AI-bedrijven en dataleveranciers kopen steeds vaker Nederlandstalige tweedehands boeken op. Ze laten deze boeken scannen en gebruiken de teksten om algoritmen en taalmodellen te trainen. Dit gebeurt in Nederland en België, via kringloopwinkels en online platforms. Het doel is betere prestaties in het Nederlands, waar bruikbare trainingsdata schaars is. De Europese AI-verordening en de AVG maken deze praktijk juridisch en maatschappelijk spannend, met gevolgen voor overheid en onderwijs.
Schaarste aan Nederlandse data
Grote taalmodellen hebben veel en diverse tekst nodig om goed te werken. Voor het Nederlands is er minder open en kwalitatief materiaal beschikbaar dan voor het Engels. Daarom richten bedrijven zich op papieren bronnen die nog niet online staan. Tweedehands boeken vormen daarbij een goedkope en rijke bron van taal, stijlen en vakgebieden.
Ontwikkelaars van generatieve systemen, zoals OpenAI (GPT-4o), Meta (Llama 3) en Mistral AI (Mistral Large), hebben baat bij meer Nederlandstalige data. Dat geldt ook voor Europese spelers zoals Aleph Alpha en kleinere start-ups die nichemodellen trainen. Hoe breder en actueler de tekst, hoe beter het model nuance en context leert. Boeken bieden langdurige, verzorgde tekst die je online minder vindt.
De handel verloopt via opkoop bij kringloopwinkels, marktplatforms en restpartijen. Daarna worden de boeken gede-inkt of voorzichtig gesneden om te scannen. De digitale tekst gaat door OCR, software die gescande pagina’s omzet naar doorzoekbare tekst. Vervolgens worden de bestanden opgeschoond en in trainingspijplijnen gezet.
Juridische status is onzeker
De Europese Auteursrechtrichtlijn (DSM) kent een uitzondering voor tekst- en datamining (TDM). Daarmee mogen partijen wetmatig toegankelijke werken tijdelijk kopiëren om patronen te vinden, behalve als rechthebbenden een opt-out hebben ingesteld. Voor online materiaal kan dat met een machineleesbare blokkade, zoals in robots.txt. Voor papieren boeken is zo’n opt-out in de praktijk lastig te regelen.
Het scannen van volledige boeken blijft een verveelvoudiging in de zin van de Auteurswet. De TDM-exceptie staat die kopie toe voor analyse, maar niet voor elke vorm van hergebruik. Of het trainen van generatieve modellen onder TDM valt, is juridisch onderwerp van debat. Rechthebbenden kunnen stellen dat het eindgebruik verder gaat dan “analyseren”.
Rechtszaken rond datasets met boeken, zoals de internationale discussies over “Books3”, laten zien dat toestemming en brontransparantie steeds belangrijker worden. In Europa moeten aanbieders bovendien rekening houden met contractuele beperkingen door uitgevers. Zonder heldere afspraken ontstaat risico op claims, takedown-verzoeken of dwangsommen.
Tekst- en datamining (TDM) is het automatisch analyseren van grote hoeveelheden tekst en data om patronen, trends of relaties te vinden. De EU staat TDM toe bij wettige toegang, tenzij rechthebbenden zich hiertegen expliciet verzetten.
AI-verordening vraagt openheid
De Europese AI-verordening verplicht aanbieders van general-purpose AI om een “voldoende gedetailleerde” samenvatting van hun trainingsdata te publiceren. Daarin moet ook staan of en hoe beschermd werk is gebruikt. Dit raakt direct het inzetten van gescande boeken. Bedrijven moeten straks kunnen uitleggen welke categorieën bronnen zijn ingezet en onder welke voorwaarden.
Voor overheden en onderwijsinstellingen heeft dit directe gevolgen bij inkoop. Zij moeten nagaan of leveranciers aan de AI-verordening voldoen en of het auteursrecht is gerespecteerd. Aanbestedingen kunnen eisen bevatten over datasettransparantie, TDM-opt-outs en auditrechten. Zo verklein je juridische en reputatierisico’s bij gebruik van generatieve AI.
