Tuhat kirjaa päätyi Amazonin skannausoperaatioon – mitä se kertoo tekoälyn koulutusdatasta?

Noin tuhannen kirjan lähetyksestä tuli 404 Median tutkinnan lähtöpiste. Julkaisu seurasi Apple AirTagilla varustettua kirjatoimitusta Kaliforniasta Wisconsinin ja Coloradon kautta Amazonin LAS8-varastolle Las Vegasiin. Sieltä lähetys ohjattiin VGT3-nimiseen toimintaan, joka sijaitsee alueen pohjoispäässä.

Työntekijöiden kertomusten ja paikan tunnistettavien piirteiden, kuten T. rex -hahmoa ja kirjaa esittävän logon, perusteella kyse ei vaikuttanut tavalliselta Amazonin varastointi- tai jälleenmyyntitoiminnalta. Tutkinta viittaa työvaiheisiin, joissa painetut kirjat muutetaan koneellisesti luettavaksi tekstiksi ja fyysiset kappaleet poistetaan käytöstä.

AirTag paljasti toimituksen reitin

404 Media upotti seurantalaitteen Kaliforniasta ostettuun erään kirjoja. Lähetys kulki useiden osavaltioiden kautta ennen saapumistaan Amazonin LAS8-laitokseen Las Vegasiin. Tämän jälkeen se päätyi VGT3-yksikköön, jonka toiminnasta julkaisu haastatteli työntekijöitä.

Oleellista ei ollut vain se, että Amazon vastaanotti kirjat. Lähetyksen määränpää ja työntekijöiden kuvaukset viittasivat siihen, että kirjoja käsiteltiin tavalla, joka poikkeaa tavallisesta tuotteiden vastaanotosta, varastoinnista tai myyntiin valmistelusta.

Osta, skannaa, hävitä

404 Median haastattelemien työntekijöiden mukaan VGT3 vastaanottaa suuria painettujen kirjojen eriä. Kirjojen sidokset irrotetaan, jotta sivut voidaan syöttää nopeisiin skannereihin. Sivut ja viivakoodit skannataan, minkä jälkeen irtonainen paperi hävitetään tai kierrätetään.

Menettely muuttaa fyysisen kirjan digitaaliseen, koneellisesti käsiteltävään muotoon – samalla alkuperäinen kappale katoaa. Kyse on siis olennaisesti eri asiasta kuin kirjojen ostamisesta jälleenmyyntiin, varastointiin tai asiakastilausten toimittamista varten.

Tutkinta ei kuitenkaan vahvistanut, kuinka paljon kirjoja kaikkiaan on käsitelty tai mikä Amazonin tekoälymalli mahdollisesti käyttää skannauksista syntyvää aineistoa. Tarkka johtopäätös on siksi rajatumpi: 404 Media löysi todisteita Amazonin kirjanhankinta- ja digitointitoiminnasta, joka sopii tekoälyn koulutusdatan keräämiseen.

Amazonin vastaus jätti keskeiset kysymykset auki

Amazon kertoi 404 Medialle ostavansa kirjoja ”tuotteidemme parantamiseksi”. Yhtiö ei kuitenkaan tiettävästi ilmoittanut, kuinka paljon kirjoja se ostaa, kuinka monessa laitoksessa niitä skannataan, mitkä tuotteet käyttävät syntyvää aineistoa tai liittyykö Las Vegasin toiminta nimenomaisesti tekoälymallien kouluttamiseen.

Tämä ero on tärkeä. Tutkinta tarjoaa toiminnallista näyttöä: seurattu lähetys, Amazonin laitokseen johtanut reitti, kirjoja käsittelevä yksikkö sekä työntekijöiden kuvaukset skannauksesta ja hävittämisestä. Se ei ole Amazonin täydellinen julkinen vahvistus siitä, että kaikki siellä käsitellyt kirjat päätyvät nimetyn mallin koulutusdataksi.

