Antiquaren en digitaliseringsbedrijven halen steeds vaker zeldzame boeken uit elkaar om ze snel te scannen voor trainingsdata. Het gebeurt vooral in de VS en het VK, maar heeft effect op de Europese markt. De praktijk is de afgelopen maanden toegenomen door de honger naar tekst voor generatieve AI-systemen zoals ChatGPT (OpenAI), Llama (Meta) en Claude (Anthropic). Dit botst met erfgoedzorg en auteursrechten, terwijl de Europese AI-verordening gevolgen heeft voor overheid en uitgevers.
Schaarse boeken verdwijnen fysiek
Bij zogenoemd destructief scannen wordt de rug van een boek losgesneden, waarna pagina’s door een snelscanner gaan. Het boek is daarna onherstelbaar beschadigd en belandt soms bij het oud papier. Handelaren richten zich op schaarse of uitverkochte titels, omdat deze veel unieke tekst bieden. Die teksten zijn aantrekkelijk voor het trainen van datamodellen.
De vraag komt deels van partijen die grote tekstcollecties willen opbouwen voor algoritmen. Langere, goed geredigeerde teksten uit boeken gelden als “schoner” dan willekeurige webpagina’s. Daardoor zijn niche-edities, kleine oplagen en oude vakboeken ineens geld waard als grondstof. Dat zet druk op de toch al beperkte markt voor erfgoedboeken.
In Europa leidt dit tot zorgen bij bibliotheken, archieven en musea. Zij willen collecties bewaren en toegankelijk maken, maar zonder fysieke schade. Niet alle scanners vernielen boeken: er zijn boekwieg-scanners die pagina’s voorzichtig fotograferen. Die methode is trager en duurder, waardoor commerciële partijen vaker voor snellere, destructieve routes kiezen.
Vraag door AI-training groeit
Grote taalmodellen hebben enorme hoeveelheden tekst nodig om patronen in taal te leren. Generatieve AI is software die zelf tekst of beeld maakt op basis van voorbeelden. Boeken bieden daarvoor compacte, consistente input. Daardoor is de prikkel groot om snel veel titels te digitaliseren.
Bedrijven als OpenAI, Meta, Google, Anthropic en Mistral bouwen en verbeteren modellen zoals GPT-4, Llama, Gemini, Claude en Mixtral. Voor die modellen worden vaak samengestelde datasets gebruikt, waarin ook boekteksten kunnen zitten. Soms gaat het om legale licenties, soms om materiaal waarvan de rechtenpositie onduidelijk is. Juist dat grijze gebied vergroot de druk op de boekhandel.
Bekende voorbeelden zijn The Pile en Books3, die door open-onderzoeksgemeenschappen zijn samengesteld. Uit eerdere analyses blijkt dat in zulke datasets veel langere werken staan, waaronder Europese titels. Dit onderstreept hoe waardevol boekinhoud is voor datagedreven systemen. Tegelijk brengt het juridische en ethische risico’s mee.
Books3 bevat naar schatting 196.000 titels en maakt deel uit van The Pile, een populaire trainingsset voor taalmodellen.
EU-regels beperken dataverzameling
In de EU gelden naast het auteursrecht ook speciale regels voor text and data mining. Text and data mining is het automatisch doorzoeken en kopiëren van teksten door computers. Voor commerciële mijnbouw geldt een opt-out: rechthebbenden mogen dat gebruik verbieden via machineleesbare signalen. Dit volgt uit de Europese auteursrechtrichtlijn (DSM-richtlijn) die in Nederland is omgezet.
De Europese AI-verordening (AI Act) verplicht aanbieders van generieke AI-systemen tot meer transparantie over trainingsdata. Op het moment van schrijven moeten leveranciers een beknopte datasamenvatting publiceren en aantonen dat zij auteursrechten respecteren, inclusief TDM-opt-outs. Dat raakt ook overheden die AI inkopen: zij moeten in aanbestedingen eisen stellen aan herkomst van data. Zo verschuift de verantwoordelijkheid ook naar de afnemer.
Voor Nederlandse instellingen betekent dit dat contracten met AI-leveranciers scherper moeten. Denk aan garanties over licenties, herkomst en het verwijderen van verboden materiaal. Ook toezichthouders krijgen een rol bij handhaving en klachtenafhandeling. Dit kan de prikkel om dubieuze datasets te gebruiken verkleinen.
Nederlandse erfgoedzorg onder druk
De Koninklijke Bibliotheek en universiteitsbibliotheken digitaliseren al jaren, met behoud van de fysieke band. Zulke projecten volgen conserveringsnormen en maken afspraken met uitgevers en auteurs. Het doel is toegang zonder verlies van het origineel. De huidige slooppraktijken staan daar haaks op.
Voor kleine boekhandels en antiquariaten kan de vraag naar scanbare titels verleidelijk zijn. Hogere prijzen voor beschadigde boeken lijken een kortetermijnvoordeel. Maar het tast het aanbod van intacte exemplaren aan. Op termijn maakt dat onderzoek, onderwijs en cultuur armer.
Ook Europese onderzoeksprojecten riskeren reputatieschade als datasets onduidelijke herkomst hebben. Financiers vragen daarom vaker om datadocumentatie en ethische toetsing. Dit sluit aan bij de AVG-gedachte van dataminimalisatie, hoewel het hier vaak geen persoonsgegevens betreft. Transparantie over bronnen blijft wel essentieel.
Alternatieven zonder sloop bestaan
Niet-destructieve scanning met boekwiegen en robots voorkomt fysieke schade. Het kost meer tijd en geld, maar behoudt het erfgoed. Voor AI-ontwikkelaars zijn ook licentiemodellen mogelijk, via uitgevers of collectieve beheersorganisaties zoals Lira. Dan kunnen rechten netjes worden afgekocht.
Een andere route is het beperken van het aandeel boeken in trainingssets en het beter cureren van openbare bronnen. Minder maar beter gedocumenteerde data verlaagt juridische risico’s. Daarnaast kunnen synthetische data en modeldistillatie een deel van de vraag opvangen. Dat voorkomt extra druk op schaarse collecties.
Rechthebbenden kunnen hun opt-out versterken met machineleesbare signalen en duidelijke voorwaarden. Platforms en marktplaatsen kunnen beleid aanscherpen tegen handel die is gericht op destructieve scanning. Overheden kunnen bij subsidies eisen stellen aan behoud van fysieke werken. Zo groeit de prikkel om zorgvuldige methoden te kiezen.
AI-verordening dwingt transparantie
De AI Act maakt herkomst en licenties van trainingsdata een compliance-onderwerp, niet alleen een moreel punt. Daardoor worden sloopscans juridisch en financieel riskanter voor leveranciers. Europese afnemers, inclusief overheden, gaan strenger toetsen. Dit kan de markt richting legale en niet-destructieve alternatieven sturen.
Voor uitgevers en auteurs biedt dit kansen om licenties te verkopen onder duidelijke voorwaarden. Tegelijk vraagt het om praktische tools voor rechtenbeheer, zoals standaardcontracten en machineleesbare signalen. Bibliotheken en archieven kunnen hun rol als betrouwbare digitaliseerder versterken. Zo blijft toegang tot tekst groeien, zonder verlies van het fysieke boek.
De kern is balans: innovatie met respect voor recht en erfgoed. Met transparantie, licenties en behoudsmethoden kan dat. Zonder die waarborgen dreigt schaarse kennis letterlijk te verdwijnen in de scanner. De Europese regels zetten nu druk om de zorgvuldige weg te kiezen.