Największa baza bibliograficzna świata przestała być narzędziem dla księgarzy i bibliotek, a stała się pośrednikiem w hurtowym skupie papieru dla laboratoriów sztucznej inteligencji. Argument sprzedażowy ISBNdb jest brutalnie prosty: książka wydrukowana przed 2022 rokiem fizycznie nie może zawierać tekstu wygenerowanego przez model językowy.
Kluczowe fakty:
- ISBNdb, największa baza bibliograficzna świata, oferuje laboratoriom AI dostęp do blisko 111 milionów rekordów książkowych, realizując zamówienia sięgające miliona tytułów jednorazowo, z dostawą przygotowaną bezpośrednio pod skanery.
- Kluczowym argumentem sprzedażowym jest rok wydania – książki wydrukowane przed 2022 rokiem są z definicji wolne od treści generowanych przez modele językowe, co czyni je wiarygodnym źródłem danych treningowych.
- Zagrożenie zwane „model collapse" zostało opisane w 2024 roku na łamach „Nature" przez Ilię Shumailova i współautorów – polega na stopniowej degradacji modeli AI trenowanych rekurencyjnie na danych generowanych przez inne modele.
Historię jako pierwsze opisało 21 lipca 404 Media, a materiał w ciągu doby obiegł branżę. Sprawdziłem oferty ISBNdb u źródła i to, co firma pisze o sobie sama, jest ciekawsze niż jakikolwiek przeciek.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Data wydania stała się parametrem technicznym
Na stronie skierowanej do laboratoriów AI ISBNdb chwali się bazą liczącą blisko 111 milionów rekordów i deklaruje realizację zamówień sięgających miliona tytułów jednorazowo. Firma oferuje filtrowanie po ISBN, temacie, języku, roku wydania i wydawcy, a przesyłki przygotowuje tak, żeby trafiały prosto na taśmę skanera. Bez sortowania, bez przeklejania etykiet.
Hasło otwierające tę ofertę brzmi: „Najlepsze na świecie dane treningowe do AI leżą na półce” / „The world’s best AI training data is sitting on a shelf”. Dalej idzie argumentacja, którą trudno odeprzeć na poziomie logiki: książka to tekst przeczytany przez redaktora, sprawdzony przez korektę, uporządkowany w strukturę, której żaden crawler nie odtworzy z internetu.
Ale wartością handlową nie jest już jakość. Jest nią data.
Rok 2022 to granica, przed którą generatory tekstu nie działały na skalę masową. Wszystko, co wydrukowano wcześniej, jest z definicji ludzkie. Nikt tego nie przepisze, nie podmieni po cichu w bazie i nie doda akapitu wygenerowanego w nocy przez skrypt. Papier ma tę przewagę nad siecią, że jest zamknięty.
Zapaść modelu przestała być hipotezą z konferencji
Pojęcie model collapse trafiło do obiegu w 2024 roku, kiedy „Nature” opublikowało pracę Ilii Shumailova i współautorów o degradacji modeli trenowanych na danych generowanych rekurencyjnie. Mechanizm jest nudny i dlatego groźny: model przeszacowuje zdarzenia częste, a niedoszacowuje rzadkie. Kolejna generacja uczy się na tym wykrzywionym rozkładzie i wykrzywia go jeszcze bardziej. Po kilku iteracjach ogony rozkładu znikają, a razem z nimi wszystko, co niszowe, lokalne i nietypowe.
Badacze pokazali też, że domieszka autentycznych danych ludzkich spowalnia ten proces. I tu robi się nieprzyjemnie dla całej branży, bo świeżych danych ludzkich w otwartej sieci ubywa. Nie dlatego, że ludzie przestali pisać, tylko dlatego, że maszyny piszą szybciej.
Laboratoria zatruły studnię, z której piły. Teraz kupują wodę butelkowaną.
Zatruwanie danych, czyli druga strona tego samego wyścigu
Jest jeszcze powód, o którym mówi się rzadziej. Autorzy zaczęli się bronić aktywnie, sięgając po techniki znane z narzędzi typu Nightshade: wplatanie w tekst znaków, które człowiek odczyta bez problemu, a parser modelu potraktuje jako coś zupełnie innego.
ISBNdb powołuje się na własnym blogu na badania Anthropic sugerujące, że kilkaset spreparowanych dokumentów wystarczy, by umieścić tylną furtkę w korpusie liczonym w bilionach tokenów. Książka z 2015 roku nie może być zatruta, bo w 2015 roku nie było czym.
Firma sprzedaje więc nie tylko treść, ale i proweniencję. Faktura, numer partii, dokumentacja łańcucha dostaw. Dokładnie to, czego dział prawny potrzebuje, żeby obronić się przed pozwem.
