Amazon koopt zeldzame boeken, scant ze, en gooit ze weg

Iemand had een AirTag in een zeldzaam boek gestopt dat te koop stond op AbeBooks. Het boek werd gekocht. De tracker bewoog naar een warehouse dicht bij fulfillment. Toen het signaal stil werd op een plek die afval verwerkt. Het boek was, naar alle waarschijnlijkheid, weg.

Dat is geen theorie. Het is een gedocumenteerde bewegingsspoor uit een doelbewust experiment, herhaald over meerdere titels. De conclusie die eruit volgt: Amazon koopt systematisch zeldzame en uitverkochte boeken, scant ze voor AI-trainingsgegevens, en gooit de fysieke exemplaren vervolgens weg.

Dit is geen lek. Geen klokkenluider is naar voren gekomen. Het bewijs was ruimtelijk en voorzien van timestamp, verzameld door consumentenvolgsoftware aan items in een supply chain die niet bedoeld was om te worden geobserveerd. Dit type onderzoek levert primair bewijs op in plaats van afleidingen, en daarom is het zwaarder dan nog een stukje over AI en copyright.

Hoe de pipeline werkt

De mechanica, voor zover te traceren, is niet ingewikkeld. Amazon exploiteert en bezit AbeBooks, de dominante mondiale marktplaats voor gebruikt, zeldzaam en uitverkocht boekwerk. Dat geeft het zowel een inkoopinterface als een prijssignaal voor elke titel in de catalogus.

Kopers verbonden aan Amazons acquisitieoperaties plaatsen bestellingen via AbeBooks. Onafhankelijke boekenhandelaren, veel ervan kleine winkels of individuele dealers, versturen de boeken in goed vertrouwen. De boeken arriveren op ontvangstuimtes, worden gescand, en gaan dan naar vernietiging in plaats van herverkoop of archivering.

De verkopers weten niet dat dit gebeurt. Ze denken dat ze verkopen aan een lezer, een verzamelaar of een bibliotheek. Ze voeren, in feite, een trainigspipeline. De transactie ziet er uit als elke andere tweedehands boekenverkoop. Het resultaat is niet hetzelfde.

Voor de AI-industrie is dit soort acquisitie echt waardevol. Uitverkochte boeken vertegenwoordigen tekst die niet in enige doorzoekbare digitale vorm bestaat. Academische monografieën, regionale geschiedenissen, beperkte-oplage literaire fictie, gespecialiseerde technische handleidingen uit de jaren zestig en zeventig: dit is materiaal dat nooit op het open internet terecht is gekomen en dus ontbreekt in de datasets waarop modellen tot nu toe zijn getraind. Als je modelkwaliteit wilt verbeteren op zeldzaam of domeinspecifiek kennis, zijn fysieke boeken een van de laatste geldige reservoirs.

Waarom dit lastiger is dan het copyright-debat

De meeste publieke discussie over AI en intellectueel eigendom richt zich op digitale tekst: Common Crawl, gekraapte nieuwsarchieven, GitHub-repositories. Rechtbanken in de VS en Europa werken door wat training op dat materiaal betekent onder fair use en soortgelijke doctrine. Het juridische landschap is onzeker, maar het terrein is op z'n minst zichtbaar.

Fysieke boekencquisitie verschilt op twee manieren die het copyright-gesprek nog niet heeft ingehaald.

Een, het scannen van een fysiek boek en het invoeren van het resultaat in een trainigscorpus is, onder de meeste copyright-kaders, een reproductie. De first-sale doctrine in US-recht stelt iemand die een boek koopt in staat het door te verkopen of uit te lenen. Het verleent niet het recht om het te reproduceren. Dezelfde onderscheiding geldt in de meeste Europese jurisdicties. Een kopie kopen geeft je die kopie. Het geeft je de tekst niet.

Twee, het vernietigen van het fysieke object na scannen verwijdert elke mogelijkheid dat het boek terugkeert naar de culturele commons. Een boek dat wordt verkocht, op een plank gezet en opnieuw verkocht circuleert. Een boek dat wordt gescand en weggegooid is weg. Voor zeldzame titels met kleine overblijvende oplages is dat verlies permanent. Er is geen digitaal surrogaat dat de oorspronkelijke verkoper of de auteur van het boek controleert of profiteert van. Het culturele object verdwijnt en de geëxtraheerde tekst wordt een bedrijfsbezit.

Dit is geen klein technisch detail. Het is een fundamenteel ander soort extractie dan het schrapen van het open web.

