Amazon、データ不足を受けてAIトレーニングのために書籍を破棄開始

公開インターネットが十分な希少性、信頼性、AI生成コンテンツの汚染のない高品質なテキストを提供することがますます難しくなる中、古書は文化商品からAI時代のデータ原料へと変化しつつある。

記事執筆者、出典：0x9999in1、ME News



• これは単なる「アマゾンが本を焼く」というニュースではない。より重要なシグナルは、公開インターネットが十分に希少で信頼でき、AI生成コンテンツに汚染されていない高品質なテキストを提供することがますます難しくなっている中で、古書が文化商品からAI時代のデータ原料へと変化しているということである。
• 404 Mediaが追跡した約1,000冊の注文は、最終的にアマゾンの北ラスベガスLAS8倉庫に到着した；従業員によると、VGT3チームが本の背表紙を切り取り、ページをスキャンし、その結果、紙の原本が破壊された。アマゾンは、製品とサービスの改善のために商業経路を通じて本を購入することを確認したが、プロジェクトの規模、開始時期、具体的な用途を公表せず、希少または貴重な版を破壊前に選別するかどうかにも回答していない。
• 「まず物理書を購入し、その後に破壊的スキャンを行う」には、さらに現実的な背景がある。2025年のBartz v. Anthropic事件において、米国連邦地方裁判所は、合法的に購入した紙の書籍を1対1でデジタル化して置き換えることを合理使用と認めたが、合法的な購入と海賊版の取得を明確に区別した。2026年7月までに、Anthropicが海賊版ソースに関連して提起した著作権集団訴訟は、15億ドルの和解で最終承認を得た。データソースは、技術的問題から貸借対照表の問題へと変化している。
• アマゾンがこのタイミングで参入するのは不思議ではない。同社は2026年の資本支出を約2000億ドルと予想しており、AIが重点投資分野となっている。今年第2四半期のAWSの売上高は前年同期比37%増の422億ドルとなった。計算能力はまだ急激に拡大しているが、高品質データの限界価値も上昇している。
• 真正に警戒すべきは、「拆書」行為そのものではなく、透明性に欠ける調達および破壊システムである：一般の中古書は再印刷・再購入が可能だが、絶版書、注釈付き版、地方出版物、および希少なテキストは復元できない可能性がある。選別メカニズムが存在しない場合、AI企業はデータを得る一方で、社会は不可逆的な物理的記録を失う可能性がある。

最も目を引くシーンは、もちろん残酷だ：一冊の本の背表紙が切り取られ、ページがスキャナーに送られ、最終的に元の本は存在しなくなる。さらに劇的なのは、この行為を行っているのが、1995年にオンラインで本を販売してスタートしたアマゾンであるということだ。三十数年後、アマゾンは再び大量に本を購入し始めたが、今回は本が読者に届けられるとは限らず、機械が処理できるデータに変換されるためだ。

404 Mediaが8月17日に発表した調査によると、記者のエマニュエル・マイバーグは、Biblioを通じて大口注文を受けた書店と協力し、約1000冊の本の1冊にAirTagを仕込んだ。追跡器は、アマゾンの北ラスベガスにあるLAS8倉庫まで到達した。同施設で働く従業員の話によると、VGT3というチームが大量の紙の本を受け取り、装丁を切除して迅速にスキャンしており、元の本はこのプロセスで破壊されるという。アマゾンはInc.に、同社が「顧客が使用する製品やサービスの開発と改善を支援するために、商業経路を通じて本を購入している」と確認したが、購入した本の数やプロジェクトの開始時期、データがどの製品に取り込まれるか、そして希少または貴重な版を事前に除外するかどうかについては回答しなかった。

さらに注目すべきは、この手がかりが昨日突然現れたわけではないことです。Inc.は、2024年9月にアマゾンのセラー向けフォーラムで、多数の書籍注文がLAS8に送られているという報告がされていたことを発見しました。あるセラーは、単一の購入者が一度に68注文をした事例に遭遇し、別のセラーは深夜に48注文が集中して届いたと報告しました。すべての注文は大学出版社の書籍であり、他のセラーは同じアカウントがほぼ毎日書籍を購入していると述べています。当時、アマゾンのフォーラム担当者はこれらの注文が有効であると最終的に確認しましたが、アマゾンは現在、それらの注文がVGT3と関係しているかどうかを明かしていません。

