AI開発による書物の大量消費 ─ 破壊的スキャンの実態と著作権・市場への影響 #2022

生成AIの学習データを確保するため、テクノロジー企業が2022年以前に出版された物理的な書籍を大量に買い占め、裁断・スキャンした後に破棄している実態が明らかになりました。なぜAI企業は古い本を求めるのか。そして、この行為が著作権法でどのように解釈され、古書市場や歴史的資料の保存にどのような不可逆的な影響を与えているのか。客観的な事実と構造的なメカニズムを紐解きます。

AI開発におけるデータ収集の限界と合成テキスト問題

近年の生成AIや大規模言語モデルの開発において、その推論能力や文章作成の品質を向上させるためには、極めて大規模で高品質なテキストデータを読み込ませる「事前学習」のプロセスが不可欠です。初期の言語モデルは、インターネット上のウェブサイトを自動で巡回してテキストを収集するウェブスクレイピングという手法によって、膨大な知識を獲得してきました。
しかし、2022年に生成AIが一般に広く普及して以降、インターネットのデジタル空間には構造的な変化が生じました。AI自身によって生成された大量の合成テキストがウェブ上に急増し始めたのです。これらの合成テキストは、しばしばノイズを含み、内容が均質化された情報であり、専門家の間では「AI slop（AIによる汚染データ）」とも呼ばれています。
従来のウェブスクレイピングを続ければ、AIは自らが生み出した、あるいは他のAIが生成したテキストを大量に学習することになります。これにより、既存のデータ収集手法は技術的な限界を迎えつつあり、最先端のモデルを開発する企業は、インターネットの外部にある「新しい、しかし汚染されていないデータ」を模索せざるを得ない状況に直面しています [1]。

2022年以前の物理的書籍が持つデータとしての価値

デジタル空間のデータが汚染されていく中で、AI開発企業が次なる学習資源として目を向けたのが、2022年以前に出版された「物理的な書籍」でした。最新のテクノロジー企業が、あえてアナログな紙の本に多額の投資を行う背景には、AIモデルの性能を維持するための明確で構造的な理由が3つ存在します。
第一の理由は、「モデル崩壊」と呼ばれる致命的な現象を回避するためです。大規模言語モデルが、過去のAIによって生成された合成データを繰り返し学習すると、性能が徐々に劣化していくことが複数の研究で証明されています [2]。これは、統計学における中心極限定理というメカニズムによるものです。AIの生成物を学習し続けると、データ分布の分散が減少、つまり、人間が書く文章特有の多様性や、稀な表現のパターンといった「データの裾野」が失われ、平均的で平坦な出力しかできなくなってしまいます。2022年以前の物理的書籍には合成テキストが含まれていないことが構造的に保証されており、AIを正常に保つための純粋な人間由来のデータとして極めて高い価値を持っています。
第二の理由は、データポイズニングからの保護です。近年、自身の作品がAIに無断学習されることに反発するクリエイターたちが、AIの学習プロセスを意図的に攪乱するコードをテキストや画像に混入させる対抗ツールを使用するようになりました。膨大なデータセットの中に少数の巧妙な罠が仕掛けられるだけで、AIモデルの安全性は損なわれます。しかし、過去に出版された物理的な書籍には、現代のデジタルな対抗ツールが混入する物理的な余地がありません。
第三の理由は、テキスト情報の論理的な品質の高さです。インターネット上の文章は断片的で文脈が欠落していることが多いのに対し、出版された書籍は、編集者による厳密な校正プロセスを経ており、論理的構成が担保されています。AIに「質の低いインターネットの言葉」ではなく「上手な文章の書き方」を学習させる上で、編集された高密度な書籍は不可欠なリソースとして位置づけられているのです。

仲介業者を通じた大量調達と破壊的スキャンの工程

AI企業が物理的書籍を調達し、データ化するプロセスは、社会的な反発を避けるために高度にシステム化されています。AI企業が直接市場で本を買い占めれば、「文化的な資産を奪っている」というオプティクス（外見上の印象）の悪化を招くため、彼らは第三者の仲介業者を介してこの作業を行っています。
このスキームの中心にいるのが、書籍データベース業者やスキャン代行業者です。例えば、世界最大級の書籍データベースを持つある企業は、AI企業向けに一度に数千冊から最大100万冊に及ぶ書籍のバルク調達（大量購入）を仲介する事業を展開しています。このプロセスでは、顧客であるAI企業の身元や目的を完全に隠匿するため、厳格な秘密保持契約が結ばれます。
調達された書籍のデータ化には、専門のスキャン業者が関与します。技術的には、本を開いたまま上から撮影する非破壊スキャンも可能ですが、時間効率とコスト削減を最優先するAI企業の要請により、「破壊的スキャン」という手法が意図的に選択されています。これは、作業員が書籍の背表紙を切り落として解体し、バラバラになったページを高速な産業用スキャナーに投入して読み取るという荒削りなプロセスです。そして、読み取りが終わった後の裁断済みの紙片は、再び製本されることも保存されることもなく、すべてリサイクル業者に引き渡され、物理的に破棄されています。

