Dok tehnološke kompanije ulažu milijarde dolara u razvoj veštačke inteligencije, jedan od njenih najvrednijih resursa postale su štampane knjige. Ne zbog čitanja, već zbog podataka. Hiljade primeraka danas se kupuju, skeniraju i uništavaju kako bi njihov sadržaj postao deo korpusa za obuku velikih jezičkih modela.
Tema je privukla pažnju nakon što je portal 404 Media otkrio da je kompanija ISBNdb nudila AI laboratorijama uslugu masovne nabavke štampanih knjiga, dok su sudski dokumenti u sporu protiv kompanije Anthropic pokazali da je ona već kupovala velike količine knjiga, digitalizovala ih i koristila za obuku svojih modela.
Na prvi pogled, to deluje nelogično. Ako se na internetu nalazi ogromna količina teksta, zašto AI kompanije kupuju štampane knjige? Odgovor je jednostavan: problem više nije nedostatak podataka, već nedostatak pouzdanog, kvalitetnog teksta napisanog ljudskom rukom.
Internet je postao zagađen sopstvenim proizvodom
Internet je nekada bio glavni izvor tekstova za obuku velikih jezičkih modela. Knjige, naučni radovi, novinski članci, blogovi i forumi predstavljali su ogroman korpus sadržaja koji su pisali ljudi. Međutim, od pojave generativne veštačke inteligencije krajem 2022. godine, na internetu sve više sadržaja čine tekstovi koje su napisali sami AI modeli.
Istraživači ovaj talas automatski generisanog sadržaja često nazivaju AI slop (AI-generisani sadržaj niskog kvaliteta). Problem nije samo u tome što takav tekst može biti netačan ili površan, već i što nove generacije modela sve češće uče na sadržaju koji su stvorili njihovi prethodnici. Taj rizik u naučnoj literaturi poznat je kao postepeno urušavanje modela (model collapse), odnosno postepeno opadanje kvaliteta modela usled obučavanja na sintetičkim podacima.
Zbog toga kompanije sve više traže izvore za koje mogu biti sigurne da su nastali pre masovne upotrebe generativne veštačke inteligencije i da su taj sadržaj napisali ljudi. Upravo su zato štampane knjige ponovo postale jedan od najvrednijih izvora podataka za razvoj savremenih AI sistema.
Zašto su baš štampane knjige idealan izvor?
Za obuku velikih jezičkih modela nije dovoljno samo to da je tekst napisao čovek. On mora biti kvalitetan, raznovrstan i pouzdan. Upravo zato su štampane knjige postale jedan od najvrednijih izvora podataka.
Za razliku od većeg dela sadržaja na internetu, knjige prolaze kroz uređivanje, lekturu i korekturu, a obuhvataju različite oblasti – od književnosti i istorije do medicine, prava i tehničkih nauka. Osim kvalitetnog teksta, one sadrže i pouzdane metapodatke, poput godine izdanja, autora, jezika i oblasti kojoj pripadaju.
Posebno su tražena izdanja objavljena pre kraja 2022. godine, jer je verovatnoća da sadrže AI-generisani tekst praktično zanemarljiva. Istovremeno, milioni naslova i dalje postoje isključivo u štampanom obliku, pa biblioteke, antikvarnice i prodavci polovnih knjiga postaju važan izvor visokokvalitetnog teksta napisanog ljudskom rukom za razvoj savremenih AI sistema.
Kako je otkriven novi posao vredan milione dolara
Javnost je za ovu praksu saznala u julu 2026. godine, kada je portal 404 Media objavio istraživanje o kompaniji ISBNdb. Pored svoje baze bibliografskih podataka, kompanija je na sajtu nudila uslugu masovne nabavke štampanih knjiga za AI laboratorije – od hiljadu do čak milion naslova po narudžbini.
Klijenti su mogli da biraju knjige prema godini izdanja, jeziku, žanru ili oblasti, a ISBNdb je nudio i potpisivanje ugovora o poverljivosti (NDA), uz obećanje da identitet kupca nikada neće biti otkriven. U marketinškom materijalu kompanija je čak priznala da bi ovakva praksa mogla izazvati negativne reakcije javnosti, ako bi se saznalo da AI kompanije uništavaju velike količine knjiga.
Nakon objavljivanja teksta, stranice sa ovom ponudom su uklonjene, a ISBNdb je saopštio da su želeli samo da tastiraju interesovanje tržišta i da kompanija nikada nije kupovala niti prodavala knjige za obuku modela veštačke inteligencije. Ipak, arhivirane verzije sajta pokazuju da je takva ponuda zaista postojala.