Cena za skan to zniszczony egzemplarz
Skanowanie na skalę przemysłową zwykle oznacza odcięcie grzbietu i przepuszczenie luźnych kartek przez automat. Jest szybciej i taniej niż przy metodzie bezinwazyjnej. Książka po tej operacji nie istnieje.
ISBNdb zdaje sobie z tego sprawę i mówi o tym klientom wprost. W materiałach firmy, cytowanych przez 404 Media, pada zdanie o problemie wizerunkowym: „»Firma AI niszczy dwa miliony książek« to nie jest nagłówek, który budzi współczucie” / „’AI company destroys two million books’ is not a headline that generates sympathy.” Odpowiedzią jest umowa o poufności przy każdym zleceniu i gwarancja, że tożsamość kupującego nigdy nie zostanie ujawniona.
Czyli: tniemy, ale nikt się nie dowie, kto zapłacił.
Trudno mi się oburzać na sam pomysł kupowania książek. To jest akurat ta wersja pozyskiwania danych, w której ktoś komuś w końcu płaci, a nie ściąga torrenta i udaje, że nie wie. Uważam jednak, że anonimowość wpisana w model biznesowy powinna zapalić lampkę każdemu, kto zajmuje się tą branżą zawodowo. Jeśli operacja jest legalna i uczciwa, po co jej klauzula poufności przy każdym zleceniu? Odpowiedź brzmi: bo optyka jest zła, a nie dlatego, że prawo jest niejasne. I to jest różnica, którą powinniśmy nazywać po imieniu.
Niepokoi mnie coś jeszcze. Skup dotyczy również wydań specjalistycznych, akademickich i niskonakładowych, czyli dokładnie tych, których nikt nigdy nie zdigitalizuje ponownie. Kiedy zniknie ostatni fizyczny egzemplarz monografii wydanej w nakładzie trzystu sztuk, jej treść pozostanie wyłącznie w wagach modelu, do których nie ma dostępu nikt poza właścicielem. To nie jest archiwizacja. To przeniesienie wiedzy do prywatnego sejfu.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Wyrok Alsupa dał całej branży wzorzec
Prawne zaplecze tej operacji zbudował sędzia William Alsup. Rozstrzygając spór autorów z Anthropic, uznał, że zakup papierowej książki, jej zeskanowanie i zniszczenie oryginału mieści się w granicach dozwolonego użytku, bo plik cyfrowy zastępuje egzemplarz, a nie tworzy dodatkowej kopii na rynku. Sędzia porównał to do zmiany formatu w celu zaoszczędzenia miejsca.
Z dokumentów sądowych, opisanych wcześniej przez Ars Technica i Washington Post, wynika, że Anthropic prowadziło operację pod nazwą Project Panama, zatrudniło do niej byłego szefa partnerstw projektu Google Books i zleciło skanowanie zewnętrznej firmie oferującej obie metody, niszczącą i nieniszczącą. Osobno spółka zawarła ugodę na 1,5 miliarda dolarów w sprawie dotyczącej pirackich kopii, obejmującą według doniesień około pół miliona utworów.
Wyrok w części dotyczącej legalnie kupionych książek nie był porażką Anthropic. Był instrukcją obsługi dla wszystkich pozostałych.
Warto zestawić to z alternatywą. Harvard we współpracy z Google i Microsoftem udostępnił blisko milion zdigitalizowanych książek z domeny publicznej w 254 językach i nie zniszczył przy tym ani jednego egzemplarza. Da się inaczej. Jest tylko drożej i wolniej.
Nowy węzeł w łańcuchu dostaw AI
Rynek wtórny książki nigdy nie był traktowany jako infrastruktura technologiczna. Teraz nią jest, i to z zestawem cech, których wcześniej nikt tam nie szukał:
- kupujący nie interesuje się stanem zachowania, bo zniszczony paperback i pierwsze wydanie mają dla skanera identyczną wartość
- liczy się wolumen i różnorodność tematyczna, a nie pojedynczy tytuł
- zamówienia idą paletami, z pełną dokumentacją, bo to ona buduje linię obrony w sądzie
- ISBNdb reklamuje osobno języki o małych zasobach tekstowych, wskazując je jako obszar, w którym książki bywają jedynym porządnym korpusem
- pośrednik nie ujawnia klientów, więc realna skala zjawiska pozostaje nieznana
Ingram, największy amerykański dystrybutor książek, zdążył już ostrzec wydawców i zaproponował im mechanizm wypisania się z takich transakcji. To pierwszy sygnał, że łańcuch dostaw zaczyna się bronić.