Anthropic社によるプロジェクトの実態と運用体制

この破壊的スキャンの実態は、大規模言語モデル「Claude」を開発するAnthropic（アンソロピック）社に対する訴訟の開示資料によって、具体的な輪郭を現しました。同社内では、数百万冊規模の物理的書籍を調達し、データ化する極秘の取り組みが「Project Panama（プロジェクト・パナマ）」というコードネームで運用されていました [3]。
裁判記録において封印が解除された内部文書によると、このプロジェクトの目的は「世界中のすべての書籍を破壊的にスキャンすること」であり、外部に知られることを防ぐために意図的にソフトな名称が用いられていました。Anthropic社は、過去に別のテクノロジー企業で大規模な書籍デジタル化を指揮し、著作権に関する法的論争を乗り越えた経験を持つベテランの責任者を招き入れ、この計画を推進しました。
実行段階において、同社は米国や英国の大規模な中古本販売業者から、一括購入の手法で書籍を調達しました。この事業には短期間で数千万ドル（数十億円規模）という莫大な予算が投じられました。購入された本は、油圧式カッターを用いて背表紙ごと切断され、すべてのページが完全にバラバラの状態で産業用高速スキャナーにかけられました。ピーク時には1日あたり1万冊以上の処理能力が想定されていたとされています。

米国著作権法における破壊的スキャンの司法判断

AI企業が他人の著作物である物理的書籍を大量に裁断し、学習データとして利用する行為は、法的に許容されるのでしょうか。この問題に対して、米国の「Bartz v. Anthropic」訴訟において、著作権法のフェアユース（公正利用）に関する画期的な司法判断が下されました [4]。
2025年6月、担当判事は、Anthropic社が合法的に購入した物理的書籍を破壊的にスキャンし、AIの学習に用いた行為について、著作権法上のフェアユースに完全に該当し、適法であると認定しました。この結論は、主に3つの法的論理に基づいています。
第一に、「第一販売の原則」の適用です。米国著作権法では、合法的に購入された物理的コピーの所有者は、著作権者の許諾なくそのコピーを転売したり、物理的に廃棄したりする権利を持つと規定されています。購入した本を自社の施設で裁断し、廃棄する物理的行為そのものは、所有権の正当な行使であると解釈されました。
第二に、フォーマット変換の合法性です。物理的な原本をスキャンしてデジタル化する行為は、保管スペースの節約や検索性の向上を目的としたフォーマットの変更とみなされました。ここで重要なのは、Anthropic社がスキャン後に原本を物理的に破棄した点です。原本を消滅させることで、市場に存在するコピーの総数が増えておらず、「1対1の置き換え」に留まっていることが、フェアユースを支持する強力な根拠となりました。
第三に、AI学習の「変容的」な性質です。判決では、抽出されたテキストをAIの学習に用いる行為は、既存の作品をそのまま複製して市場を代替するためのものではなく、統計的な関係性を分析して「新しい文章」を生成するためのものであると規定されました。これは「上手な文章を書くために人間が読書をする行為」と同質であり、著作者がコントロールを期待できる範囲を超えていると判断されたのです。AIの出力にはフィルタリングがかけられ、元の著作物と同一のコピーがユーザーに提供されることはないため、原著作物の市場に対する直接的な損害は発生しないと結論付けられました。

海賊版データの利用に対する違法認定と巨額和解

物理的書籍を正当に購入して裁断する行為が適法とされた一方で、同じ裁判において、インターネット上の違法な海賊版サイトから取得されたデータに関する判断は、極めて厳格なものでした [5]。
Anthropic社の関係者が、過去に海賊版サイトから数百万冊の著作物を無断でダウンロードし、データライブラリを構築していた事実が認定されました。担当判事は、このように違法に入手されたデータを利用することについて、「たとえ最終的なAI学習の目的が変容的であったとしても、データ取得の入り口における海賊行為を遡って正当化することはできない」とし、フェアユースの適用を完全に否定しました。
侵害責任を免れなくなったAnthropic社は、海賊版サイトから作品を取得された権利者たちとの間で、15億ドルという米国著作権訴訟史上最大の金額で和解することに合意しました。和解条件には、ダウンロードした海賊版ファイルとそのコピーをすべて破棄することが含まれました。しかし、合法的に市場から購入し、裁断・スキャンして得たデータ資産の保持は認められたのです。この裁判は、「合法的な購入を通じた破壊的スキャン」という手法が、AI企業にとって法的なリスクを回避するための最も安全な経路であることを明確に裏付ける結果となりました。

