Tekoäly-yhtiö silppusi miljoonia kirjoja – nyt harvinaisteosten kohtalo pelottaa kirjakauppiaita

Anthropic on leikannut miljoonista ostamistaan kirjoista selkämykset, skannannut sivut ja hävittänyt paperiset alkuperäiskappaleet. Vanhoista kirjoista on tullut tekoäly-yhtiöille arvokasta koulutusaineistoa, koska niiden teksti on toimitettua ja varmasti ihmisten kirjoittamaa. Samalla on herännyt pelko siitä, päätyykö silppuriin myös harvinaisia ja korvaamattomia teoksia, vaikka näyttö tästä on vielä osin epävarmaa.

Tekoälyn valtava tiedonnälkä on synnyttänyt erikoisen ja monille vastenmielisen toimitusketjun. Yhtiöt hankkivat painettuja kirjoja, irrottavat niiden kannet ja selkämykset, syöttävät irralliset sivut nopeaan skanneriin ja toimittavat paperijätteen kierrätykseen.

Menetelmä ei ole vain verkossa kiertävä kauhutarina. Yhdysvaltalaisen Anthropic-yhtiön oikeusasiakirjoista selvisi, että Claude-tekoälypalvelua kehittänyt yhtiö osti ja tuhosi tällä tavalla miljoonia kirjoja. The Spectator nostaa ilmiön esiin paitsi tekijänoikeuskysymyksenä myös kulttuurisesti voimakkaana näkyvänä tekona: ihmisten kirjoittama tieto säilyy yhtiön palvelimella, mutta kirja itse katoaa.

Miksi tekoäly haluaa juuri vanhoja kirjoja?

Suuret kielimallit oppivat tekstiaineistoista sanojen, ajatusten ja ilmaisutapojen välisiä yhteyksiä. Pelkkä datan määrä ei kuitenkaan riitä. Mallin kehittäjät etsivät aineistoa, joka on johdonmukaista, hyvin kirjoitettua, eri aiheisiin ulottuvaa ja mahdollisimman luotettavaa.

Kirjat sopivat tähän tarkoitukseen poikkeuksellisen hyvin. Niiden teksti on tavallisesti käynyt läpi kirjoittajan lisäksi kustannustoimittajan ja oikoluvun, joten se on keskimäärin harkitumpaa kuin satunnaisilta verkkosivuilta kerätty sisältö. Erikoisalojen teokset tuovat koulutukseen myös sellaista tietoa ja sanastoa, jota verkosta ei välttämättä löydy kattavasti.

Ennen nykyistä generatiivisen tekoälyn aikaa julkaistuilla kirjoilla on vielä yksi etu: niiden teksti ei voi olla uudempien kielimallien tuottamaa. Tekoäly-yhtiöt yrittävät välttää tilannetta, jossa malli oppii yhä enemmän toisten mallien virheistä, maneereista ja keinotekoisesta täytesisällöstä.

Kirjatietokantaa ylläpitävä ISBNdb markkinoi vuonna 2026 verkkosivuillaan painettujen kirjojen suurhankintaa kielimallien kouluttajille. Yhtiö kuvasi kirjoja tiiviiksi, toimitetuiksi ja arvovaltaisiksi tietolähteiksi, joita tavallinen verkkoharavointi ei pysty korvaamaan.

Mainossivu poistettiin julkisen arvostelun jälkeen. ISBNdb ilmoitti myöhemmin 404 Medialle, että kyse oli markkinakiinnostuksen kokeilusta eikä palvelua koskaan toteutettu. Tapaus osoittaa silti, että vanhojen painettujen kirjojen muuttamisesta tekoälydataksi on pyritty rakentamaan kokonaan uutta liiketoimintaa.

Selkämyksen leikkaaminen tekee skannauksesta nopeaa

Kirjan voi digitoida sitä rikkomatta, mutta silloin sivut on kuvattava yksi kerrallaan ja kirja on pidettävä avoinna varovasti. Miljoonien niteiden kokoelmassa menetelmä vaatii runsaasti laitteita, aikaa ja ihmistyötä.

