Eine investigative Recherche von Journalisten hat offengelegt, wie Technologieunternehmen nach unverfälschten Trainingsdaten für künftige Sprachmodelle suchen. Durch die Platzierung eines Apple AirTags in einer Sammelbestellung antiquarischer Bücher über den Online-Marktplatz Biblio gelang es Reportern, die physische Lieferkette nachzuverfolgen. Das Signal endete nicht in einer Bibliothek oder einem herkömmlichen Logistiklager, sondern in einer speziellen Amazon-Einrichtung in Las Vegas, die intern unter dem Team-Code VGT3 firmiert.
In diesem Zentrum werden tausende ältere und vergriffene Bücher einem Verfahren unterzogen, das in der Archivierungsbranche als zerstörerisches Scannen bekannt ist. Dabei wird der Buchrücken präzise abgetrennt, damit automatisierte Hochgeschwindigkeitsscanner die losen Seiten in Sekundenschnelle einlesen können. Nach Abschluss der Digitalisierung werden die zerschnittenen Papierseiten nicht wieder aufbereitet oder aufbewahrt, sondern direkt vor Ort vernichtet und entsorgt.
Der Hauptgrund für diesen rigorosen Schritt ist die wachsende Verunreinigung des Internets durch synthetische Texte. Da das frei zugängliche Web zunehmend mit Inhalten geflutet wird, die von generativer KI erzeugt wurden, sinkt die Qualität offener Trainingsdaten dramatisch. Ältere, vor dem digitalen Zeitalter gedruckte Bücher bieten Entwicklern eine verlässliche Quelle für hochwertige, rein menschliche Sprache, die frei von KI-Artefakten und Modellkollaps-Risiken ist.
Darüber hinaus umgeht der physische Ankauf über den Zweitmarkt klassische Hürden des digitalen Urheberrechts. Während Verlage und Autorenverbände weltweit Klagen wegen des unerlaubten Scrapings digitaler Repositorien führen, bewegt sich das private Einscannen legal erworbener Gebrauchtbücher in einer rechtlichen Grauzone. Amazon nutzt diese Methode offenbar, um große Mengen anspruchsvoller Texte zu sichern, ohne auf bestehende Web-Datensätze angewiesen zu sein.
Die Enthüllungen haben unter Archivaren, Historikern und Verfassern erhebliche Bedenken ausgelöst. Während Technologiekonzerne in historischen Büchern lediglich Rohmaterial für die nächste Generation neuronaler Netze sehen, beklagen Kulturexperten die dauerhafte Vernichtung physischer Buchbestände. Der Fall verdeutlicht den enormen Ressourcenaufwand und die radikalen Mittel, mit denen führende Tech-Riesen den Datenhunger ihrer Modellarchitekturen stillen wollen.