私の判断では、この出来事で真に注目すべきは、「テクノロジー大手が本を破壊した」という感情的な衝撃ではなく、AI産業で起きている資源の再評価である。過去数年間、最も希少だったのはGPU、データセンター、電力、資本だったが、現在、高品質で追跡可能であり、AI生成コンテンツの汚染が可能な限り少ない人間のテキストも、再評価され始めている。

古書市場がAIサプライチェーンに巻き込まれたのは、懐古時代の不思議なエピソードではなく、大規模モデルの工業化後に自然かつ冷酷に訪れる一歩である。

インターネットは無限に広く見えますが、最先端のモデルを訓練するのに適したデータは無限ではありません。

Epoch AIは2024年の研究で、品質と重複を調整した後、トレーニングに利用可能な公開人類テキストの有効ストックは約300兆トークンであると推定した。当時のデータ規模の成長トレンドが継続した場合、このストックは2026年から2032年の間に十分に活用される可能性がある。この予測は「データが明日にも枯渇する」というカウントダウンではなく、合成データ、データ効率、トレーニング後処理、マルチモーダル手法が引き続き進化しているためであるが、ウェブスクレイピングの拡大にのみ依存しても、同等の品質の新規情報を得ることがますます難しくなっているという方向性を示している。

しかし、古書にはAI企業が無視できない特徴がいくつかあります。

まず、それらは著者、編集者、出版社によって複数回選別されているため、情報密度と構造はランダムなウェブページよりも安定していることが多い。次に、地域史、専門マニュアル、マイナーな学術書、旧版教科書、業界資料、非英語出版物の多くは完全にデジタル化されておらず、公開ウェブページでは取得できない。さらに微妙な点として、生成AIが大規模に普及する前に出版されたコンテンツは、純粋な人間による執筆環境から生まれた可能性が高い。

この価値は、データプロバイダーが直接言及しました。今年7月の図書購入市場に関する報道で、図書データベース企業ISBNdbは、AI企業向けの図書購入需要をテストするため、「世界で最高のAIトレーニングデータが本棚に眠っている」と表現し、本に含まれるものは整理され、編集され、専門化された人間の知識であると強調しました。その後、ISBNdbはそのページが市場需要のテストであり、すでに削除されたと述べました。

なぜこの文が目立つのか？それは、業界全体の不安を鋭く突いているからだ。

生成AIが強くなるほど、インターネット上にはAIが書いたり、AIが書き直したり、AIがまとめた文字が増え続ける。モデルがこれらのコンテンツを差別なく再取り込みし続けると、データの出典はますます複雑になっていく。そのため、生成AIの波が来る前に紙に印刷されていたものには、かつてなかった新たな価値が加わった：少なくとも時間的に、それらは大規模な生成AIの介入がなかった情報環境により近いからである。

したがって、アマゾンが中古本を購入することは、「紙媒体の時代に戻る」ことを意味するのではなく、むしろ非常に徹底したデータ化の思考です。モデルのトレーナーにとって、本の表紙、装丁、収集ストーリーは直接的なトレーニング価値がないかもしれませんが、本当に価値があるのは、分詞・インデックス化・重複除去・アノテーション・トレーニングが可能なトークンです。

本が商品からコーパスに変わり、価格体系も変化した。かつて数十年間誰にも注目されなかった専門的な古書が、オンライン上で完全な電子版が存在しないため、突如として新しい機械的需要を生み出す可能性がある。

これが最も注目すべき点です。

理由はまずシンプルです：効率。

何千冊もの本を工業的にデジタル化するには、1ページずつ撮影するのは非常に遅い。背表紙を切り取ることで、紙ページを平らに分離でき、高速スキャンとその後の文字認識に適する。破壊的スキャンはAI時代に始まった技術ではないが、AIはそれを初めて直接的なデータ産業用途へと押し上げる可能性がある。

