書店に「3000冊の発注」、AI企業が古書を買いあさる？　Anthropicも数百万冊をスキャン・破棄　実態明らかに

解説

近年、大規模言語モデル（LLM）の登場に伴い、AIを動かすためのデータ確保が大きな課題となっています。これまでオンライン上のデータや公開情報が主でしたが、物理的な書籍を学習データとして活用する事例が増えてきています。これまでのデジタルな枠を超え、紙媒体が「コンテンツインフラ」となりつつある変化があります。

特に注目されるのは、大手AI企業による大量の古書調達の報道です。一部では、数百万冊規模の書籍をスキャンし、その過程で原本を廃棄するという手法（破壊スキャン）が行われた例も明らかになっています。これは単なるデータ取得に留まらない、法的な著作権や倫理的な問題を含んでいます。

これらの事実は、AI活用が「どこからデータを取るか」という視点を持つ必要性を高めています。今後、自社内資料や顧客データなど、物理的・デジタル的に存在するあらゆる情報資源を扱う際に、データの出所や利用範囲について再度確認しておきたいところです。

ポイント

• 大手AI企業がLLM学習のために、従来のオンラインデータに加え、紙媒体の書籍を大規模に購入・利用する動きが見られるようになった。
• 特定の古書店への大量調達依頼事例や、Anthropic社による「破壊スキャン」を用いた書籍利用の報道などから、物理的な書籍がデータ資源として注目されている。
• 今後、AI学習に必要なコンテンツデータの法的な権利処理（著作権）や倫理的な課題が増大すると予想される。

情シスへの影響

本記事は、情報システム部門の日常業務における具体的な設定変更や脆弱性対応を要求するものではありません。しかし、AIがデータをどのように取得し利用するかの潮流変化を理解することは、将来的に自社で導入するAIサービスやデータ基盤設計の際のポリシー策定に影響を与えます。

特に、今後AIモデルの学習データソースとして内部資料（PDF、古い報告書など）を利用する場合、「著作権」「情報漏洩防止」「利用範囲の明確化」といったコンプライアンス面での検討が不可欠になります。社内データのAI活用に関するガイドライン策定や、機密性の高いドキュメントへのアクセス制御の強化が必要となる可能性があります。

影響範囲

影響を受ける直接的な製品・システムはないが、以下の管理領域全般に間接的な示唆を与える。

• データガバナンス: 利用するデータの出所（Source of Data）と利用目的（Use Case）の追跡可能性の確保。 (要確認)

• ID管理/アクセス制御: 機密性の高い内部文書をAI学習等に利用する場合、適切なアクセス権限モデルの設計。

• 法務・コンプライアンス: AI活用における著作権や個人情報保護に関するガイドラインの策定。（本件は概念的な影響）

重要度

★★★☆☆

対象者

• セキュリティ担当者
• M365管理者
• Entra管理者
• 情報システム部門の責任者

優先度

様子見

優先度の理由

具体的な緊急対応は必要ありませんが、AI時代におけるデータ活用の概念的な課題（著作権やプライバシー）が示されているため、社内ガイドライン策定や稟議段階での検討が必要なトピックです。現時点では情報収集・計画立案のフェーズと捉えられます。

確認手順

• 現在利用しているAIサービスや部門で生成したデータを学習に利用する場合のライセンス条件を確認する。
• 社内文書を外部のAIモデル（例: LLM API）に入力する際のデータ匿名化、マスキング、アクセス制御に関するポリシーレビューを行う。
• 機密度の高い文書が「学習データ」として扱われないよう、システム的な保護策（データフローの制限など）を再点検する。
• 社内の法務部門やコンプライアンス担当者と連携し、AI利用ガイドラインに著作権・利用範囲に関する項目を追加するか検討する。