Firmy AI niszczą stare książki. Antykwariusze zarabiają, autorzy tracą

Sztuczna inteligencja potrzebuje tekstu. Coraz więcej tekstu. Firmy zajmujące się rozwojem modeli językowych znalazły sobie nowe źródło danych: antykwariaty w Niemczech, gdzie za pośrednictwem kanadyjsko-amerykańskiej platformy Zoom Books masowo skupują stare książki.

Jak działa handel książkami dla AI

Zainteresowanie jest tak duże, że zmienia biznes antykwariuszy. Jeden ze sprzedawców, specjalizujący się w publikacjach obcojęzycznych, przed kilkoma laty sprzedawał około 20 książek tygodniowo. Teraz zamówienia napływają w setkami. Pojedyncze zlecenie może obejmować ponad 10 tysięcy egzemplarzy, dostarczane w paletach zawierających 800–1200 sztuk każda.

Typ książek, na które polują algorytmy, nie jest przypadkowy. Firmy AI szczególnie poszukują publikacji z zakresu nauki, akademii, historii regionalnej, językoznawstwa, ekonomii i prawa. To obszary, w których tekst ma wysoką jakość i precyzję — dokładnie to, czego potrzebują modele do uczenia się.

Co się dzieje z książkami po skanowaniu

Proces jest prosty i nieodwracalny. Pracownicy odpinają grzbiety książek, by umożliwić skanowanie. Urządzenia przetwarzają 80–120 stron na minutę. Gdy praca jest gotowa, oryginały trafiają do młynów. Fizyczne kopie — czasem unikalne, czasem ostatnie egzemplarze — znikają bezpowrotnie.

Dla antykwariuszy to paradoks. Z jednej strony sprzedaż wzrosła dramatycznie, z drugiej — uczestniczą w procesie, który eliminuje rzadkie książki z rynku. Jak wyraził to jeden ze sprzedawców: „Mam mieszane uczucia co do tego wszystkiego” — przyznał w rozmowie z portalem 404media.

Gdzie biorą się dane do trenowania

Nie wszystkie dane pochodzą z antykwariów. Duże koncerny — Harvard, Google, Microsoft — udostępniły swoje cyfrowe kolekcje, zawierające około miliona książek w 254 językach, pochodzących z domeny publicznej. To legalne źródło, ale ograniczone.

Książki wydane przed 2022 rokiem stanowią idealne źródło dla algorytmów, ponieważ nie zawierają tekstu wygenerowanego przez inne modele AI. Zjawisko zwane „załamaniem modelu” pokazuje, że gdy AI trenuje się na tekstach stworzonych przez inne AI, jakość wyników spada. Dlatego właśnie stare książki są cenne — to czyste, autentyczne dane.

Aby uniknąć duplikatów, firmy AI wykorzystują bazy ISBN. Jednak system ten nie chroni autorów przed nieupoważnionym wykorzystaniem ich dzieł.

Bitwa o prawa autorów i prawo do trenowania

Sprawa autorki Andrea Bartz stała się symbolem konfliktu. Jej książki znalazły się w zbiorze pirackim wykorzystywanym do trenowania modeli Meta, bez jej zgody. Bartz pozwała Anthropic, a sędzia wydał wyrok, który zaskoczył wielu: uznał, że fair use — doktryna prawa autorskiego pozwalająca na użycie chronionego materiału w określonych celach — może obejmować trenowanie sztucznej inteligencji na pirackich tekstach.

Ugoda, do której doszło, obejmowała około 500 tysięcy utworów, ale Anthropic zachował wszystkie swoje modele. Dla autorów to porażka — ich prawa zostały naruszone, ale konsekwencje były minimalne.

Kontratatak: zatruwanie danych

Autorzy zaczęli się bronić. Jedną z technik jest zatruwanie danych — wprowadzanie zmian, które są niewidoczne dla człowieka, ale dezorientują algorytmy. Nightshade to narzędzie, które dodaje mikropixelowe modyfikacje do obrazów. Zatruwanie metadanymi polega na błędnym opisywaniu zawartości — na przykład oznaczeniu kota jako psa.

Koszt takiej ochrony jest jednak wysoki. Zatruwanie 0,01% dużego zbioru danych kosztuje około 60 dolarów. Dla autora wydającego jedną książkę rocznie to niedostępne.

Aspekt	Dane
Tempo skanowania	80–120 stron/min
Rozmiar typowego zamówienia	10 000+ książek
Książki na palecie	800–1200 sztuk
Języki w zbiorach domeny publicznej	254
Utwory w ugodzie Bartz-Anthropic	~500 000
Koszt zatruwania 0,01% danych	~60 USD

Co to oznacza dla Ciebie

Jeśli jesteś autorem, twoje prawa autorskie mogą być naruszane bez konsekwencji. Modele AI trenowane na twoim tekście mogą konkurować z twoją pracą, a sądy uznają to za legalne. Jeśli jesteś czytelnikiem, rzadkie książki znikają z rynku — skanowane i niszczone dla potrzeb algorytmów. Jeśli jesteś antykwariuszem, twój biznes rośnie, ale uczestniczysz w procesie, który eliminuje kulturalne dziedzictwo.

Dla branży AI to oznacza dostęp do ogromnych zbiorów tekstu, który był niedostępny kilka lat temu. Ale to też oznacza, że model biznesowy AI opiera się na wykorzystywaniu cudzej pracy bez pełnego rozliczenia się z autorami.

Polska nie jest głównym rynkiem dla tego procesu, ale polska literatura akademicka i naukowa może być już skanowana i trenowana na modelach dostępnych globalnie. Polskie prawo autorskie chroni utwory, ale egzekwowanie praw wobec międzynarodowych koncernów jest trudne i kosztowne.