Tuhoavassa skannauksessa sidonta leikataan irti teollisella paperileikkurilla. Irralliset sivut voidaan syöttää arkeittain toimivaan skanneriin, minkä jälkeen tekstintunnistus muuttaa sivukuvat koneellisesti käsiteltäviksi tiedostoiksi. Menetelmä on nopea ja halpa, mutta kirjaa ei voi enää koota ennalleen.

Vaihtoehtoja siis on. Esimerkiksi Google Books on käyttänyt myös kirjoja vahingoittamattomia kuvausmenetelmiä, ja kirjastoissa sekä arkistoissa arvokkaita teoksia digitoidaan yleensä niin, että fyysinen alkuperäiskappale säilyy. Teollisessa tekoälykilpailussa nopeudesta ja kustannuksesta on kuitenkin tullut säilyttämistä tärkeämpiä tavoitteita.

Anthropic tavoitteli kaikkien kirjojen kirjastoa

Kesäkuussa 2025 julkistetun oikeuden päätöksen mukaan Anthropic palkkasi helmikuussa 2024 Google Books -hankkeessa työskennelleen Tom Turveyn. Hänen tehtävänään oli auttaa yhtiötä hankkimaan käytännössä kaikki maailman kirjat kattava aineisto.

Anthropic käytti painettujen kirjojen ostamiseen ja digitointiin useita miljoonia dollareita. Niteitä hankittiin suuria määriä tavanomaisilta kaupallisilta markkinoilta. Kirjojen sidonnat poistettiin, sivut leikattiin skannaukseen sopiviksi, kannet ja sisältö tallennettiin digitaalisiin tiedostoihin ja paperiset alkuperäiskappaleet hävitettiin.

Oikeusasiakirjat eivät osoita, että Anthropic olisi tässä hankkeessa tarkoituksella ostanut harvinaisia tai antikvaarisia teoksia. Yhtiö on myös kiistänyt tällaisten kirjojen hankkimisen ja kertoo ostaneensa aineistonsa tavallisilta kaupallisilta markkinoilta. Miljoonien niteiden mittakaava tekee silti kysymyksestä aiheellisen: kuinka tarkasti jokaisen kirjan harvinaisuus ja kulttuurinen arvo on voitu selvittää ennen sen leikkaamista?

Oikeus ei antanut lupaa piraattikirjastolle

Anthropic-tapauksessa sekoittuu helposti kaksi eri aineistonhankintatapaa. Yhtiö sekä osti painettuja kirjoja skannattavaksi että latasi miljoonia laittomasti kopioituja digitaalisia kirjoja piraattisivustoilta.

Tuomari William Alsup katsoi vuonna 2025, että kirjojen käyttäminen kielimallien kouluttamiseen oli käsitellyssä tapauksessa Yhdysvaltain tekijänoikeuslain mukaista kohtuullista käyttöä eli fair use -käyttöä. Perusteluna oli, että koulutus oli voimakkaasti muuntavaa eikä oikeudelle ollut esitetty väitettä siitä, että Claude olisi jakanut käyttäjille kirjojen tekijänoikeutta loukkaavia kopioita.

Myös laillisesti ostetun painokappaleen muuttaminen yhtiön sisäiseksi digitaaliseksi kappaleeksi hyväksyttiin erillisellä perusteella. Paperinen lähdekappale tuhottiin, digitaalista tiedostoa ei jaettu ulkopuolisille eikä kappaleiden kokonaismäärä näin kasvanut. Oikeus vertasi muutosta tilaa säästävään ja hakukelpoiseen formaatin vaihtamiseen.

