Eine investigative Recherche des Technologiemagazins 404 Media hat eine bemerkenswerte Praxis bei der Beschaffung von Trainingsdaten aufgedeckt. Der Online-Riese Amazon erwirbt in großem Umfang alte, antiquarische sowie vergriffene Bücher. Ziel dieser systematischen Einkäufe ist es, hochwertige Texte für das Training firmeneigener Modelle für künstliche Intelligenz zu gewinnen.
Um den Weg der Literatur nachzuvollziehen, platzierten die Journalisten einen Peilsender in einem Paket seltener Bücher, das von einem Händler verkauft wurde. Die Sendung endete schließlich in einer speziellen Einrichtung von Amazon in Las Vegas im US-Bundesstaat Nevada, die intern unter der Kennung VGT3 geführt wird. Berichte und Aussagen von Mitarbeitern vor Ort bestätigen die dortigen Abläufe.
In der Anlage werden die angelieferten Bücher nicht archiviert oder weiterverkauft, sondern für die Digitalisierung vorbereitet. Dazu werden die Buchrücken mechanisch abgetrennt, um die einzelnen Seiten anschließend in industriellen Schnellscannern verarbeiten zu können. Durch diesen Prozess werden die physischen Originale unwiderruflich zerstört, um den Textinhalt vollständig digital zu erfassen.
Hinter dieser radikalen Methode steht ein strukturelles Problem der aktuellen KI-Entwicklung. Viele führende KI-Labore suchen händeringend nach urheberrechtlich unkontaminierten und qualitativ hochwertigen Textkorpora. Historische und gedruckte Bücher bieten den entscheidenden Vorteil, dass sie garantiert frei von synthetisch generiertem Inhalt und sogenanntem KI-Slop sind.
Amazon hat den Vorgang auf direkte Nachfrage im Wesentlichen eingeräumt. Der Konzern bestätigte, dass regelmäßig Bücher über reguläre kommerzielle Kanäle erworben werden. Diese Bestände würden genutzt, um interne Produkte und Dienste gezielt weiterzuentwickeln und mit verlässlichen Daten zu versorgen.