Šta je i kako izgleda destruktivno skeniranje
Da bi što brže digitalizovale velike količine knjiga, AI kompanije koriste postupak poznat kao destruktivno skeniranje. On je brži i jeftiniji od klasičnih metoda, ali podrazumeva trajno uništavanje knjige.
Proces počinje sečenjem poveza, nakon čega se razdvojene stranice propuštaju kroz industrijske skenere velikih kapaciteta, koji brzo mogu da skeniraju veliku količinu materijala. Zatim se pomoću OCR tehnologije fotografije stranica pretvaraju u mašinski čitljiv tekst koji se može koristiti za obuku modela.
Pošto je povez uništen, knjiga se više ne može vratiti u prvobitno stanje i najčešće završava u reciklaži. Kod savremenih izdanja to obično nije veliki problem, ali ako se na ovakav način digitalizuju retke ili vantiražne knjige, svaki uništeni primerak predstavlja trajan gubitak kulturnog nasleđa.
Iako postoje nedestruktivne metode skeniranja, one su znatno sporije i skuplje. Zato se sve češće postavlja pitanje da li ekonomska efikasnost treba da ima prednost nad očuvanjem knjiga, posebno kada je reč o retkim i teško dostupnim izdanjima.
Anthropic je pokazao da ovo nije samo teorija
Dok se nakon otkrića 404 Media raspravljalo da li je ponuda ISBNdb-a ikada zaživela u praksi, sudski postupak protiv kompanije Anthropic pokazao je da ovakva praksa već postoji. Interna dokumenta otkrila su da je kompanija u okviru projekta Project Panama nabavljala velike količine novih i polovnih knjiga, slala ih na destruktivno skeniranje, a dobijene digitalne kopije koristila za obuku svojih modela.
Kako bi organizovao ovaj proces, Anthropic je angažovao Toma Turvija, nekadašnjeg rukovodioca projekta Google Books. Prema internim dokumentima, kompanija je smatrala da je kupovina i skeniranje legalno nabavljenih knjiga pravno sigurniji pristup od oslanjanja na piratske digitalne biblioteke.
Slučaj Anthropic pružio je prvi konkretan dokaz da fizičke knjige ponovo postaju jedan od najvažnijih izvora podataka za razvoj velikih jezičkih modela.
Da li je sve po zakonu?
Da li AI kompanije smeju da kupuju knjige, digitalizuju ih i koriste za obuku svojih modela? Jedan od najvažnijih odgovora do sada dao je savezni sudija Vilijam Alsap u predmetu Bartz v. Anthropic.
U junu 2025. godine sud je zaključio da digitalizacija legalno kupljenih štampanih knjiga i njihovo korišćenje za obuku velikih jezičkih modela može predstavljati fair use, odnosno dozvoljenu upotrebu prema američkom autorskom pravu. Istovremeno je napravljena jasna razlika u odnosu na piratske digitalne biblioteke, poput LibGen-a, čije korišćenje nije obuhvaćeno ovom odlukom.
Ipak, ova presuda ne znači da je pitanje konačno rešeno. Odnosi se na konkretan slučaj, dok se pred američkim sudovima i dalje vode brojni sporovi protiv AI kompanija zbog načina na koji su prikupljale podatke za obuku svojih modela.
Sledeća bitka za razvoj veštačke inteligencije vodiće se oko podataka
U prvim godinama razvoja generativne veštačke inteligencije najveća prednost bile su računarska snaga i specijalizovani procesori. Danas, sve veću vrednost imaju kvalitetni podaci na kojima se modeli obučavaju.
Zato AI kompanije sve češće sklapaju ugovore sa medijima, izdavačima i drugim vlasnicima velikih kolekcija tekstova, dok štampane knjige ponovo postaju jedan od najtraženijih izvora sadržaja koji su napisali ljudi. Slučajevi ISBNdb-a i Anthropic-a pokazuju da je trka za kvalitetnim podacima već počela.
Istovremeno, ostaju otvorena pitanja gde su granice dozvoljene upotrebe autorskih dela i kako sačuvati retke knjige. Jasno je, međutim, da će budućnost veštačke inteligencije sve manje zavisiti samo od procesora, a sve više od pristupa najkvalitetnijim tekstovima koji su produkt ljudskog razmišljanja i rada.
Autor: Milena Šović, AI Implementation Specialist & Content Trainer
Foto: Pixabay