Amazonin toiminta sopii silti yhtiön laajempaan tekoälystrategiaan. Reuters kertoi heinäkuussa 2026, että Amazon keskittää tekoälypanostuksiaan uuteen frontier-mallien eli alan kärkeä tavoittelevien mallien hankkeeseen. AWS:n Nova Forge -palvelussa asiakkaat voivat puolestaan yhdistää omaa dataansa Amazonin kuratoimaan koulutusdataan rakentaessaan räätälöityjä malleja.

Nämä tiedot selittävät, miksi laadukas tekstiaineisto voisi olla Amazonille arvokasta, mutta ne eivät yksin todista, että juuri seurattu kirjatoimitus olisi kouluttanut tiettyä mallia.

Miksi kirjakauppiaat epäilevät ISBN-luettelon läpikäyntiä?

Kirjakauppiaiden mukaan jotkin suuret tilauserät ovat näyttäneet poikkeavilta. Tilaukset ovat voineet olla sisällöltään hyvin sekalaisia, eikä ostajaa ole vaikuttanut kiinnostavan kirjan jälleenmyyntiarvo, kunto, aihe tai hinta.

Jälleenmyyntiin keskittyvä ostaja pyrkii yleensä valitsemaan teoksia kysynnän ja katteen perusteella. Koulutusdataa hankkiva ostaja voi sen sijaan hyötyä mahdollisimman laajasta nimike- ja ISBN-tunnisteiden joukosta. Silloin satunnaiselta vaikuttava tilaus voikin olla järkevä tapa kasvattaa aineiston kattavuutta.

Tämä ei todista, että jokainen epätavallinen tilauserä liittyisi Amazoniin tai tekoälyyn. Se auttaa kuitenkin ymmärtämään, miksi kirjakauppiaiden on vaikea tulkita markkinaa: vähittäismyynnin näkökulmasta järjetön tilaus voi olla datankeruun näkökulmasta erittäin tarkoituksenmukainen.

404 Media kertoi aiemmin ISBNdb-yhtiöstä, joka markkinoi painettujen kirjojen laajamittaista hankintaa tekoäly-yrityksille. Julkisuuden jälkeen yhtiö poisti asiaa koskeneet materiaalit ja sanoi verkkosivun olleen markkinakiinnostuksen testi.

Miksi vanhat painetut kirjat kiinnostavat tekoälykehittäjiä?

Vanhat kirjat tarjoavat laajoja kokonaisuuksia ihmisten kirjoittamaa kieltä ajalta, jolloin generatiivisen tekoälyn tuottamaa tekstiä ei ollut nykyisessä mittakaavassa. Vanhoissa ja loppuunmyydyissä teoksissa voi lisäksi olla paikallista, historiallista tai erikoistunutta tietoa, jota ei ole koskaan julkaistu helposti haettavassa digitaalisessa muodossa.

Tällainen aineisto voi olla tekoälyn kehittäjille houkuttelevaa, koska se on monipuolista ja todennäköisemmin ihmisten tuottamaa. 404 Median ISBNdb-jutussa vanhojen kirjojen arvoa kuvattiin osin sillä, että ne ovat vapaita niin sanotusta ”AI-slopista” eli tekoälyn tuottaman heikkolaatuisen sisällön kasvavasta määrästä.

Tähän liittyy myös keskustelu mallien romahtamisesta eli model collapsesta. Sillä tarkoitetaan huolta siitä, että jos uusia malleja koulutetaan toistuvasti tekoälyn tuottamalla tekstillä, niiden laatu ja monimuotoisuus voivat heikentyä. Kyse on tutkimusaiheesta ja riskistä – ei todisteesta siitä, että Amazonin mallit olisivat kärsineet mallien romahtamisesta tai että juuri Las Vegasin kirjat olisi hankittu tästä syystä.

Anthropic teki jotain hyvin samankaltaista

Amazonin väitetty prosessi muistuttaa Anthropic-yhtiön Project Panamaa. Anthropic osti fyysisiä kirjoja, irrotti niiden sidokset, skannasi sivut ja hävitti paperikappaleet hankkiakseen digitaalista aineistoa tekoälytyöhönsä.