さらに第二層として、法的背景があります。

2025年6月、米国カリフォルニア州北部地区連邦地方裁判所はBartz v. Anthropic事件において、Anthropicが数百万冊の紙の本を購入し、製本を解除してページを裁断した上でデジタルコピーにスキャンし、デジタル版の作成後には紙の原本を廃棄したことを明かした。裁判官ウィリアム・アルサップは、当該事実において、「1つの紙のコピーが内部のデジタルコピーに置き換えられ、デジタルコピーが外部に配布されない」という形式変換は合理使用に該当すると判断した。また、裁判所は、本件における特定の大規模モデルのトレーニング用途も合理使用であると認定した。

しかし、同じ判決は非常に明確な線を引いた。

Anthropicは以前、海賊版データベースから700万冊以上の書籍をダウンロードした。裁判所は、これらの海賊版ソースを中央デジタル図書館として構築し、長期的に保存することは、その一部が後にAIのトレーニングに使用されたという理由だけで、合理使用の保護を自動的に得られないと判断した。合法的に購入したものと海賊版で取得したものとは、裁判所によって明確に区別された。

このラインが重要なのは、AI業界全体に高額な調達の教訓をもたらしたからです。「訓練のためならどんなデータでも使える」という考えではなく、データの出所、企業がコピーを取得するために支払ったかどうか、保存および複製の方法が、法的リスクを左右する可能性があるのです。

そしてこの授業は後に本当に高くなりました。

2026年7月20日、米国連邦裁判所は、Anthropicと著者および出版社の間で合意された15億ドルの集団著作権和解を最終承認しました。この和解は48万2,000冊以上の書籍を対象とし、関連する作品の約91％について補償請求が行われています。明確にしておく必要がありますが、この和解は不正コピー元に関連する請求を対象としており、米国司法制度がAIトレーニング全体に一貫した免許を付与したことを意味するものではありません。他の訴訟、異なるデータソース、異なる使用方法については、異なる結果が生じる可能性があります。

そのため、アマゾンが現在ビジネスチャネルを通じて実体書籍を購入することは、リスク管理の観点から非常に理解しやすい。

それはAnthropic事件に基づく法的枠組みをそのまま模倣してプロセスを設計しているのか？現在のところ公にされている証拠はなく、そのように結論づけることはできない。しかし、Anthropicの判決と15億ドルの和解が2026年までに既に議論の俎上に載っている中で、大手AI企業はすべて、データがどこから来たかを証明できるかどうかにさらに注意を払うだろう。

物理書を購入する価格は非常に安価かもしれないが、数年後に何百万ものトレーニングデータの出所を裁判所で説明することは、まったく安価ではないかもしれない。

AI業界は過去、データをネット上の無尽蔵な空気のように見なしてきたが、今や「出所」に代金を支払うことを学んでいる。

感情と事実を分ける必要があります。

一般に販売され、大量に印刷され、市場にまだ多数のコピーが存在する本がリサイクルシステムに入るということは、文化的な災害であるとは限らない。中古書や古書業界では、過去にも本を分解して挿絵を売ったり、売れ残りの本を処分したりする行為が存在していた。AIが登場したからといって、すべての古書を孤本であるかのように偽装することはできない。

問題は、アマゾンがレア版、絶版、または特別版をスキャン破壊の前に識別するかどうかについて、いまだに回答していないことです。

404 Mediaが追跡したその本は、希少な書籍として報じられたが、Inc.はアマゾンに、書籍を破壊する前に希少または限定版を除外したかどうかを問い合わせ、返答を得られなかった。

これにより、「結局すでに購入したのだから」と簡単に片付けられない穴が残る：法的な所有権と文化的保存価値は本質的に異なるものである。

本の本文はスキャンできます。しかし、特定の版に付いた署名、読者の注釈、蔵書票、特殊な装丁、誤植情報、地域的な印刷の痕跡、あるいは数十年にわたる移転によって残された物理的な記録は、OCRに取り込まれないだけでなく、最終的なトレーニングデータセットにも含まれない可能性があります。

