AI-bedrijven kopen op grote schaal tweedehandsboeken, vooral titels van vóór 2022. Ze scannen de boeken voor trainingsdata voor chatbots en andere modellen, en vernietigen de exemplaren daarna. Het gebeurt nu vooral in de Verenigde Staten, maar heeft gevolgen voor Europa en Nederland. Reden is de zoektocht naar betaalbare, juridisch zekere datasets en druk door nieuwe regels zoals de Europese AI-verordening met gevolgen voor overheid en bedrijven.
Boeken als trainingsbrandstof
Ontwikkelaars van systemen als ChatGPT (OpenAI), Gemini (Google), Llama (Meta) en Claude (Anthropic) hebben enorme hoeveelheden tekst nodig. Boeken bieden hoge kwaliteit en goed geredigeerde taal, wat waardevol is voor datamodellen. Handelaren kopen daarom pallets met afgeschreven of overtollige boeken, die met hoge snelheid worden gedigitaliseerd. Na gebruik gaan de fysieke exemplaren door de versnipperaar om opslag en herverkoop te voorkomen.
Het digitaliseren is onderdeel van text- en datamining: het automatisch analyseren van grote hoeveelheden tekst om patronen te vinden. Zulke datasets worden gebruikt om taalmodellen te trainen op grammatica, feiten en stijl. Oudere boeken zijn vaak goedkoper en makkelijker in bulk te krijgen. Ook zijn ze soms minder juridisch omstreden dan recente bestsellers waar uitgevers strakker op zitten.
Naast eigen inkoop bestaan er openbare of semi-open datasets, zoals The Pile en Books3 uit de onderzoekswereld. Over het gebruik daarvan door grote bedrijven lopen discussies en rechtszaken. Daarom verschuiven partijen naar directe inkoop en scanning om de herkomst van data beter te kunnen aantonen. Die trend vergroot de druk op transparantie in de hele keten.
Vernietigen om risico te beperken
Het versnipperen van boeken na het scannen heeft praktische en juridische redenen. Opslag kost geld, en doorverkoop kan contractueel of juridisch lastig zijn. Vernietiging verkleint bovendien de kans op claims over ongeoorloofde distributie van digitale kopieën. Voor de bedrijven weegt de waarde van de digitale data zwaarder dan behoud van de fysieke dragers.
Het proces verloopt vaak via tussenhandelaren en gespecialiseerde scanbedrijven. De keten is daardoor lastig te volgen voor auteurs en uitgevers. Transparantie ontbreekt vaak: welke titels zijn gebruikt, onder welke voorwaarden, en hoe lang worden de scans bewaard? Die onduidelijkheid voedt de roep om strengere rapportage.
Voor lezers en bibliotheken voelt het vernietigen van boeken wrang. Het gaat echter meestal om afgeschreven of onverkoopbare partijen. Toch speelt hier een bredere vraag: hoe weeg je cultureel erfgoed af tegen de behoefte aan gegevens voor nieuwe technologie? Zonder heldere kaders blijven morele en praktische bezwaren naast elkaar bestaan.
EU-regels geven richting
In de EU is text- en datamining toegestaan met een auteursrechtelijke uitzondering, zolang rechthebbenden niet expliciet hebben “ge-opt-out”. Dat staat in de Europese richtlijn voor auteursrecht in de digitale eengemaakte markt (DSM-richtlijn). Voor commerciële datamining moeten bedrijven controleren of zo’n voorbehoud is gemaakt. Scannen van fysieke boeken is bovendien een reproductiehandeling en kan een aparte licentie vereisen.
De Europese AI-verordening (AI Act) verplicht aanbieders van generatieve modellen om samenvattingen van hun trainingsdata te publiceren. Dat geldt op het moment van schrijven naar verwachting vanaf 2025 voor algemene AI-systemen. Ook moeten zij rekening houden met auteursrecht en opt-outs, en documenteren hoe data zijn verzameld. Dit raakt direct aan de huidige praktijk van stille opkoop en versnippering.
