Boeken AI-bedrijven snijden op grote schaal Nederlandse boeken kapot om ze te scannen voor het trainen van hun modellen. Maar die praktijk heeft ook buiten AI-ontwikkeling veel nut, betoogt Ewoud Sanders, die zelf een digitaal archief van 245.000 boeken aanlegde.
De afgelopen 27 jaar heb ik vele tienduizenden boeken geslacht. Zelf zou ik daar niet snel het woord ‘slachten’ voor gebruiken, maar deze krant deed dat onlangs wel, in een artikel (21/8) over Nederlandstalige tweedehands boeken die door buitenlandse AI-bedrijven worden opgekocht om hun taalmodellen te verbeteren. Samen met het woord ‘barbarij’ – waar ik me evenmin in kan vinden.
Begrijp me niet verkeerd, ik ben een groot boekenliefhebber. Maar er komt een moment dat je boeken gaat opruimen. Je kunt ze in zo’n buitenbibliotheek zetten, naar een antiquariaat brengen of naar een kringloopwinkel. Maar uit ervaring weet ik dat heel veel van die boeken uiteindelijk alsnog bij het oud papier terechtkomen, omdat ze niet worden verkocht of niet door de selectie komen.
Ewoud Sanders is journalist en taalhistoricus.
Ik weet dat zo goed omdat ik vele dozen vol boeken heb gekregen van onder meer antiquaren. Zij zouden ze anders hebben vernietigd. Ik bracht ze zelf uiteindelijk ook naar de papierbak, maar pas nadat ik ze had gescand. Zelf denk ik dat ik hiermee veel boeken een tweede leven heb gegeven.
Je kunt een boek het best en het snelst scannen als je de rug ervan afsnijdt. De eerste keer doet dat pijn, maar het went. Vervolgens kun je van een boek van – zeg – 250 pagina’s binnen tien minuten een doorzoekbare pdf maken. Dat moet je natuurlijk niet doen met kostbare of zeldzame boeken, maar de boeken die ik scan zijn niet zeldzaam of kostbaar. Ja, cultureel en intellectueel gezien vertegenwoordigen ze een bepaalde waarde, maar inhoudelijk blijft die bewaard als je ze digitaliseert.
Sterker: in digitale vorm vergroot je hun inhoudelijke waarde, want ons brein is niet in staat om woord voor woord te onthouden wat je hebt gelezen. Een computer wel.
Sinds 1999 heb ik op mijn pc een digitale collectie aangelegd van ruim 245.000 boeken en tijdschriften. Deels heb ik die, samen met iemand anders, uit openbare collecties gehaald: denk aan Delpher, Google Books en de Digitale Bibliotheek voor de Nederlandse Letteren (DBNL). Maar een groot heb ik zelf gescand. Gewoon iedere week een paar uurtjes, terwijl ik naar nieuwsprogramma’s kijk of luister.
Boeken die mijn scanner niet aankon, zoals encyclopedieën en grote reeksen tijdschriften, schonk ik aan de Koninklijke Bibliotheek of aan de DBNL. Ook zij hebben ze vervolgens ‘geslacht’. Steeds met hetzelfde idee: hiermee schenk je die boeken en tijdschriften een tweede leven.
‘Behoudend’ scannen kan natuurlijk ook, maar dat kost veel meer tijd. De kwaliteit van de tekst is soms minder goed, vooral bij dikke boeken, namelijk op de plek waar de linker- en rechterpagina elkaar raken.
Wat kun je zoal doen met een collectie van ruim 245.000 boeken en tijdschriften op je pc? Ik schrijf al enige tijd stukjes over woorden en uitdrukkingen. Met een eenvoudige indextool kun je alle woorden of woordcombinaties in zo’n digitale collectie doorzoeken. In de hele collectie of op thema: in de map ‘romans’, ‘poëzie’ of ‘spreekwoorden’ bijvoorbeeld. Je kunt zelfs op woorddelen zoeken. Denk aan een zoekopdracht als ‘*slachter’ – voor samenstellingen als ‘boekenslachter’. Op basis van zo’n digitale collectie onderbouw je je beweringen, bijvoorbeeld over de ouderdom en de frequentie van woorden of zegswijzen. Dat vind ik van belang.
Je kunt in zo’n collectie natuurlijk ook zoeken op namen. Daar heb ik inmiddels meerdere biografen blij mee gemaakt. Altijd zijn zij verrast over de vele onverwachte vindplaatsen. Wat ook handig is als je iemands biografie schrijft, bijvoorbeeld van een literator: al zijn of haar werk in digitale vorm. Want hoe vaak en goed je die publicaties ook hebt gelezen: je kunt gewoon niet alles onthouden. Uitgevers weten dat, die sturen me weleens boeken toe met het verzoek om ze te digitaliseren. Ze kapot te snijden dus.
Je kunt dit alles barbarij of slachtwerk noemen, maar dat vind ik makkelijk, kortzichtig en tendentieus. Het is simpelweg een nieuwe, efficiënte manier van werken. Sterker: mijns inziens maakt zo’n bronnencollectie je werk beter. Auteursrechtelijk mag het, meldde ook deze krant, zolang je die gescande boeken niet zomaar op internet zet. Dat heb ik dan ook nooit gedaan en als ik ze – kosteloos – aan biografen geef, dan verzoek ik ze nadrukkelijk om ze niet te delen met derden.
Je kunt tegenwoordig ook digitale bronnen analyseren met behulp van AI-diensten als Gemini Notebook of ChatGPT. Je uploadt dan bijvoorbeeld vijftig interviews met persoon X uit de jaren 1950-2000 en vraagt het AI-model te laten zien op welke punten de geïnterviewde zichzelf tegenspreekt of van standpunt is veranderd. Een paar minuten later heb je het antwoord, keurig met verwijzingen naar de relevante passages in de door jou aangeleverde bronnen. Antwoorden met een veel kleinere kans op hallucinaties en heel makkelijk te controleren – wat je natuurlijk altijd moet blijven doen.
Of ik zal ingaan op eventuele aankoopverzoeken van een buitenlandse AI-partij, weet ik nog niet. Ethisch heb ik daar problemen mee, want het voelt toch als geld verdienen aan andermans werk en vooral die Amerikaanse AI-ontwikkelaars krijgen naar mijn mening te veel macht. Anderzijds: ik maak zelf ook steeds meer gebruik van AI. Daardoor ben ik me er goed van bewust dat er aan AI nog veel moet worden verbeterd, want vrijwel dagelijks krijg ik antwoorden die geen hout snijden.
Eerder heb ik delen van mijn collectie aangeboden aan Nederlandse wetenschappelijke instellingen, voor intern gebruik, maar dan stuit je al snel op bureaucratische stroperigheid en al te grote zuinigheid. Hoe dan ook hoop ik te zijner tijd een goede plek voor mijn digitale bibliotheek te vinden, want er zit veel tijd en geld in en, anders dan sommige techbros hopen, heeft niemand het eeuwige leven.