文字は残るが、物証は消える可能性がある。

このような懸念はアメリカにとどまらない。今年、英国とアイルランドの複数の中古書店が『ガーディアン』に、最近数か月で無関係なテーマの本を大量に、価格に敏感でない購入者が現れたと語った。ある人はエストニア語版小説、特定のブロンテ作品の版、1983年の古い雑誌を一度に購入した。ある書店経営者は、今年だけでこのような購入者から約6000冊の注文を受けたと述べている。オーストラリアでも以前、書店が異常な大量注文を報告している。

しかし、ここでも事実の境界を守らなければならない：これらの海外注文の背後がすべてAI企業であるという証拠は、現在公開されていない。『ガーディアン』の報道自体も、それらをすでに確認されたAI調達ではなく、書籍販売業者の推測と懸念として明確に記している。

404 Mediaがアマゾンを対象に行った調査が、真正に追跡されたデバイスによって具体的なAIスキャン施設まで連れてこられた。

これは透明性がなぜ重要であるかを示しています。

企業がこの購入を合法的かつ合理的であり、実際に製品の改善に寄与すると考えるのであれば、いくつかの基本的な質問は過剰ではない：どのような種類の書籍が破壊的スキャンの対象となるか？貴重書、稀覯本、署名本、および特別な物理的価値を持つ版は除外されるか？スキャン後の紙媒体はどのように処理されるか？デジタルコピーはどのくらいの期間保持されるか？主にどのような製品やモデルカテゴリに使用されるか？

企業は当然、すべてのトレーニングレシピを公開する必要はありません。

しかし、「私たちがお金を払って買ったので、すべてを黙って切り捨てる」は、十分に成熟した答えではありません。

それはAIにこれまでにない速さで賭けているからです。

アマゾンは今年2月、2026年通年の資本支出が約2000億ドルになると予想し、AI、チップ、ロボット、低軌道衛星を主要な機会として挙げた。第2四半期には、売上高が2006億ドルに達し、前年同期比20%増となった。AWSの売上高は422億ドルとなり、前年同期比37%増で、18四半期ぶりの最速成長を記録した。過去12か月のフリーキャッシュフローは76億ドルの純流出に転じており、アマゾンは不動産および設備の購入が大幅に増加したことを明確に示し、これは主にAI投資を反映している。AWSのAI事業とチップ事業はそれぞれ年間250億ドルの収益ランニングレートを突破した。

さらに注目すべきは、アマゾンとAnthropicの関係です。

今年4月、アマゾンは、これまでの80億ドルの投資に加え、Anthropicに50億ドルをさらに投資すると発表し、特定の商業的マイルストーン達成後に最大200億ドルを追加投資する可能性を示した。一方、Anthropicは今後10年間でAWS技術に1,000億ドル以上を支出すると約束し、最大5GWの既存および今後のTrainium計算リソースを獲得する。

言い換えれば、アマゾンは現在、クラウドインフラプロバイダーであり、最先端モデル産業の資本参加者でもあり、Nova、Alexa、Rufus、および多数の企業AIサービスを運営しています。

それには、より多くのチップだけでなく、他のものも必要です。

より高品質な知識、ロングテールな知識カバー、より信頼できるデータソース、そしてより説明しやすいデータ所有権のチェーンが必要です。

アマゾンの現在の資本支出規模から見れば、古書を大量購入することは、同社の財務状況に決定的な影響を与えるコストとはなり得ない。真に重要なのは、この行動が発信するシグナルである：年間約2000億ドルを技術インフラの拡張に投じる巨大企業が、分散し非効率的で1冊ずつ価格が設定される中古書市場にもサプライチェーンを伸ばす意欲を示しているということだ。

なぜですか？

一部のデータには、本当に短縮手段がありません。

これはAI競争が変化している場所でもあります。過去は誰がより多くのウェブページをスクレイピングできるかを競っていましたが、その後は誰がより多くのGPUを保有しているかが競われ、現在では誰がより清潔で、より独自で、より合法的で、より複製が困難なデータを保有しているかがますます重要になっています。

