Amazon koopt zeldzame boeken op, scant ze en vernietigt ze voor AI

TL;DR

• Wat: Amazon koopt zeldzame boeken in bulk, scant ze voor AI-trainingsdata en vernietigt ze daarbij — een onderzoek met een verstopte AirTag legde het proces bloot.
• Waarom relevant: als ondernemer gebruik je mogelijk AI-modellen die getraind zijn op dit soort data, en de juridische en ethische vragen daaromheen raken ook jou.
• Wat je ermee kunt: controleer of de AI-diensten die je gebruikt (zoals Amazon Nova via AWS) transparant zijn over hun trainingsdata en of ze je IP-indemniteit bieden.

Ik stuitte op een onderzoek van 404 Media dat me niet meer losliet. Journalisten verstopten een Apple AirTag in een lading zeldzame boeken en volgden het pakket dwars door de VS — tot het eindigde in een Amazon-faciliteit in Las Vegas. Daar worden de boeken kapotgemaakt om AI-modellen te trainen. Ik vind dit een verhaal dat verder gaat dan technologie alleen.

Wat er precies is ontdekt

Het onderzoek werkt als volgt: 404 Media plaatste een tracker in een partij van zo'n 1.000 boeken die via marktplaats Biblio werden besteld. Het pakket kwam terecht bij een Amazon-magazijn met de interne code VGT3. Op de deuren staat een logo van een dinosaurus die een boek vasthoudt — een merkwaardig detail dat bijna grappig zou zijn als de context anders was.

Binnen het magazijn snijden medewerkers de ruggen van boeken af om het scanproces te versnellen. De gescande teksten worden vervolgens gebruikt om Amazon's Nova-modellen te trainen. Wat overblijft van de fysieke boeken is waardeloos.

Amazon reageerde met een korte verklaring: het bedrijf "koopt boeken via commerciële kanalen om producten en diensten te verbeteren." Dat klopt technisch, maar het zegt weinig over de schaal of de gevolgen.

Waarom juist gedrukte boeken zo waardevol zijn

Dit is het punt waar het voor mij interessant wordt. Grote taalmodellen — de technologie achter ChatGPT, Claude en Amazon Nova — hebben inmiddels een groot deel van het vrij toegankelijke internet al verwerkt. Websites, Wikipedia, forums: het is grotendeels "op."

Gedrukte boeken, vooral zeldzame en niet meer gedrukte exemplaren, zijn om twee redenen bijzonder waardevol als trainingsdata:

1. Ze bestaan vaak niet digitaal. Veel van deze teksten zijn nooit online verschenen. Voor een AI-model is dat onontgonnen terrein.
2. Ze dateren van vóór 2022. Dat klinkt als een willekeurig jaartal, maar het is het moment waarop AI-gegenereerde tekst op grote schaal op het internet verscheen. Trainingsdata van vóór die tijd is gegarandeerd door mensen geschreven. Train je een model op tekst die zelf door AI is geproduceerd, dan kan dat leiden tot wat onderzoekers model collapse noemen — een soort kwaliteitsverval waarbij de output steeds slechter wordt. Vergelijk het met een kopie maken van een kopie van een kopie: elke generatie verliest detail.

Boekverkopers vermoeden dat AI-bedrijven systematisch proberen om elk boek met een ISBN-nummer te digitaliseren. Dat is een opvallende verschuiving: van "we trainen op wat vrij beschikbaar is" naar "we kopen fysieke objecten op om ze te consumeren."

Amazon is niet de enige

Wat mij opvalt, is dat dit geen geïsoleerd geval is. In rechtszaakdocumenten rond Anthropic — het bedrijf achter Claude — dook het interne programma "Project Panama" op. Volgens die documenten kocht Anthropic op vergelijkbare schaal boeken, sneed de ruggen eraf, scande de pagina's en gooide de originelen weg. Anthropic schikte de daaruit volgende auteursrechtclaim in 2025 voor 1,5 miljard dollar — omgerekend zo'n 3.000 dollar per werk voor ruwweg 500.000 boeken.

De juridische vraag is nog lang niet beantwoord. In de VS oordeelde een rechter dat het scannen van boeken voor AI-training als fair use kan gelden en daarmee geen auteursrechtinbreuk oplevert. Maar dat oordeel staat niet vast en andere rechtszaken lopen nog.

Wat dit voor Nederlandse ondernemers betekent

Je denkt misschien: dit speelt in de VS, wat heb ik ermee te maken? Meer dan je zou verwachten.

Je gebruikt waarschijnlijk deze modellen

Als je AWS-diensten afneemt, Microsoft Copilot gebruikt of via API's met taalmodellen werkt, is de kans groot dat je indirect gebruikmaakt van modellen die op dit soort data zijn getraind. Amazon Nova biedt overigens wel IP-indemniteit — een garantie dat Amazon de juridische kosten draagt als er auteursrechtclaims komen over de output. Dat is relevant, maar het lost de onderliggende ethische vraag niet op.

Europese regels worden strenger

De EU AI Act, die nu van kracht is, verplicht aanbieders van generatieve AI-modellen om een overzicht te publiceren van het trainingsmateriaal dat ze hebben gebruikt (artikel 53c). Daarnaast geldt in Europa de DSM-richtlijn: auteursrechtelijk beschermd materiaal mag worden gebruikt voor text and data mining, maar alleen als de rechthebbende daar niet expliciet bezwaar tegen heeft gemaakt.

Stel dat je als ondernemer zelf content produceert — blogs, handleidingen, productbeschrijvingen — dan is het goed om te weten dat je via een machine-leesbare reservering (bijvoorbeeld in je robots.txt) kunt aangeven dat je teksten niet voor AI-training mogen worden gebruikt. Het is een klein technisch detail, maar het geeft je juridisch een sterkere positie.

De waarde van originele content stijgt

Er zit ook een andere kant aan dit verhaal. Als AI-bedrijven bereid zijn om fysieke boeken te kopen en te vernietigen voor unieke trainingsdata, zegt dat iets over de waarde van originele, menselijke content. Ik denk dat dit voor ondernemers die investeren in eigen kenniscontent — denk aan vakpublicaties, whitepapers, unieke productinformatie — op termijn juist een voordeel kan zijn. Niet omdat je het aan AI-bedrijven moet verkopen, maar omdat zoekmachines en AI-systemen steeds beter onderscheid maken tussen originele bronnen en afgeleide content.

Een dinosaurus met een boek

Ik kom steeds terug bij dat logo op de deuren van het VGT3-magazijn: een dinosaurus die een boek vasthoudt. Het is waarschijnlijk bedoeld als intern grapje — iets met "uitgestorven media" of zo. Maar het voelt ook als een onbedoelde metafoor.

Het bedrijf dat begon als online boekhandel koopt nu zeldzame boeken op om ze kapot te maken. Niet voor doorverkoop, niet voor digitale bibliotheken, maar als grondstof voor een ander product. Ik vind dat op z'n minst waard om even bij stil te staan, zeker als ondernemer die dagelijks met deze technologie werkt.

Voor mij is dit vooral een signaal dat de honger naar trainingsdata een fase ingaat waarin fysieke, analoge bronnen het doelwit worden. En dat de vraag "waar komt de kennis in mijn AI-tool vandaan" relevanter wordt dan ooit.