AI-selskaber destruerer gamle bøger med vilje: Kun trykte bind fra før 2022 er fri for AI-tekst

Sagen er beskrevet af det amerikanske techmedie 404 Media, som har talt med den bogdatabase, ISBNdb, der formidler bulk-ordrer af trykte bøger til AI-laboratorier. Ordrerne kan svinge fra 1.000 bind op til over en million ad gangen, og alle handler foregår under strenge fortrolighedsaftaler.

Årsagen til det pludselige AI-boghungerspil er både banal og bizar: Bøger trykt før 2022 blev sat i tryk, inden de store sprogmodeller kom på markedet. De kan derfor ikke indeholde AI-genereret tekst, og de er dermed det, ISBNdb i sin salgstale kalder “verdens bedste AI-træningsdata”, som ifølge selskabet “står på en hylde”.

Scannerne æder bogen, ikke bare siderne

Selve digitaliseringen sker på industriel skala, og den er destruktiv. Arbejdere skærer bogryggen af, så de løse sider kan fodres direkte gennem en scanner, beskriver TheNextWeb. Metoden er hurtigere og billigere end at bladre en indbunden bog side for side, men bogen overlever ikke processen.

ISBNdb er selv åbne om, hvordan det tager sig ud. Selskabet erkender i sin egen dialog med kunderne, at “optikproblemet er reelt”, og at overskriften “AI-firma destruerer to millioner bøger” ikke ligefrem skaber sympati. Derfor er alle handler pakket ind i fortrolighedsaftaler, og køberne står aldrig med navn på fakturaen.

Frygten hedder “model-kollaps”

Baggrunden for jagten på trykte bøger er en teknisk bekymring, der er blevet stadig mere håndgribelig i AI-branchen. Når nye sprogmodeller trænes på tekst fra internettet, træner de i stigende grad på output fra ældre AI-modeller. Effekten kaldes model-kollaps, og den beskrives som en gradvis forringelse, hvor hver ny generation bliver en anelse dårligere end den forrige.

Trykte bøger fra før 2022 er en af de få tekstmængder, hvor det problem er udelukket per definition. De er også tætte, redigerede og kildekontrollerede, hvilket gør dem langt mere værdifulde end tilfældig webscraping, hvor kvaliteten er svær at kontrollere.

Samtidig kæmper forfattere aktivt tilbage. Værktøjer som Nightshade lader dem indsætte tegn og mønstre, der er læselige for mennesker, men forvirrer modeller under træning. En Anthropic-undersøgelse har ifølge TheNextWeb påvist, at det er nok med 250 til 500 nøje udformede dokumenter til at plante en bagdør i et træningskorpus på flere billioner tekstenheder. Fysiske bøger fra før forgiftningskrigen er en af de eneste kilder, som denne type sabotage ikke kan nå.

Domstolen har givet grønt lys

At industrien tør skrue op for bogdestruktionen, hænger sammen med et amerikansk retsopgør. Den føderale dommer William Alsup afgjorde i sagen Bartz v. Anthropic, at det at købe fysiske bøger, skanne dem, tilintetgøre originalerne og bruge de digitale kopier til AI-træning var “klart transformativt” og dermed lovligt fair use efter amerikansk ophavsret.

Anthropic endte alligevel med at indgå et forlig i den bredere ophavsretssag om piratkopierede bøger. Forliget lyder på cirka 1,5 milliarder dollar, svarende til omkring 10 milliarder kroner, og dækker omtrent 500.000 værker. Ifølge de samme retsdokumenter hyrede Anthropic tidligere Google Books-medarbejder Tom Harvey til at lede et bogscanningsprojekt, og selskabet brugte scanningsfirmaet Datamation samt genbrugsbogforhandleren Better World Books til at skaffe råvaren.

Bogsælgere ser en ny type kunde

Effekten er allerede synlig hos brugtboghandlere. En bogsælger fortæller, at forretningen siden april 2026 har flyttet flere hundrede bøger om ugen mod tidligere omkring tyve. Ordrerne kommer typisk som lange ISBN-lister med automatiske købsflag, som gennemsøger platforme som Alibris og Biblio, indtil pallerne er fulde.

For danske brugere af ChatGPT, Claude og Gemini betyder det, at en voksende del af den viden, chatbotten trækker på, i praksis stammer fra fysiske bøger, som ingen længere kan læse. AI-industrien har med andre ord bevæget sig fra at støvsuge internettet til at støvsuge antikvariater, og bogen ender ikke på reolen, men i en makuleringsmaskine.