データはもはやトレーニング開始前の一括の「原料」ではない。

それは、調達し、洗浄し、所有権を確認し、追跡し、監査する必要がある資産になりつつあります。

真のデータの防衛壁は、「誰がインターネットのコピーを所有しているか」ではなく、誰が他人が手に入れられず、安定して保持できず、あるいは手に入れても安心して使えない高品質なコンテンツを所有しているかである。

私は結論が「AI企業による実体書籍のスキャンを禁止する」であるとは思いません。

デジタル化自体は知識を保存するだけでなく、絶版コンテンツを検索、研究、機械的理解のシステムに再び取り戻す可能性もある。多くの一般の中古書の場合、破壊的なスキャンが最終的に古紙リサイクルに回されるよりも悪質であるとは限らない。このことを単純に「AIが本を燃やしている」と表現するのは感情を刺激するが、事実には欠ける。

本当の境界は二つあります。

第一条は権利の境界である：紙の本を購入したからといって、その作品のすべての著作権を購入したわけではなく、すべてのトレーニング、複製、出力行為が自然に合法になるわけではない。Bartz事件は、特定の事実に基づいて米国の連邦地方裁判所が下した重要な判決にすぎず、グローバルなAI企業に対する永久的な免許証ではない。

第二条は境界の保存です：企業が、存在が稀で、版が独特である、または特別な歴史的価値を持つ書籍を識別し、それらを避けることを証明できない場合、「効率的なスキャン」は、データエンジニアリングの問題を回復不可能な文化的損失に変えてしまう可能性があります。

アマゾンが最も答えるべきなのは、実は「あなたたちはなぜ本を必要とするのか」ではない。

この答えはますます明確になってきています：過去数百年にわたって人類が蓄積してきた高品質な知識のすべてが、オープンインターネット上に存在しているわけではないからです。

真の問題は：これらの本が本棚からAIトレーニングのパイプラインへと移るとき、何を犠牲にし、何を犠牲にしてはいけないかを誰が判断するのか？企業がコンテンツを得ているだけで、コンテンツの外側に存在する歴史を勝手に消し去っていないことを誰が確認するのか？

この出来事の皮肉は強い。

アマゾンはかつて本を人の手に届けることで、インターネットビジネスで最も重要な企業の一つとなった。今日、またしても本を買い取り、開いて、文字を機械に送り込んでいる。

技術は確かに知識の媒体を変えることができるが、そのためには媒体に価値がないかのように振る舞ってはいけない。

AIは人間が書いたものを必要としているが、これは何の恥じることもない。真正に警戒すべきは、業界全体が「人間が残した高品質なテキスト」にますます依存する一方で、その取得プロセスをサプライチェーンの深部に隠し、著作権、出所、希少性、保存責任を後回しにしていることである。

モデルは本をトークンに圧縮でき、企業はトークンをパラメータに変換できるが、一度切り刻まれたものは、再学習によって元に戻すことはできない。

文明はデジタル化できるが、責任は「フォーマット変換」で消せない。

1. エマニュエル・マイベルグ。「私たちは貴重な書籍の輸送を追跡した。その行き先はアマゾンのAIトレーニング施設だった。」404 Media, 2026-08-17.
2. ジョージア・フィーン。「アマゾンは古本を購入し、スキャン後には破棄している。この注文は2024年までさかのぼる。」Inc., 2026-08-17.
3. Amazon.com, Inc.「Amazon.com、第2四半期の業績を発表。」2026-07-30.
4. Amazon。「AmazonとAnthropicが戦略的協業を拡大。」2026-04-20。
5. 米国カリフォルニア北部地方裁判所Bartz 対 Anthropic PBC、フェアユースおよび侵害に関する命令, 2025-06-23.
6. Reuters. 「米国の裁判官、Anthropicの著作権訴訟に関する15億ドルの和解を承認。」2026-07-20.
7. Pablo Villalobos 他。「人間が生成したデータに基づくLLMのスケーリングの限界：データは枯渇するのか？」Epoch AI, 2024-06-06.
8. Dan Milmo. 「英国とアイルランドの中古書店は、『不審な大量注文』の背後にAI企業がいる可能性を疑っている。」The Guardian, 2026-08-15.