Sumber Data AI: Guardian, Analisis Rantai Pasokan Anthropic

Di antara rak puisi berdebu dan area bongkar muat gudang, data pelatihan AI telah berubah menjadi masalah pengadaan. The Guardian melaporkan bahwa penjual buku bekas di Inggris dan Irlandia melihat pesanan massal yang tidak biasa dari pembeli misterius, dengan spekulasi bahwa perusahaan AI sedang membeli buku untuk data. Laporan yang sama mencatat bahwa ini terjadi setelah Anthropic menghabiskan jutaan dolar untuk buku yang akan dipindai demi akuisisi data, jenis kalimat yang membuat web scraping terdengar kuno, seperti koneksi dial-up dengan tas jinjing. Ini bukan bukti bahwa setiap keranjang mencurigakan penuh novel paperback diam-diam adalah Claude yang memakai jas hujan panjang. Namun, ini adalah sinyal yang berguna: teks berkualitas tinggi cukup langka hingga industri mungkin memperlakukan buku fisik seperti input strategis. Semua orang suka membicarakan jumlah parameter. Tidak ada yang mau membicarakan rantai pasok untuk kata benda.

The Guardian menemukan pola pengadaan yang bersembunyi di depan mata

The Guardian mengatakan toko buku di Inggris dan Irlandia telah menerima pesanan dari pembeli di AS, Kanada, Eropa kontinental, dan Inggris, sementara para penjual menggambarkan pola itu cukup aneh untuk menimbulkan pertanyaan. Laporannya berpusat pada spekulasi di kalangan penjual buku, bukan daftar pembeli yang terkonfirmasi, dan itu penting karena atribusi adalah perbedaan antara pelaporan dan kerja detektif pura-pura. Tetap saja, alur kerja yang diduga itu mudah dibaca: membeli buku, mendigitalkan teks, lalu memasukkan materi yang lebih bersih ke dalam pelatihan model. Itu bukan sulap. Itu ETL dengan luka gores kertas.

The Guardian juga menyoroti Stuart dan Mary Manley dari Barter Books di Alnwick, Northumberland, dengan teori dalam keterangannya yang blak-blakan: ‘Teori saya adalah bahwa ini adalah uang AI dalam jumlah sangat besar’. Itu bukan benchmark laboratorium, tetapi ini adalah perilaku pasar dari orang-orang yang tahu seperti apa pembelian buku yang normal. Dalam AI, telemetri paling aneh sering datang dari manusia yang paling dekat dengan titik hambatan.

BBC menunjukkan mengapa para penjual memperhatikannya

BBC melaporkan bahwa Stuart Manley dari Barter Books biasanya menjual dua atau tiga ribu buku dalam seminggu, tetapi satu pesanan massal dari sebuah perusahaan Kanada saja setara dengan jumlah yang ia perkirakan akan terjual dalam tujuh hari. Manley mengatakan kepada BBC bahwa ia "belum pernah melihat hal seperti ini setelah 30 tahun di perdagangan buku bekas". Ini adalah jenis deteksi anomali yang Anda lakukan tanpa dasbor, hanya dengan mesin kasir, mobil van, dan perasaan merayap bahwa seseorang melatih model menggunakan spreadsheet inventaris Anda. BBC juga mengatakan para penjual buku tidak mengetahui tujuan akhir buku-buku tersebut, sementara kecurigaan mengarah ke AI karena model memiliki selera yang sangat besar terhadap informasi baru.

Kata pentingnya adalah kecurigaan. Para pembangun sebaiknya tidak mengubah setiap pembeli tak dikenal menjadi klaster GPU jahat, tetapi mereka perlu memperhatikan mengapa buku menarik: prosa yang disunting, struktur bentuk panjang, dan lebih sedikit bubur sintetis yang kini mengambang di web terbuka seperti bubuk protein di jacuzzi.

Chosun menghubungkan rumor dengan ekonomi pemindaian

Chosun melaporkan bahwa sebuah permintaan tiba Mei lalu di Kenneth’s Bookshop di Galway, Irlandia, untuk membeli 5.000 buku sekaligus. Media itu membingkai tren yang lebih luas sebagai perusahaan AI yang membeli buku bekas dalam jumlah besar untuk dipindai demi mengamankan bahan teks asli untuk pelatihan LLM. Media itu juga merujuk pada Anthropic yang meluncurkan Project Panama, meskipun cuplikannya tidak memberikan cukup detail untuk secara bertanggung jawab mengubahnya menjadi novel mata-mata. Menyebalkan, ya, tetapi akurasi adalah satu-satunya bumbu yang boleh kita pakai di sini.

Sudut pemindaian ini penting karena menggeser akuisisi data dari pengumpulan pasif menjadi pengadaan aktif. Alih-alih menyedot halaman web publik dan berharap tokenizer bisa selamat dari kolom komentar, sebuah perusahaan dapat membeli salinan fisik, mendigitalkannya, dan membangun korpus dengan input yang diketahui. Itu tidak otomatis menyelesaikan masalah hak cipta, lisensi, atau kompensasi penulis. Namun, itu membuat pipeline lebih dapat diaudit dibandingkan prasmanan internet lama, tempat asal-usul data sering kali hanya berupa angkat bahu yang memakai API key.

Mengapa pembangun harus memperlakukan data seperti inventaris

BBC melaporkan bahwa pada 2025, seorang hakim AS memutuskan bahwa penggunaan buku yang dibeli dengan cara ini untuk melatih perangkat lunak AI bukanlah pelanggaran hukum hak cipta AS. Itu tidak berarti jawaban yang sama berlaku di semua tempat, atau bahwa setiap jalur pengadaan bersih secara reputasi. Artinya, strategi data kini juga merupakan strategi hukum, strategi vendor, dan strategi operasional. Selamat, model card Anda membutuhkan tab rantai pasok.

Bagi tim produk, pelajarannya membosankan dengan cara terbaik: dokumentasikan dari mana data berasal, hak apa yang melekat padanya, dan apa yang terjadi setelah data diingest. Bagi peneliti, pertanyaan menariknya adalah apakah korpus dengan provenance yang lebih tinggi akan menjadi parit kompetitif saat data web publik semakin berisik dan semakin sintetis. Bagi penerbit dan penjual buku, ini dapat menciptakan pasar lisensi baru jika semua orang menahan dorongan untuk menyelesaikan budaya dengan mesin penghancur kertas. Perhatikan langkah berikutnya seputar kemitraan data yang diungkapkan, audit pengadaan, dan apakah laboratorium AI mulai memperlakukan sumber teks dengan keseriusan yang sama seperti mereka memperlakukan chip dan kontrak cloud. Jika perlombaan model kini merambah rak buku bekas, pereaksi pembatasnya mungkin bukan komputasi. Bisa jadi kalimat yang bersih, bersumber dengan benar, dan sebaiknya tidak dijadikan bubur kertas setelah robot selesai ngemil.