Bücher zerstört für KI-Training: Kulturgut versus Daten

Sie kommen in unauffälligen Lastwagen zu Lagern. Lange Paletten. Kartons mit ISBN-Aufklebern. Ruhige Arbeit. Schneller als Konservierung. Die Szene klingt wie eine Logistikaktion, doch die Fracht ist Literatur: Millionen gedruckter Bücher, bestimmt für industrielle Scanner, die sie Seite für Seite auseinanderreißen.

Worüber Sie hier lesen, ist keine Verschwörungstheorie. Gerichtsakten und Whistleblower-Berichte zeigen, dass mehrere KI-Unternehmen zerstörerische Scantechniken angewendet haben, um gedruckte Texte im großen Stil zu digitalisieren. Anstatt sorgfältiger, regalfreundlicher Erfassung werden Buchrücken entfernt und Seiten in Hochgeschwindigkeits-Industriescanner eingespeist. Der Kompromiss ist brutal einfach: Geschwindigkeit und geringere Kosten gegenüber dem physischen Erhalt des gedruckten Bandes.

Ein aufschlussreicher Faden zieht sich durch die Akten. Ehemalige Mitarbeiter, die an Google Books und späteren Projekten wie den internen Bemühungen von Anthropic gearbeitet haben, in Rechtsfällen als Project Panama bezeichnet, haben ausgesagt, dass Anbieter sowohl schonende Überkopferfassung als auch den schnelleren, zerstörerischen Service anboten. Für KI-Entwickler ist die Entscheidung pragmatisch. Zerstörerisches Scannen kostet weniger und erhöht den Durchsatz um Größenordnungen.

Anthropic beispielsweise wird beschuldigt, Millionen ausgegeben zu haben, um Trainingsdaten aus gedruckten Büchern zu extrahieren, die über Wiederverkäufer wie Better World Books gekauft und nach dem Scannen vernichtet wurden. Obwohl ein Richter kürzlich entschied, dass die Nutzung urheberrechtlich geschützter Werke für KI-Training in manchen Kontexten unter 'fair use' fallen kann, schützte dieses Urteil Anthropic nicht vor Zwangsmaßnahmen, als in privaten Archiven Millionen digitalisierter Kopien gefunden wurden, die ohne ordnungsgemäße Genehmigung von Autoren oder Verlagen angefertigt worden waren, und Berichten zufolge Geldstrafen in Höhe von 1,5 Milliarden US-Dollar auslösten.

Verlage haben nicht tatenlos zugesehen. Verlagskoalitionen haben Klagen eingereicht und behauptet, dass andere Tech-Giganten urheberrechtlich geschützte Titel ohne Erlaubnis genutzt hätten, um große Sprachmodelle zu trainieren. Der Rechtsstreit dreht sich um Rechte und Rechtsbehelfe, aber eine größere kulturelle Frage hängt über dem Gerichtssaal: Dürfen private Unternehmen öffentlichen und privaten Bibliotheksbestand in proprietäre Daten verwandeln und dann die Originale schreddern?

Warum kaufen Technologieunternehmen also gebrauchte Bücher per Palette auf? Die schlichte Antwort lautet: Trainingsdaten. Hochwertige, von Menschen verfasste Texte gehören zu den wertvollsten Eingaben für fortgeschrittene Sprachmodelle. Das Web ist bereits überschwemmt mit minderwertigen, von KI erzeugten Inhalten, spöttisch 'KI-Müll' genannt, die das Signal verschmutzen. Um Modelle zu bauen, die kohärenten, genauen Text erzeugen, wollen Entwickler authentische Quellen: gut redigierte Belletristik, fundierte Sachbücher und obskure akademische Monographien, die in gescrapten Webcorpora nicht zu finden sind.

Hier kommen Märkte wie ISBNdb ins Spiel, eine Online-Datenbank mit mehr als 111 Millionen Titeln. Bestellungen über solche Plattformen variieren stark, von tausend Exemplaren bis zu einer einzigen Transaktion über eine Million. Verkäufer, die früher ein paar Dutzend Bücher pro Woche verschickten, berichten nun von fünfmal so hohen Mengen, manchmal mehr. Käufer zahlen oft hohe Summen und zeigen wenig Interesse an Thema oder Autor; hat ein Band eine ISBN, ist es ein Kandidat.

An dieser Verschiebung gibt es praktische und ethische Dimensionen. Einerseits kann die Digitalisierung seltener Texte die Auffindbarkeit verbessern und den Inhalt vor physischem Verfall schützen. Andererseits entzieht das großflächige Entfernen gedruckter Werke aus dem Umlauf, gefolgt von ihrer Vernichtung, Bibliotheken, Gebrauchtbuchmärkten und künftigen Forschern den Zugang. Werden seltene oder historisch bedeutsame Ausgaben vor der Vernichtung aussortiert? Die Aufzeichnungen sind undurchsichtig. Klar ist, dass digitalisierte Texte häufig in privaten Datenbanken landen, die nur für die zahlenden Unternehmen zugänglich sind.

Stellen Sie sich eine Generation vor, die ein Zitat überprüfen oder eine Archivnotiz untersuchen muss, aber Schlüsselwerke nicht mehr physisch existieren und die digitalisierten Kopien hinter Unternehmensmauern leben. Die Abwägungen reichen über Eigentumsrecht hinaus. Sie betreffen kulturelle Verantwortung, Zugang zu Wissen und wer die Rohdaten kontrolliert, die aufstrebende KI antreiben.

Bücher zu vernichten, um die Intelligenz von morgen zu trainieren, stellt eine schwierige Frage: Lohnt sich technologischer Fortschritt auf Kosten des dauerhaften Verlusts von Teilen unseres papiergebundenen Kulturerbes?

Politiker, Bibliothekarinnen und Bibliothekare sowie Technologen müssen entscheiden, ob sie das private Horten digitalisierter Literatur akzeptieren, öffentlichen Zugang vorschreiben oder die Methoden zur Erfassung gedruckter Werke regulieren. Die Debatte beginnt gerade erst, doch die Regalreihen werden weiter bewegt und die Maschinen surren weiter. Wer wird für die Bücher sprechen?