AI学習データ調達で古書購入、破棄前提のスキャンも

古書店に届いた一通のメールが、静かに波紋を広げている。「2077AI」を名乗る担当者から、3000冊を超えるISBNの一覧とともに、翻訳版・要約の作成や部数の算出を求める依頼が来た――発端はそれだった。文面はどこかちぐはぐで、書店の中にはスパムやフィッシングを疑って取り合わなかったところも少なくない。

だが後日、この依頼者から連絡を受けたある書店主が初めて、依頼が「AI」に関連していたことを知ったとITmediaが報じている。取材に応じたある書店主のもとには、送付された3001冊分のリストが渡されていた。中身は2020〜2021年にEmerald、Elsevier、Wiley、Routledge、Oxford University Pressといった大手学術出版社が刊行した専門書で、ビジネス・法律・工学・医療・化学など多分野にまたがっていたという。一件あたりの影響は小さくとも、複数の書店が同時に対応すればまとまった量の書籍が集まる仕組みになっている。

この一件が示しているのは、AI企業がなりふり構わず学習データを漁っているという単純な話ではなく、学習データの「調達経路」そのものが、購入という一見まっとうな手段の裏で不透明なまま進んでいるという構造だ。実際、Anthropicは2025年、著者から直接書籍を購入したうえで、装丁を裁断してページを一枚ずつスキャナーに通し、残った紙束を廃棄する「破棄スキャン(destructive scanning)」という手法で、AIモデルの学習に使う大規模なデジタルライブラリを構築していたと報じられている。合法に購入した書籍をこの方法でAIモデルの学習に利用すること自体は、著作権法上のフェアユースに該当すると判断された経緯もある。Anthropicの広報はこの一連の報道について、Claudeは公開Webデータや正規取得のデータセットなどを組み合わせて学習しており、データ取得プログラムで書店から書籍を購入・破棄することはないとしている。

仕事で日々AIツールを使う側からすると、この話は単なる出版業界のニュースでは済まない。自分が入力した文章や、アップロードした録音・議事録が、どこかで学習データとして扱われているのではないかという不安と地続きだからだ。書籍の場合は「購入したかどうか」がまだ外形的な線引きの指標になり得たが、日々の会話や音声データにはそもそも「購入」に相当する取引が存在しない。だからこそ、学習利用の可否を判断する材料は、サービス提供者が自ら開示する利用規約やプライバシーポリシーの文言にほぼ全面的に依存してしまう。

ここでの論点は二重になっている。一つは、フェアユースの適用範囲が「正規の購入経路を通ったかどうか」という形式的な条件に寄りがちで、対象になる著作者や話者本人の同意とは別の物差しで語られている点だ。書籍の場合は出版社や著者への対価支払いが議論の中心になるが、これは一種の代理的な同意にすぎない。録音データのように個人の発言そのものを扱う領域では、この代理指標すら成立しないため、学習利用の可否を判断する軸を購入の有無ではなく、本人への明示的な説明と選択の機会に置き直す必要がある。

もう一つ、これとは別に見ておきたいのが、データ調達の実務が透明性を欠いたまま進みやすい構造そのものだ。今回のケースでは、依頼元の正体が伏せられたまま古書店側に交渉が持ちかけられ、書店側は取材を受けて初めて用途を知った。米国のISBN関連データベース企業がAI企業向けに書誌データを一括販売するサービスを準備していたと報じられ、その後関連ページが削除された経緯も同種の話だ。学習データの調達が水面下で進む以上、利用者の側にできる自衛は、自分が使うツールがデータをどう扱うかを明記しているか、そしてオプトアウトの手段が用意されているかを確認する習慣を持つことに尽きる。EU「AI法」のように録音・文字起こしツールに同意とデータ管理の基準を求める規制の動きは、この不透明さに対する一つの答え方だと言える。

あわせて読みたい： EU「AI法」発効、録音・文字起こしツールの同意とデータ管理に何が変わるか AI議事録の不安1位は「情報漏えい」42.8%、同意の徹底は22.7%止まり