of the AI boom”
Z marginesu internetu do osobliwego centrum boomu na AI.
Zbiory tworzone wcześniej pod hasłami otwartego dostępu do wiedzy stały się niezwykle atrakcyjne dla najbogatszych przedsiębiorstw technologicznych. Zamiast zawierać umowy z tysiącami wydawców i autorów, firmy mogły pobrać miliony książek z gotowego repozytorium.
Anthropic pozyskał w ten sposób miliony cyfrowych kopii i zachował je w swojej centralnej bibliotece. Z dokumentów sądowych wynika, że podobne materiały wykorzystano także podczas rozwoju modeli Meta.
Meta została pozwana przez autorów i wydawców zarzucających jej wykorzystanie pirackich zbiorów do treningu modeli Llama. Nie jest jednak prawdą, że firma została już prawomocnie skazana za to działanie. W jednej ze spraw Meta wygrała na etapie, na którym sąd uznał, że powodowie niewystarczająco wykazali szkodę rynkową. Jednocześnie firma nadal mierzy się z innymi roszczeniami dotyczącymi sposobu pozyskania książek.
Co sąd orzekł w sprawie Anthropic?
Sprawa Anthropic jest często streszczana zdaniem: „sąd pozwolił AI trenować na pirackich książkach”.
To mylące uproszczenie.
Sędzia William Alsup oddzielił cel wykorzystania książek od sposobu ich pozyskania.
Trening modelu
Sąd uznał, że wykorzystanie książek podczas szkolenia modeli Anthropic miało charakter transformacyjny. Firma nie tworzyła serwisu pozwalającego pobrać oryginalne książki. Używała ich do zbudowania systemu generującego nowe wypowiedzi.
Z tego powodu samo trenowanie modelu zostało w okolicznościach tej konkretnej sprawy uznane za fair use.
Skanowanie legalnie kupionych egzemplarzy
Sąd uznał również za dopuszczalne wykonanie cyfrowej kopii legalnie kupionej papierowej książki na potrzeby wewnętrznej biblioteki firmy.
Znaczenie miało to, że Anthropic zapłacił za fizyczny egzemplarz, nie udostępniał skanu jako e-booka i traktował kopię cyfrową jako zastępstwo posiadanej książki.
Piracka biblioteka
Inaczej oceniono pobranie milionów plików z pirackich zbiorów i zachowanie ich jako trwałej biblioteki firmy.
404 Media dobrze podsumowało sens rozstrzygnięcia:
“training AI on authors’ books is legal but pirating them is not”
Trening mógł być chroniony przez fair use, ale samo piracenie książek nie zostało przez to zalegalizowane.
To najważniejsza granica postawiona przez sąd: transformacyjny cel nie usuwa odpowiedzialności za nielegalne pozyskanie kopii.
Późniejsze kupienie papierowego egzemplarza również nie sprawia, że wcześniej pobrany piracki plik staje się legalny.
Anthropic zawarł następnie ugodę dotyczącą około 500 tysięcy utworów i zgodził się zapłacić 1,5 miliarda dolarów. Nie była to kara za sam fakt uczenia modelu na książkach. Ugoda dotyczyła roszczeń związanych z pirackimi kopiami zachowanymi przez firmę.
Trzeba również pamiętać, że jest to rozstrzygnięcie amerykańskie, dotyczące konkretnej sprawy. Fair use nie jest uniwersalną licencją obowiązującą identycznie w Polsce i Unii Europejskiej.
Czy niszczenie książek może zagrażać dziedzictwu kulturowemu?
W przypadku popularnej książki wydrukowanej w setkach tysięcy egzemplarzy zniszczenie jednej używanej kopii prawdopodobnie nie spowoduje istotnej straty kulturowej.
Ryzyko pojawia się przy publikacjach wydanych w małych nakładach:
- książkach lokalnych i regionalnych,
- materiałach specjalistycznych,
- wydaniach już niewznawianych,
- publikacjach nieistniejących wydawnictw,
- starych podręcznikach,
- katalogach, albumach i drukach dokumentujących historię lokalną,
- egzemplarzach zawierających notatki, dedykacje lub pieczęcie.
Książka nie zawsze jest tylko nośnikiem identycznego tekstu. Konkretny egzemplarz może dokumentować historię właściciela, biblioteki, instytucji albo lokalnej społeczności. Zapis OCR przechowuje słowa, ale nie zawsze zachowuje materialny charakter publikacji.
Nie ma dowodów, że Anthropic systemowo poszukiwał najrzadszych lub najcenniejszych egzemplarzy. Nie ma więc podstaw, by twierdzić, że firma celowo niszczyła światowe dziedzictwo. Problemem może być jednak sama skala oraz automatyzacja zakupów prowadzonych przez pośredników.
System oparty na numerach ISBN, cenie i dostępności może nie rozpoznać, że pozornie zwykła książka jest jednym z ostatnich egzemplarzy niewielkiego wydania. Przy milionach zakupionych publikacji brak takiej selekcji może powodować szkody nawet bez zamiaru ich wyrządzenia.
Dodatkowo cyfrowa kopia wykonana przez firmę AI nie musi stać się dostępna publicznie. Fizyczny egzemplarz znika z rynku, ale skan pozostaje w prywatnym repozytorium. Nie trafia automatycznie do bibliotek, archiwów ani badaczy.
To odróżnia ten proces od wielu projektów digitalizacyjnych prowadzonych przez instytucje kultury.