Ratkaisu teki kirjojen tuhoamisesta oikeudellisesti olennaisen yksityiskohdan. Jos Anthropic olisi säilyttänyt sekä painetun että digitaalisen kappaleen, arvio kopioiden määrästä olisi voinut olla toinen. Päätöstä on siksi arvosteltu kannustimesta, joka suosii fyysisen kirjan hävittämistä sen säilyttämisen sijaan.

Piraattiaineiston kohdalla lopputulos oli toinen. Anthropic oli ladannut Books3-kokoelmasta lähes 200 000 kirjaa sekä LibGen- ja PiLiMi-palveluista yhteensä yli seitsemän miljoonaa tiedostoa. Yhtiö säilytti niitä yleiskäyttöisessä keskuskirjastossa myös silloin, kun kaikkia teoksia ei ollut tarkoitus käyttää mallien kouluttamiseen.

Oikeus katsoi, ettei pysyvän piraattikirjaston kokoaminen ollut sallittua kohtuullista käyttöä. Anthropic sopi asian myöhemmin 1,5 miljardilla dollarilla, ja liittovaltion tuomari hyväksyi sovinnon lopullisesti heinäkuussa 2026. Noin 482 000 teosta kattava korvaus on keskimäärin noin 3 000 dollaria teosta kohden. Sovinto liittyy piraattikopioihin, ei laillisesti ostettujen paperikirjojen leikkaamiseen.

Harvinaisten kirjojen kohtalosta ei ole vielä varmaa näyttöä

Huoli on laajentunut Anthropicista koko käytettyjen kirjojen markkinaan. Australialaiset kirjakauppiaat kertoivat The Guardianille saaneensa vuonna 2026 poikkeuksellisen suuria ja näennäisen sattumanvaraisia tilauksia kanadalaiselta Zoom Booksilta.

Tilauksissa oli esimerkiksi vanha maaperämekaniikan käsikirja, uusiseelantilaista pyöräilyä käsittelevä teos, australialaista runoutta ja Melbournen paikallishistoriaa. Osa kirjoista oli halpoja ja maannut hyllyssä vuosikymmeniä. Juuri vaikeasti ennustettava aihevalikoima herätti myyjissä epäilyn, ettei kirjoja hankittu tavallisille lukijoille.

Zoom Books kiistää digitoivansa tai tuhoavansa kirjoja ja kertoo myyvänsä ostamansa niteet ehjinä eteenpäin. Yhtiö ei ole salassapitosopimuksiin vedoten kertonut asiakkaidensa nimiä. Anthropic puolestaan sanoo, ettei se ole ostanut kirjoja Zoom Booksilta.

Tämän vuoksi suurtilaukset eivät yksin todista, että kyseiset kirjat olisi syötetty skanneriin tai että niiden ostajana olisi ollut tekoäly-yhtiö. The Spectatorin esiin nostama uhka on silti uskottava silloin, kun hankintaketju on pitkä ja ostaja tuntematon: tavallisen käytetyn kirjan mukana voi kulkea nimikirjoitus, omistushistoria tai harvinainen painos, jonka arvo ei näy pelkästä ISBN-numerosta.

Kirjan sisältö ei ole sama asia kuin kirja

Massamarkkinoille painetun pokkarin yhden kappaleen tuhoutuminen on kulttuurisesti eri asia kuin ainoan tunnetun niteen hävittäminen. Näiden ääripäiden väliin jää kuitenkin paljon loppuunmyytyjä teoksia, pieniä paikallishistorioita, omakustanteita, vanhoja käyttöoppaita ja erikoisalojen julkaisuja, joita ei ole koskaan digitoitu.

Fyysinen teos voi sisältää tietoa, jota tekstintunnistus ei tallenna. Sidonta, paperi, painojälki, kansi, kuvaliitteet, käsinkirjoitetut merkinnät, exlibrikset ja omistuskirjoitukset voivat kertoa teoksen valmistuksesta ja sen kulkemasta matkasta. Jos skannauksessa tavoitellaan vain puhdasta tekstiä, nämä kerrostumat voivat kadota.