古書市場への影響と歴史的資料の不可逆的な喪失

法的には適法とされたこのデータ調達スキームですが、物理的な市場と歴史的資料の保存体制に対しては、不可逆的で深刻な影響を及ぼし始めています。
オンラインの古書プラットフォームを利用する専門の販売業者たちは、2024年春頃から、特定のパターンを持った大量購入が急増していることを報告しています。彼らの証言によれば、通常の5倍以上の取引量に達するような異常なバルク注文が殺到しています。この買い占めの最大の特徴は、ジャンルや著者、歴史的な価値といった従来の本の評価基準が一切考慮されていない点です。唯一の購入条件は「13桁のISBN（国際標準図書番号）が付与されていること」のみであり、無差別なアルゴリズムによる買い付けが行われています。
この無差別な購入により、言語的な需要が低く売れ残っていた在庫が一掃され、販売業者に一時的な経済的利益をもたらしている側面はあります。しかし同時に、絶版となった希少本やアンティーク本までもが区別なく買い占められ、破壊的スキャンの対象となっている事態が進行しています。
古書や希少本は、書かれているテキスト情報だけでなく、装丁、紙質、印刷技術、余白に書かれた過去の読者による書き込み、蔵書印など、物理的な特性そのものが歴史的・学術的な価値を持っています [6]。背表紙を油圧カッターで切断し、読み取り直後に廃棄するプロセスは、テキスト以外のすべての「物理的メタデータ」を永遠に消滅させる行為に他なりません。AI企業や仲介業者のシステムには、スキャンして破棄する前にその本が歴史的に交換不可能な希少本であるかどうかを確認し、保護する選別プロセスが存在しません。
さらに、アーカイブの観点からも構造的な問題が生じています。過去に行われた図書館や公的機関によるデジタル化プロジェクトは、文化遺産の保存と、一般の人々への情報アクセス権の提供を目的としていました。しかし、現在のAI企業による破壊的スキャンで生成されたデジタルデータは、自社のAIを訓練するための非公開のプライベートデータベースに直接格納されます。
物理的な原本は裁断されてシュレッダーにかけられるため、一般の人々や研究者がその本に物理的に触れる手段は永遠に失われます。同時に、抽出されたデジタルデータは企業の占有物となるため、デジタルフォーマットでのアクセス権も社会には提供されません。市場の流通在庫を買い占めると同時に、特定のテキスト情報へのアクセス経路を単一のテクノロジー企業が完全に独占し、情報の私有化を進めているのです。
より高性能で流暢な言葉を紡ぐAIモデルが構築されていくその裏側で、人類が何世紀にもわたって蓄積してきた物理的な知識のアーカイブが、文字通り裁断され、社会から不可逆的に姿を消しつつあるという現実が、静かに進行しています。

脚注

[1] AI companies are reportedly shredding millions of books after using them to train AI models - tech giants outsource to middlemen to secretly buy up books for training material
AI企業が学習データ確保のために仲介業者を利用し、秘密裏に書籍を大量購入・裁断している実態を報じた技術系メディアの記事です。

[2] How to Synthesize Text Data without Model Collapse?
AIモデルが合成データを学習することで引き起こされる「モデル崩壊」のメカニズムと、その回避策に関する専門的な研究論文です。

[3] Anthropic's 'secret plan' to 'destructively scan all the books in the world' revealed by unredacted files
裁判記録の開示により明らかになった、Anthropic社の極秘プロジェクト「Project Panama」の全貌を伝えた出版業界誌の報道です。

[4] District Court Rules AI Training Can Be Fair Use in Bartz v. Anthropic
Anthropic社に対する著作権訴訟において、物理的書籍の破壊的スキャンとAI学習が米国著作権法のフェアユースに該当するとされた司法判断の法的解説です。

[5] Bartz v. Anthropic: All you need to know about the largest copyright settlement in history
違法な海賊版データの利用に対して下された歴史的な巨額和解（15億ドル）の背景と、その影響について詳述した法務系記事です。

[6] "A large part of the bookseller's job is seeing something significant in a book which others had missed, ..." - ILAB
国際古書連盟（ILAB）による、テキストだけではない物理的な本の歴史的価値と、古書販売業者の専門的役割に関する言及です。