KI-Firmen kaufen alte Bücher en masse für AI-Training ohne Datenmüll

AI-Unternehmen sind beim Training ihrer Modelle ständig auf der Suche nach Daten. Das Problem dabei: Viele digitale Daten sind heute von genau dem AI-Müll kontaminiert, den die Firmen selbst produzieren. Deswegen besteht bei den Unternehmen derzeit eine massive Nachfrage an alten, gedruckten Büchern. Da diese sicher frei von AI-Inhalten sind, dienen sie als wertvolle Datenquelle. Im Zuge dessen gibt es Firmen, die sich darauf spezialisieren, Bücher für AI-Training anzubieten, berichtet 404 Media.

„Modellkollaps“ ohne AI-freie Daten

“Die besten KI-Trainingsdaten der Welt stehen in einem Regal”, erklärt ISBNdb, ein Unternehmen, das nach eigenen Angaben “die weltgrößte Buchdatenbank” betreibt und Buchbeschaffungsservices für KI-Unternehmen anbietet. “Bücher repräsentieren kuratiertes, begutachtetes, domänenspezifisches menschliches Wissen, strukturiert auf eine Weise, die kein Web-Crawl replizieren kann.” ISBN steht für “International Standard Book Number”. Dabei handelt es sich um eine Nummer zur eindeutigen Kennzeichnung von Büchern, die meistens in Warenwirtschaftssystemen des Buchhandels sowie in Bibliotheken zum Einsatz kommt.

In einem Artikel auf seiner Website erklärt ISBNdb, dass gedruckte Bücher, die vor 2022 erschienen sind, ideal für KI-Trainingsdaten seien, weil sie keinen KI-generierten Text enthalten. Ein Großteil der Daten, die KI-Unternehmen heute aus dem Internet scrapen können, sei wahrscheinlich KI-generierter Text. Das könne zu einem „Modellkollaps“ führen, bei dem AI-Modelle deutlich fehleranfälliger sind. Der Artikel weist auch darauf hin, dass Buchautor:innen, die dagegen sind, dass ihre Texte für Trainingszwecke gescrapt werden, KI-Modelle nun leicht „vergiften“ können. Sie können Texte produzieren, die darauf ausgelegt sind, die resultierenden KI-Modelle zu manipulieren und zu sabotieren.

Buchhändler verbuchen Großeinkäufe

Jahrelang half ISBNdb Buchhändlern, Bibliotheken und Distributoren dabei, ihren Bestand zu verwalten sowie Bücher zu finden und zu verkaufen. Doch der Boom der generativen AI hat das Unternehmen für KI-Firmen wertvoll gemacht. Neben dem Verkauf von Zugang zu Buchmetadaten hilft ISBNdb Labs nun dabei, Großeinkäufe gedruckter Bücher zwischen 1.000 und 1 Million Büchern pro Bestellung zu beschaffen. ISBNdbs Daten erleichtern es KI-Unternehmen, gedruckte Bücher methodisch zu erwerben, zu scannen und in Trainingsdaten umzuwandeln und dabei Duplikate zu vermeiden.

Die Versuche von KI-Unternehmen, gedruckte Bücher für Trainingsdaten aufzusaugen, erregten im Jänner große Aufmerksamkeit. Eine Urheberrechtsklage von Buchautor:innen gegen Anthropic enthüllte interne Dokumente, laut denen der Claude-Entwickler Millionen gedruckter Bücher beschaffen, scannen und dabei vernichten will. Berichten zufolge kaufte Anthropic die Bücher von einem Unternehmen namens Better World Books. Google wurde auch kürzlich von Buchverlagen verklagt, weil Google Gemini auf ähnliche Weise mit urheberrechtlich geschützten Büchern trainiert hat.

„Imageproblem“ durch Vernichtung von Büchern

ISBNdb wirbt damit, die Identität von KI-Unternehmen geheim halten zu können. Es soll bei jedem Auftrag Geheimhaltungsvereinbarungen geben. „Ihre Identität, Strategie und Akquisitionsziele werden niemals offengelegt“, so das Unternehmen. Laut ISBNdb riskieren AI-Unternehmen, die gedruckte Bücher beim Scanprozess vernichten, ein „Imageproblem“.

