AI-компании скупают старые книги: последние данные для обучения без ИИ-слопа

AI-лаборатории начали массово скупать старые бумажные книги, чтобы обучать на них модели: тексты, изданные до прихода генеративного ИИ, остаются последним крупным пулом данных, не загрязнённым машинным «слопом». Доступ к каталогу продаёт дата-брокер ISBNdb, а сами лаборатории не раскрывают, кто финансирует закупку — об этом пишет издание The Next Web в июле 2026 года.

Чем ценны книги без ИИ-слопа

Старые книги ценны тем, что гарантированно написаны людьми: любой текст, изданный до запуска ChatGPT в ноябре 2022 года, физически не может содержать сгенерированного нейросетью контента. Именно эта «чистота» превращает библиотечные полки в дефицитный ресурс для тренировки моделей.

Проблема — в способе добычи. Чтобы оцифровать книгу промышленным сканером, у неё срезают корешок и прогоняют страницы через автоподатчик, то есть физически уничтожают. По данным The Next Web, речь идёт о миллионах томов, а имя лаборатории-заказчика в сделках не фигурирует.

• ISBNdb — дата-брокер, продающий лабораториям доступ к каталогу книг
• Ноябрь 2022 года — запуск ChatGPT, водораздел между «чистыми» и загрязнёнными данными
• Оцифровка разрушительная: корешки срезают, бумажные книги уничтожают
• В обороте — миллионы изданий
• Покупатели не раскрывают, какая AI-компания оплатила заказ

Почему данные заканчиваются?

Крупные лаборатории уже фактически исчерпали открытый интернет как источник качественных текстов. Аналитики Epoch AI ещё в 2024 году оценивали, что запас общедоступных человеческих данных высокого качества может иссякнуть во второй половине 2020-х, и с тех пор гонка за оставшимися «чистыми» корпусами только обострилась.

Книги в этой гонке — премиальный актив. Книга даёт длинный, связный, отредактированный текст с богатым языком, а не обрывочные посты и комментарии, поэтому один том стоит того качества, за которое лаборатории готовы платить брокерам вроде ISBNdb.

Что такое загрязнение данных?

Загрязнение данных — это ситуация, когда обучающие тексты из интернета всё больше состоят из выхлопа самих нейросетей, а не из написанного людьми материала. Модель, натренированная на собственном «слопе», постепенно деградирует: теряет разнообразие и точность. Исследователи описали этот эффект в журнале Nature ещё в 2024 году и назвали его model collapse — коллапс модели.

Отсюда и охота за физическими книгами. Интернет после 2022 года стремительно заполняется AI-текстом, и отделить человеческое от машинного в вебе всё сложнее, тогда как дата издания книги — надёжный маркер того, что перед тобой доцифровой, человеческий текст.

«Лучшие в мире данные для обучения ИИ лежат на полке», — так, по данным

The Next Web, звучит предложение дата-брокера ISBNdb.

Юридическая сторона остаётся серой зоной: покупка и сканирование чужих книг ради обучения коммерческих моделей — предмет исков правообладателей, а анонимность заказчиков лишь усиливает вопросы к прозрачности.

Что это значит

Для индустрии это сигнал структурного дефицита: качественные человеческие данные конечны, а всё созданное после 2022 года ценится всё меньше из-за примеси AI-контента. Пока модели требуют всё больше текста, «доцифровое» наследие — старые книги, архивы, газеты — превращается в стратегический и физически исчерпаемый ресурс.