Voor Nederlandse uitgevers, boekhandels en bibliotheken biedt dit aangrijpingspunten. Zij kunnen machineleesbare opt-outs en contractvoorwaarden scherper toepassen. Overheden zullen bij inkoop van AI-diensten moeten vragen naar databronnen en naleving van de AI-verordening. Dat maakt de herkomst en rechtmatigheid van boekdata tot een toetsingspunt in aanbestedingen.
Text- en datamining is het automatisch doorzoeken en analyseren van grote hoeveelheden tekst om patronen, verbanden en kennis te vinden.
Auteurs en uitgevers in verweer
Auteurs en uitgevers dringen aan op licenties, vergoedingen en transparantie. In de Verenigde Staten lopen meerdere rechtszaken tegen OpenAI en Meta over het gebruik van boeken in trainingsdata. Europese organisaties van makers en uitgevers roepen intussen op tot duidelijke opt-outs en afspraken over compensatie. De Nederlandse Auteursbond en uitgeverspartijen volgen deze ontwikkelingen nauwgezet.
Sommige AI-bedrijven sluiten al licentiedeals met mediagroepen, zoals OpenAI met News Corp en Axel Springer. Zulke overeenkomsten gaan vooral over nieuws en tijdschriften, niet over brede boekencatalogi. Voor boeken zijn grootschalige branchedeals op het moment van schrijven niet bekend. Daardoor blijft het risico op geschillen in de boekenketen groot.
Ook wetenschappelijke uitgevers en universiteiten spelen een rol. Voor onderzoek geldt in de EU een ruimere uitzondering voor datamining door non-profitorganisaties. Maar zodra resultaten of modellen commercieel worden, kan een licentie alsnog nodig zijn. Heldere scheidslijnen in projecten worden daarom belangrijker.
Wat dit betekent voor Nederland
Nederlandse AI-start-ups en opdrachtgevers moeten hun datastromen opschonen en vastleggen. Dat betekent: bronnenlijst, opt-outs respecteren, en alleen scannen of gebruiken met een geldige grondslag. Bij inzet in publieke diensten moeten zij bovendien rekening houden met aanbestedingsregels en de AVG. Transparantie over trainingsdata wordt een randvoorwaarde voor vertrouwen en naleving.
Bibliotheken en kringloopwinkels kunnen afspraken maken over bulkinkoop en digitalisering. Denk aan voorwaarden rond wat er met gescande kopieën gebeurt en of titels worden teruggegeven of vernietigd. Uitgevers kunnen machineleesbare TDM-reserveringen aan metadata toevoegen en verkoopcontracten verduidelijken. Zo ontstaat meer grip op waar boeken eindigen en hoe hun inhoud wordt gebruikt.
Voor beleidsmakers is toezicht de volgende stap. De AI-verordening vraagt om nationale handhaving en loketten voor klachten. Nederlandse toezichthouders zullen richting geven met richtsnoeren over transparantie en auteursrecht in trainingsdata. Dat helpt om innovatie mogelijk te houden, zonder de rechten van makers te ondermijnen.
Transparantie wordt concurrentiefactor
De slag om data verschuift van “zoveel mogelijk” naar “legaal en traceerbaar”. Bedrijven die kunnen aantonen waar hun tekstdata vandaan komen, lopen minder juridisch risico. Dat wordt een concurrentievoordeel in Europa, waar aanbesteders en toezichthouders om duidelijkheid vragen. De stille opkoop en versnippering van boeken zal zo onder druk komen te staan.
OpenAI, Google, Meta en Anthropic investeren al in licenties en tooling voor datahygiëne. Toch blijven grijze zones bestaan, zeker rond oudere titels en internationale ketens. Zolang brede sectorafspraken voor boeken ontbreken, blijft het speelveld gefragmenteerd. De AI-verordening kan die versnippering verkleinen, mits bedrijven tijdig hun datapraktijken aanpassen.
Voor lezers en makers draait het om vertrouwen. Helderheid over welke boeken modellen vormen, en onder welke voorwaarden, is cruciaal. Met betere registratie, licenties en opt-outs ontstaat ruimte voor verantwoorde innovatie. Dat is nodig om zowel culturele waarde als technologische vooruitgang te dienen.