Amazon kupuje rzadkie i wyczerpane książki, odcina im grzbiety i skanuje strona po stronie, by pozyskać dane treningowe AI. Tak wynika ze śledztwa serwisu 404 Media, o którym napisał TechCrunch. Operacja ma odbywać się w placówce VGT3 pod Las Vegas, oznaczonej logo z dinozaurem.
Dziennikarze umieścili w kilku rzadkich egzemplarzach nadajniki lokalizacyjne. Sygnał doprowadził ich właśnie do magazynu Amazona. Firma w komentarzu stwierdziła jedynie, że kupuje książki kanałami komercyjnymi, aby ulepszać produkty i usługi, z których korzystają klienci. Nie ujawniono, które modele Amazona korzystają z tego materiału.
Dlaczego stare książki to cenne dane treningowe AI
Publicznie dostępny internet został już w dużej mierze przerobiony przez firmy budujące modele językowe. Wyczerpane, papierowe wydania to zasób wciąż nietknięty. Kluczowe jest też, że teksty sprzed 2022 roku na pewno nie zostały napisane przez model AI. To zabezpiecza przed tzw. degradacją modelu (model collapse), czyli spadkiem jakości, gdy system uczy się na treściach wygenerowanych przez inną sztuczną inteligencję.
Sprawa ma wymiar prawny. Artykuł przypomina ugodę Anthropic na 1,5 mld USD z lipca 2026 roku, dotyczącą pirackich książek wykorzystanych do treningu. Pytanie o pochodzenie danych i prawa autorskie przestaje być akademickie. Staje się realnym ryzykiem biznesowym dla dostawców modeli.
Co to znaczy dla polskich firm i danych treningowych AI
Dla firm w Polsce to sygnał, że warto pytać dostawcę modelu, na jakich danych był trenowany. Prowenancja danych treningowych wpływa na ryzyko prawne, a w przypadku danych osobowych także na zgodność z RODO. Zrozumienie, skąd pochodzi „wiedza” modelu, staje się praktyczną kompetencją, nie ciekawostką. Zanim firma wdroży zewnętrzny model do pracy z dokumentami czy obsługi klienta, kwestię źródeł danych warto potraktować jak każdy inny element analizy due diligence.
Źródło: TechCrunch (EN), 17 sierpnia 2026, na podstawie śledztwa 404 Media.