Yhdysvaltalainen tuomari William Alsup käsitteli asiaa 23. kesäkuuta 2025 antamassaan määräyksessä tapauksessa Bartz v. Anthropic. Hän katsoi, että kirjojen käyttäminen Clauden ja sen edeltäjien kouluttamiseen oli kyseisten tosiseikkojen perusteella ”erittäin muuntavaa” kohtuullista käyttöä Yhdysvaltain tekijänoikeuslain tarkoittamassa merkityksessä. Myös laillisesti ostettujen painettujen kirjojen digitointi katsottiin kohtuulliseksi käytöksi, koska fyysiset kappaleet korvattiin vastaavilla, hakukelpoisilla digitaalisilla kappaleilla yhtiön omaa kirjastoa varten.

Ratkaisu ei tarkoittanut, että kirjan tuhoaminen tekisi tekoälyn kouluttamisesta automaattisesti laillista. Hankintatapa, käyttötarkoitus, kopioiden säilyttäminen tai levittäminen ja muut ympäröivät tosiseikat vaikuttavat arviointiin. Sama oikeusprosessi suhtautui eri tavalla Anthropic-yhtiön piraattikirjoista rakentamaan kirjastoon.

Tämä rajaus on Amazonin kannalta olennainen. Vaikka yhtiö ostaisi kirjat laillisesti, avoimiksi jäävät edelleen toiminnan mittakaava, skannausten käyttötarkoitus, suhteet kirjailijoihin ja kustantajiin sekä harvinaisten fyysisten teosten säilyminen.

Tekijänoikeus ei ratkaise kaikkea

Kirjakauppiaiden huoli ei rajoitu myynnin menetyksiin tai tekijänoikeuskorvauksiin. Harvinaisilla ja loppuunmyydyillä kirjoilla voi olla historiallista, älyllistä, kulttuurista ja tunnearvoa. Kun niukka kappale leikataan auki ja kierrätetään, teksti saattaa säilyä skannauksena – mutta fyysinen esine on menetetty.

Siksi tekijänoikeudellinen ratkaisu ei vastaa kokonaan säilyttämistä koskevaan kysymykseen. Prosessi voi olla tietyn oikeudellisen arvioinnin mukaan sallittu ja silti herättää huolta keräilijöissä, kirjakauppiaissa, kirjastoissa ja lukijoissa, joille kirja on paljon enemmän kuin pelkkä tekstin säiliö.

Tutkinta nostaa esiin myös tiedon epäsymmetrian. Tekoäly-yhtiöt voivat nähdä vaikeasti löydettävien kirjojen datan arvon kauan ennen kuin yksittäinen myyjä huomaa oudon tilauserän olevan osa laajempaa hankintastrategiaa. Amazonin yleisluontoinen kommentti tuotteiden parantamisesta jättää avoimiksi kirja-alan kannalta tärkeimmät kysymykset: kuinka laajaa hankinta on, mitä kirjoja skannataan ja mitä tiedostoille tapahtuu.

Onko fyysisestä kirjasta tulossa tekoälyn näkymätön raaka-aine?

404 Median raportointi viittaa ainakin yhteen dokumentoituun tapaukseen, jossa kirjat siirtyivät myyjältä Amazonin käsittelytoimintaan, skannattiin ja tuhottiin. Toiminnan kokonaislaajuus ja skannausten myöhempi käyttö ovat edelleen julkisesti vahvistamatta.

Siksi vahvin johtopäätös ei ole, että Amazon olisi todistetusti kouluttanut tietyn tekoälymallin kaikilla käsitellyillä kirjoilla. Vahvempi ja tarkempi väite on tämä: fyysinen kirjamarkkina saattaa olla muuttumassa tekoälyn koulutusdatan huomaamattomaksi toimitusketjuksi – ja samalla harvinaisten teosten fyysiset kappaleet voivat kadota, vaikka niiden teksti säilyisi digitaalisessa muodossa.