Racjonalną odpowiedzią nie musi być zakaz skanowania. Dyskusja może natomiast dotyczyć sprawdzania rzadkości publikacji przed jej zniszczeniem, stosowania skanowania bezinwazyjnego przy małych nakładach, zachowywania egzemplarzy mających wartość historyczną, współpracy z bibliotekami oraz przekazywania kopii rzadkich publikacji do zbiorów publicznych.
Martwimy się o książki. Czy jednak je czytamy?
Jestem zbudowany tym, że niszczenie książek wywołuje tyle emocji. Zastanawia mnie jednak, jak ta symboliczna obrona książki wygląda na tle naszego rzeczywistego czytelnictwa.
Według Departamentu Badań Społecznych Biblioteki Narodowej w 2024 roku przeczytanie co najmniej jednej książki zadeklarowało 41% respondentów. Oznacza to, że 59% badanych nie przeczytało w ciągu roku ani jednej książki.
Mocno reagujemy na obraz przecinanej książki. Znacznie słabiej reagujemy na fakt, że dla większości dorosłych książka nie jest już regularnym elementem codzienności.
Nie umniejsza to problemowi masowego niszczenia publikacji. Pokazuje jednak, że troska o książki może dotyczyć nie tylko ochrony papierowego przedmiotu, lecz również samej praktyki czytania.
Dlaczego pełna książka nadal jest potrzebna?
Model językowy potrafi streścić książkę, odnaleźć fragment, przedstawić główne argumenty i podać cytat.
Nawet kiedy cytat jest prawdziwy, model zazwyczaj od razu otacza go interpretacją. Wyjaśnia, co autor miał na myśli i jaki wniosek należy wyciągnąć.
Od kogo nauczył się tej interpretacji?
Być może od dobrych opracowań naukowych. Ale równie dobrze mogła ona pochodzić z recenzji, materiałów szkolnych, popularnych artykułów, blogów, streszczeń, forów i wielokrotnie powtarzanych opinii internetowych.
Model nie wybiera określonego wyjaśnienia dlatego, że sam przeprowadził krytyczną ocenę wszystkich interpretacji. Tworzy odpowiedź na podstawie wyuczonych wzorców, otrzymanej instrukcji i kontekstu rozmowy.
Najbardziej prawdopodobna odpowiedź nie musi być odpowiedzią najlepiej uzasadnioną.
Popularna interpretacja nie musi być najmocniejsza merytorycznie.
Problem polega również na tym, że cytat i komentarz modelu mają ten sam płynny, przekonujący styl. Czytelnik może nie zauważyć, gdzie kończy się wypowiedź autora, a zaczyna wygenerowane objaśnienie.
Model może przytoczyć prawdziwe słowa, ale:
- wyrwać je z kontekstu,
- pominąć argument rozwijany w kolejnych rozdziałach,
- nie rozpoznać ironii,
- potraktować wypowiedź bohatera jako pogląd autora,
- przedstawić sporną interpretację jako oczywisty fakt,
- wykorzystać tłumaczenie zmieniające część znaczenia.
Pełna lektura pozwala zobaczyć nie tylko końcową tezę, ale również drogę, którą autor do niej dochodzi. Daje możliwość samodzielnego ocenienia argumentów przed poznaniem interpretacji podanej przez model.
AI może być bardzo dobrym przewodnikiem po książkach. Może wyjaśniać pojęcia, układać pytania do tekstu, pomagać w odnalezieniu źródła i porównywać różne stanowiska.
Nie powinno jednak stale czytać zamiast nas.
Książki okazały się bardziej potrzebne, niż sądziliśmy
Historia skupowania i skanowania używanych książek nie pokazuje, że książki stały się przestarzałe.
Pokazuje coś dokładnie przeciwnego.
Największe firmy technologiczne inwestują ogromne pieniądze w dostęp do tekstów stworzonych przez ludzi, ponieważ nie potrafią zastąpić ich nieskończonym powielaniem treści produkowanych przez własne modele.
Starsze książki są dla nich wartościowe, bo zawierają język, wiedzę i sposoby myślenia powstałe przed erą masowego AI slopu.
Samo skanowanie destrukcyjne nie jest nową ani z definicji złą technologią. Nie każde zniszczenie popularnego egzemplarza jest też atakiem na dziedzictwo kulturowe.
Rzetelna ocena wymaga jednak pytań o skalę, przejrzystość, pochodzenie książek, ochronę rzadkich wydań i dostęp do powstałych skanów.
Wymaga także pamiętania o granicy wskazanej przez sąd: wykorzystanie treści może zostać uznane za transformacyjne, ale nie oznacza to automatycznego prawa do pozyskiwania jej z pirackich bibliotek.
Dobrze, że przejmujemy się losem książek.
Być może warto wykorzystać te emocje również jako przypomnienie, że książki nie potrzebują jedynie ochrony przed przemysłowym skanerem. Potrzebują przede wszystkim czytelników.
Źródła
- Emanuel Maiberg, „AI Companies Are Buying Tons of Old Books Because They’re Free of AI Slop”, 404 Media, 21 lipca 2026 roku.
- Aaron Schaffer, Will Oremus i Nitasha Tiku, „Inside an AI Start-up’s Plan to Scan and Dispose of Millions of Books”, The Washington Post, 27 stycznia 2026 roku.
- „The Race to Collect Every Book Ever Written”, Financial Times, 24 lipca 2026 roku.
- Departament Badań Społecznych Biblioteki Narodowej, „Stan czytelnictwa książek w Polsce w 2024 roku”.