Ciekawostka, którą znalazłem w stopce serwisu: ISBNdb prowadzi portugalska spółka Estelar Software Unipessoal LDA z siedzibą w Funchal na Maderze. Największy pośrednik w handlu papierem dla amerykańskich laboratoriów AI jest podmiotem europejskim, podlegającym unijnemu prawu.
Co to oznacza dla polskiego rynku książki i polskiej AI
Polski korpus tekstowy jest z perspektywy globalnych laboratoriów mały. Dokładnie tak wygląda kategoria, którą ISBNdb nazywa językami o ograniczonych zasobach i wskazuje jako obszar, gdzie druk bywa jedynym sensownym źródłem.
Skala jest policzalna. Według rocznika „Ruch Wydawniczy w Liczbach” Biblioteki Narodowej w 2025 roku do Narodowej Książnicy wpłynęło 31 595 tytułów, o niemal tysiąc więcej niż rok wcześniej. Raport Polskiej Sieci Ekonomii dla Instytutu Książki szacuje liczbę zarejestrowanych wydawnictw na około jedenaście tysięcy, przy czym regularnie publikuje mniej więcej dwa tysiące z nich. Cały polski dorobek wydawniczy sprzed 2022 roku to zasób skończony, rozproszony po antykwariatach, magazynach i piwnicach, i dziś nikt go systematycznie nie wycenia.
Dla SpeakLeash, PLLuM i każdego kolejnego projektu budującego polskie modele językowe to jest pytanie o być albo nie być za pięć lat. Bielik powstał na danych zebranych głównie z sieci, przy ogromnym wysiłku społeczności i wsparciu Cyfronetu AGH. Jeżeli polska część internetu zapełni się generowanym tekstem szybciej, niż powstaną narzędzia do jego odsiewania, kolejne wersje będą się uczyć na własnym echu. Papier jest wtedy jedyną kotwicą.
Polska ma przy tym atut, którego Amerykanie nie mają: Polona i Academica to jedne z największych zbiorów cyfrowych w Europie, z ponad trzema milionami publikacji dostępnych przez sieć bibliotek. Zdigitalizowanych bez niszczenia oryginałów. Pytanie brzmi, czy ktokolwiek w Warszawie traktuje ten zasób jak aktywo strategiczne, czy wciąż wyłącznie jak usługę dla czytelników.
Wydawcom i agentom literackim radzę tymczasem jedno. Sprawdźcie, co dokładnie mówią wasze umowy o obrocie wtórnym i czy ktoś w waszym imieniu nie sprzedaje właśnie nakładu na wagę.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Czego w tej sprawie nie wiemy
Uczciwość wymaga wyliczenia luk. Znaczna część twardych danych pochodzi z materiałów marketingowych samego ISBNdb, a te mają interes w rozdmuchiwaniu skali. 404 Media nie ujawniło nazw laboratoriów składających zamówienia, bo chroni je klauzula poufności. Nie istnieje wiarygodny licznik zniszczonych tomów. Relacja o wzroście obrotów pochodzi od pojedynczego księgarza, który opisał sprzedaż rzędu setek książek tygodniowo od kwietnia.
Wyrok Alsupa to orzeczenie jednego sądu okręgowego, a nie ostateczne rozstrzygnięcie. Inny skład może otworzyć kwestię dozwolonego użytku na nowo, zwłaszcza po drugiej stronie Atlantyku, gdzie obowiązuje AI Act i unijny reżim wyjątku dla eksploracji tekstów i danych.
Na razie mamy jedno pewne zdanie. Branża, która obiecywała zdigitalizować i uwolnić ludzką wiedzę, kupuje ją paletami i przepuszcza przez nóż.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz weryfikacji materiałów źródłowych, w tym artykułu Emanuela Maiberga w 404 Media z 21.07.2026, oficjalnych stron ofertowych ISBNdb skierowanych do laboratoriów AI oraz relacji The Next Web z 22.07.2026. Wykorzystano również wcześniejsze ustalenia Ars Technica i The Washington Post dotyczące dokumentów z procesu autorów przeciwko Anthropic, pracę Shumailova i współautorów opublikowaną w „Nature” w 2024 roku oraz omówienia na Slashdot. Kontekst polski oparto na roczniku „Ruch Wydawniczy w Liczbach” Biblioteki Narodowej za 2025 rok, raporcie „Jeszcze książka nie zginęła” Polskiej Sieci Ekonomii dla Instytutu Książki oraz danych o projektach SpeakLeash i PLLuM. Cytaty ISBNdb zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Nazwiska osoby prowadzącej operację skanowania w Anthropic świadomie nie podaję, ponieważ dostępne publikacje podają dwie różne wersje jej brzmienia. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o rynku fizycznych książek jako źródła danych treningowych.
