Wie Bücher zu Trainingsdaten für Künstliche Intelligenz werden

San Francisco – 15.09.2026: Erst wird der Einband abgetrennt, dann werden die Seiten zugeschnitten und durch Hochleistungsscanner gezogen. So verwandeln sich gedruckte Bücher in Datensätze für Künstliche Intelligenz. Nach einer Recherche von Franceinfo haben Unternehmen große Mengen an Büchern gekauft, um deren Inhalte möglichst schnell zu digitalisieren. Die Druckexemplare werden dabei unbrauchbar.

Ausführlich dokumentiert ist das Verfahren im US-Rechtsstreit Bartz gegen Anthropic. Ein Bundesgericht in Kalifornien hielt 2025 fest, dass der Entwickler des Sprachmodells Claude gedruckte Bücher erwerben und von Dienstleistern zerlegen ließ. Nach dem Entfernen der Bindung wurden die Seiten gescannt; aus den Dateien entstand eine durchsuchbare digitale Sammlung für die Entwicklung von Sprachmodellen. Die Bücher selbst blieben nicht als nutzbare Exemplare erhalten.

Der technische Anreiz liegt in der Geschwindigkeit. Lose, zugeschnittene Seiten können automatisiert eingezogen werden. Ein gebundenes Buch muss dagegen Seite für Seite geöffnet und so behandelt werden, dass Rücken und Papier keinen Schaden nehmen. Bei sehr großen Mengen senkt das zerstörende Verfahren Zeitaufwand und Kosten. Was aus Sicht eines Datenunternehmens effizient erscheint, bedeutet für Buchhandel, Bibliotheken und Sammler jedoch einen unwiederbringlichen Verlust jedes zerlegten Exemplars.

Besondere Sorge gilt Titeln, die nicht mehr aufgelegt werden. Sie sind häufig nur noch antiquarisch, in Bibliotheken oder privaten Sammlungen erhältlich. Umfangreiche Sammelkäufe können das Angebot weiter verknappen. Die im Verfahren gegen Anthropic veröffentlichten Unterlagen belegen allerdings nicht, dass bestimmte seltene Werke gezielt ausgewählt und vernichtet wurden. Eine solche Behauptung lässt sich daraus ebenso wenig ableiten wie eine genaue Zahl zerstörter Raritäten.

Rechtlich unterschied Richter William Alsup zwischen der Herkunft der Texte. Die Umwandlung rechtmäßig gekaufter Druckexemplare in digitale Kopien bewertete er nach dem US-Urheberrecht als zulässige Nutzung. Das Training von Sprachmodellen sei ein verändernder Verwendungszweck und die erworbenen Exemplare seien nicht erneut verbreitet worden. Anders behandelte das Gericht Millionen digitaler Bücher aus illegalen Onlinebibliotheken. Deren Beschaffung wurde durch die spätere Verwendung zum KI-Training nicht nachträglich rechtmäßig.

Damit verläuft die juristische Trennlinie zunächst zwischen gekauften und unerlaubt beschafften Vorlagen, nicht zwischen schonender und zerstörender Digitalisierung. Die Recherche macht zugleich eine materielle Folge sichtbar, die das Urheberrecht nur teilweise erfasst: Eine Textdatei kann den Inhalt eines Buches erhalten, aber weder dessen Ausgabe noch Papier, Satz, Einband oder Besitzgeschichte. Nach dem Scannen bleibt ein Datensatz; das erworbene Buch ist verloren.

Quellen

• Franceinfo, L'Oeil du 20H
• United States District Court, Northern District of California
• Associated Press