Wat het betekent als je in design of creatieve diensten werkt

Ik wil hier precies zijn, want het makkelijke antwoord is naar verontwaardiging grijpen en het moeilijkere is helder denken over de implicaties.

Als je een bureau, studio of creatieve praktijk runt, genereren je werken outputs die steeds vaker gebruikt worden voor modeltraining. Dat geldt al voor alles wat digitaal wordt gepubliceerd. Wat dit boekenonderzoek onthult is dat de honger verder gaat, naar fysieke artefacten, naar materiaal dat ouder is dan het internet, naar kennis die nooit machine-leesbaar bedoeld was.

De praktische gevolg is dat het concurrentievoordeel van het hebben geproduceerd origineel, gepubliceerd, gespecialiseerd werk sneller wordt weggewerkt dan de meeste beoefenaars beseffen. Een monografie die je in 2004 schreef. Een cataloguseay voor een designretrospectief. Een technische handleiding voor een niche fabricageproces. Dit zijn de soorten teksten die nu materiële waarde hebben voor modelbouwers, zelfs als ze geen actieve digitale voetafdruk hebben.

Dat is geen argument tegen AI. Het is een argument voor begrijpen wat daadwerkelijk wordt genomen, van wie, en onder welke voorwaarden.

Er is ook een secundair effect dat aandacht verdient. Als zeldzame boeken op schaal uit de tweedehands markt worden verwijderd, verandert de beschikbaarheid en prijsstelling van dat materiaal voor iedereen: onderzoekers, archivisten, onafhankelijke geleerden, en de gespecialiseerde boekenhandelaren die de handel ondersteunen. Een inkoopprogramma dat onzichtbaar werkt binnen de grootste tweedehands-bookenmarktplaats ter wereld heeft de macht om die markt te hervormen zonder te onthullen dat het dat doet.

De strategische vraag die dit opvat

We besteden veel tijd bij Studio Hyra aan nadenken over waar data vandaan komt en wat het kost. Niet op een abstract ethiekseminar-manier, maar in de praktische zin van: wat zijn de werkelijke inputs voor de modellen die onze clients gebruiken, en onder welke voorwaarden werden die inputs verzameld?

De meeste organisaties kunnen die vraag niet in detail beantwoorden. Ze gebruiken foundation models van grote providers, en de data provenance van die modellen is grotendeels niet opengesteld. Het Amazon boekonderzoek is een bruikbare datapunt niet omdat het uniek is, maar omdat het ongewoon concreet is. Voor eens is er een tracker, een route en een opslaglocatie. Het meeste van wat grote language models voet is veel ondoorzichtiger dan dat.

Voor bureaus die clients adviseren over AI-adoptie, is de eerlijke positie deze: de juridische en ethische vragen rond trainingsgegevens zijn niet opgelost, ze stapelen zich op. Rechtbanken zullen ervan verduidelijken in de komende jaren. Regelgeving in de EU, via de AI Act, zal openbaarmakingsvereisten opleggen die nog geen tanden hebben. Inmiddels bouwen de bedrijven die de meest capabele modellen creëren snel en sourcen agressief.

Dat is geen reden om AI-tools te vermijden. Het is een reden om die vragen duidelijk vast te houden in plaats van je geweten uit te besteden aan een terms-of-service document.

Wat er volgt

Het AirTag-onderzoek is een bewijs van methode zowel als een specifieke bevinding. Het toont aan dat consumentengraadapparatuur kan onthullen wat bedrijfsonnauwkeurigheid probeert te verbergen. Verwacht meer van dit type forensisch verantwoordingswerk naarmate AI-datasourcing een meer betwist publiek probleem wordt.

Voor Amazon is de specifieke blootstelling hier reputatie en juridisch. AbeBooks hangt af van vertrouwen van onafhankelijke boekenhandelaren. Als het platform wordt gezien als een clandestien verwervingstool voor AI-training, verslechtert die relatie. Er is ook de copyright reproductievraag, wat niet hypothetisch is eenmaal je een gedocumenteerde scan-en-vernietiging pipeline hebt.

Voor de bredere AI-industrie wijst de boekencasus naar een patroon dat blijft opduiken in verschillende domeinen: fysieke archieven, museumcollecties, privé-correspondentie, gespecialiseerde databases. Overal waar waardevol, gestructureerd menselijk kennis bestaat in een vorm die nog niet gedigitaliseerd is, is een doelwit. De methoden variëren. De logica niet.

De vraag die het waard is te stellen, voor iedereen die bouwt met of adviseert over AI, is niet of dit gebeurt. Dat gebeurt duidelijk. De vraag is welke verplichtingen volgen uit het weten ervan.