De AVG speelt mee als boeken persoonsgegevens bevatten, zoals in memoires of onderzoeksbundels. Dan is een rechtsgrond nodig, plus dataminimalisatie en passende beveiliging. Leveranciers moeten aantonen hoe zij datalekken en herleidbare quotes in modeluitvoer voorkomen. Dit hoort bij de documentatie en risicobeoordeling die de AI-verordening verlangt.
Auteurs en uitgevers waarschuwen
Auteurs en uitgevers vrezen verlies van controle en inkomsten als hun werk zonder licentie in trainingssets belandt. Ze wijzen erop dat boeken met zorg gemaakt en betaald zijn, en niet gratis grondstof mogen zijn. Collectieve beheersorganisaties zoals Lira en Pictoright pleiten op het moment van schrijven voor duidelijke afspraken en vergoedingsmodellen. De Groep Algemene Uitgevers (GAU) vraagt om handhaafbare opt-outmechanismen voor drukwerk.
Een praktische route is collectieve licenties voor TDM op boeken, met uitzonderingen voor gevoelige genres. Uitgevers kunnen voorwaarden verbinden aan beveiliging, bewaartermijnen en modeluitvoer. Ook is een register denkbaar waarin rechthebbenden per ISBN een TDM-keuze vastleggen. Dat maakt naleving controleerbaar, ook buiten het web.
Transparantie helpt daarnaast het maatschappelijk vertrouwen. Als bedrijven publiek maken welke boekencategorieën zij gebruiken en hoe ze rechten borgen, wordt discussie concreter. Dat geeft ruimte voor maatwerk, zoals hogere vergoedingen voor recente non-fictie of educatieve uitgaven. Zo blijft innovatie mogelijk binnen duidelijke grenzen.
Techniek kent duidelijke beperkingen
Het scannen van boeken vereist vaak fysieke ingrepen, zoals het loshalen van de rug. Daarna volgt OCR, een techniek die tekst herkent in beelden. OCR maakt fouten bij oude lettertypes, voetnoten of tabellen. Daardoor ontstaan ruis en vertekeningen, die modellen verkeerde patronen kunnen aanleren.
Ook metadata zijn kwetsbaar. Als naam, jaartal of genre ontbreekt of fout gaat, wordt herkomst onduidelijk. Dat bemoeilijkt het voldoen aan de AI-verordening, die vraagt om een samenvatting van bronnen. Zonder goede datakwaliteit zijn audits en herleidbaarheid lastig.
Tot slot kan modeluitvoer stukken tekst lijken te citeren uit boeken. Dat leidt tot risico’s rond plagiaat en privacy. Bedrijven moeten daarom technieken inzetten om memorisatie te beperken en citaten te blokkeren. Evaluatiesets in het Nederlands moeten dit specifiek testen.
Heldere afspraken zijn nodig
Zonder duidelijke spelregels lopen innovatie en rechtenbescherming uit de pas. Een sectorbrede TDM-licentie voor Nederlandstalige boeken kan helderheid geven. Combineer die met een praktisch opt-outregister en technische signalen in digitale catalogi. Dan weten ontwikkelaars wat mag en wat niet.
Leveranciers van AI-systemen doen er goed aan om nu al dataset-samenvattingen en herkomstlogboeken bij te houden. Dat vereenvoudigt naleving van de AI-verordening en versnelt aanbestedingen bij de overheid. Onafhankelijke audits op datakwaliteit en rechtenbeheer verhogen het vertrouwen. Zo wordt de keten van boek tot model transparant.
Beleidsmakers kunnen de markt helpen met richtsnoeren voor drukwerk en TDM buiten het web. Denk aan voorbeelden voor contractclausules, bewaartermijnen en beveiligingseisen. De Koninklijke Bibliotheek en het Centraal Boekhuis kunnen een rol spelen bij standaardisatie van metadata. Met gezamenlijke standaarden groeit een gezonde, Europese AI-markt voor kleinere talen zoals het Nederlands.