Laut 404 Media sehen Buchhändler derzeit wegen dieser Entwicklung einen massiven Anstieg bei den Verkäufen. Zwar bestehen Sorgen darüber, dass AI-Unternehmen wertvolle und seltene Bücher vernichten könnten, jedoch waren gedruckte Bücher seit langer Zeit nicht mehr so lukrativ wie heute.

Es lässt sich allerdings nicht mit Sicherheit sagen, dass jemand Bücher für Trainingsdaten kauft und  vernichtet. ISBNdb und Buchmarktplätze wie Biblio und Alibris halten die Identität der Käufer:innen verborgen. Große Buchbestellungen gehen zunächst an Verteilzentren, wo beispielsweise Alibris die Qualität der Bücher prüft, bevor sie zu den Kunden wandern.

Anthropic durch Fair Use-Doktrin beschützt

Interne Anthropic-Dokumente über den Plan, Millionen von Büchern zu scannen, machen nicht deutlich, warum das Unternehmen die Bücher dabei vernichten wollte. Eine Aussage von Tom Harvey, den Anthropic zur Leitung des Projekts einstellte und der zuvor an der Entstehung von Google Books mitgewirkt hatte, zeigt, dass ein von Anthropic beauftragtes Unternehmen zum Scannen der Bücher Datamation war, das sowohl „hochvolumige destruktive als auch nicht-destruktive Buchscandienstleistungen“ anbietet. Bei einem destruktiven Buchscanprozess wird der Buchrücken aufgeschnitten, damit man die Seiten in eine Scanmaschine einführen. Das ist schneller und günstiger ist als nicht-destruktives Buchscannen.

Unabhängig von seinen ursprünglichen Absichten stellte der Bundesrichter in der Urheberrechtsklage von Autoren gegen Anthropic, William Alsup, fest, dass die Erstellung digitaler Kopien der Bücher durch Anthropic speziell deshalb legal war, weil man die Bücher vernichtet hat.

“Hier wurde jedes gekaufte gedruckte Exemplar kopiert, um Speicherplatz zu sparen und die Durchsuchbarkeit als digitale Kopie zu ermöglichen”, schrieb Alsup in seinem Urteil. „Das gedruckte Original wurde vernichtet. Und es gibt keinen Beweis dafür, dass die neue, digitale Kopie außerhalb des Unternehmens gezeigt, geteilt oder verkauft wurde.“ Dies, so Alsup, sei „eindeutig transformativ“ und qualifiziere sich daher für die US-Rechtsdoktrin Fair Use. ISBNdb wirbt auch gegenüber KI-Unternehmen mit diesem rechtlichen Argument.

Anthropic zahlt 1,5 Milliarden Dollar: Höchste Urheberrechts-Entschädigung aller Zeiten

Bücherverkäufe steigen auch im DACH-Raum

Auch der deutschsprachige Raum ist von dieser Entwicklung betroffen. Einem SWR-Bericht zufolge melden Antiquariate aus ganz Deutschland auffällige Großbestellungen des kanadisch-amerikanischen Unternehmens Zoom Books. Meistens verkaufen sich dabei Sach- und Fachbücher. Die meisten Käufe seien über die Amazon-Tochter AbeBooks gelaufen, über die viele Antiquare ihre Bestände anbieten.

Betroffen seien vor allem Bücher mit einer ISBN aus den 1970er-Jahren und später, die noch urheberrechtlich geschützt sind. Solche Werke seien für die KI-Systeme besonders interessant, sagt Antiquar Roger Sonnewald: Denn ältere deutsche Literatur sei meistens schon digital verfügbar, unter anderem über deutsche und europäische Bibliotheken.

Ob deutsche Verlage und Autor:innen rechtlich dagegen vorgehen könnten, bleibt bisher unklar. In den USA hat sich beispielsweise Anthropic kürzlich bereit erklärt, 1,5 Milliarden Dollar für Urheberrechtsverletzungen beim Training seiner KI-Modelle an eine Gruppe von klagenden Autor:innen zu zahlen. Mit dieser Einigung könnte der Claude-Entwickler eine massive Einsparung erreicht haben, denn bei einem Prozess hätte es zu Strafzahlungen in gewaltiger Höhe kommen können.