Kirjojen teollinen silppuaminen tuo monille mieleen Ray Bradburyn Fahrenheit 451 -romaanin ja George Orwellin kuvaukset historian hävittämisestä. Vertaus ei ole täysin suora, sillä tekoäly-yhtiön tavoitteena ei ole sensuroida tekstin sisältöä vaan hyödyntää sitä. Mielikuva on silti voimakas, koska tieto siirtyy yhteisestä fyysisestä kulttuurista yksityisen yhtiön suljettuun järjestelmään.

Skannattu teos ei myöskään välttämättä päädy yleiseen digitaaliseen kirjastoon. Se voi jäädä yhtiön sisäiseksi koulutustiedostoksi, jota lukijat, tutkijat tai alkuperäinen tekijä eivät pääse tarkastelemaan. Siksi prosessia ei voi automaattisesti kutsua kulttuuriperinnön säilyttämiseksi, vaikka tekstistä jääkin digitaalinen kopio.

Yhdysvaltain ratkaisu ei sellaisenaan päde Suomessa

Yhdysvaltalaisen tuomioistuimen fair use -ratkaisu ei muodosta suoraan sääntöä Suomessa tai muualla Euroopan unionissa. Suomen tekijänoikeuslain 13 b § sallii laillisesti saatavilla olevien teosten kopioimisen tekstin- ja tiedonlouhintaa varten, ellei oikeudenhaltija ole asianmukaisesti pidättänyt tätä oikeutta. Muuhun kuin tieteelliseen tutkimukseen tehdyt kopiot saa säilyttää vain louhintatarkoitusta varten.

Suomalaisessa laissa käyttöoikeuden lähtökohtana on laillinen pääsy aineistoon. Tekijänoikeuden vastaisesti valmistetusta tai verkkoon tuodusta kopiosta ei voi tehdä sallittua koulutusaineistoa vain nimeämällä toiminta tiedonlouhinnaksi. Kaupallisessa tekoälykoulutuksessa merkitystä on lisäksi sillä, onko oikeudenhaltija pidättänyt louhintaoikeutensa lain edellyttämällä tavalla.

Tekijänoikeus ratkaisee silti vain osan ongelmasta. Laillisesti ostetun esineen omistaja saa tavallisesti hävittää sen, mutta kulttuurihistoriallisesti arvokkaan kappaleen kohdalla pelkkä omistusoikeus ei vastaa kysymykseen siitä, mikä olisi vastuullista.

Tuhoaminen ei ole tekninen välttämättömyys

Kirjojen silppuaminen on ennen kaikkea kustannus- ja nopeusvalinta. Harvinaiset, loppuunmyydyt tai muuten epäselvät niteet voitaisiin erotella ennen leikkaamista ja digitoida niitä vahingoittamatta. Hankintaketjussa voitaisiin myös säilyttää tieto siitä, mistä kukin kappale on peräisin ja onko sama painos jo kirjastoissa tai arkistoissa.

Miljoonien teosten aineistossa tällainen tarkistus hidastaisi työtä ja nostaisi hintaa. Juuri siinä on koko kiistan ydin: tekoäly-yhtiöiden kiire saada mahdollisimman paljon laadukasta ihmistekstiä muuttaa säilyttämisen helposti kuluksi, josta halutaan päästä eroon.

Varmennettu tapaus ei siis osoita, että tekoäly-yhtiöt olisivat järjestelmällisesti hävittämässä maailman harvinaisimpia kirjoja. Se osoittaa kuitenkin, että miljoonia fyysisiä teoksia on jo tuhottu kaupallisen tekoälyn koulutusta varten ja että markkinoille on syntynyt kysyntää vanhalle, varmasti ihmisten kirjoittamalle tekstille. Ilman avoimempia hankintaketjuja kukaan ulkopuolinen ei voi varmasti tietää, mitä kaikkea paperisilppurin mukana katoaa.