Livres détruits pour entraîner l'intelligence artificielle

Ils arrivent dans des entrepôts à bord de camions non marqués. De longues palettes. Des cartons estampillés d'étiquettes ISBN. Travail silencieux. Plus rapide que la conservation. La scène ressemble à une opération logistique, mais la cargaison est de la littérature : des millions de livres imprimés destinés à des scanners industriels qui les déchirent page par page.

Ce dont vous lisez n'est pas une théorie du complot. Des documents judiciaires et des rapports de lanceurs d'alerte montrent que plusieurs entreprises d'IA ont adopté des techniques de numérisation destructrices pour digitaliser des textes imprimés à grande échelle. Au lieu d'une capture soigneuse préservant l'intégrité des ouvrages sur les étagères, les dos des livres sont arrachés et les pages sont introduites dans des scanners industriels à grande vitesse. Le choix est brutalement simple : vitesse et coût réduit contre la survie physique du volume imprimé.

Un fil révélateur traverse les dossiers. D'anciens employés impliqués dans Google Books et, plus tard, dans des projets comme les efforts internes d'Anthropic, désignés dans les litiges sous le nom de Project Panama, ont témoigné que des prestataires offrant à la fois une numérisation non destructive par caméra aérienne et le service destructeur plus rapide ont été utilisés. Pour les concepteurs d'IA, la décision est pragmatique. La numérisation destructrice coûte moins cher et accélère le débit de plusieurs ordres de grandeur.

Anthropic, par exemple, est accusée d'avoir dépensé des millions pour extraire des données d'entraînement à partir de livres imprimés achetés via des revendeurs tels que Better World Books, puis d'avoir détruit ces exemplaires après numérisation. Alors qu'un juge a récemment statué que l'utilisation d'œuvres protégées par le droit d'auteur pour l'entraînement d'IA peut relever de l'usage équitable dans certains contextes, cette décision n'a pas épargné Anthropic des mesures punitives lorsque des archives privées ont été trouvées contenant des millions de copies numérisées obtenues sans l'autorisation appropriée des auteurs ou des éditeurs, ce qui a entraîné des amendes rapportées atteignant 1,5 milliard de dollars.

Les éditeurs ne sont pas restés inactifs. Des coalitions d'éditeurs ont intenté des poursuites alléguant que d'autres géants technologiques ont utilisé des titres protégés par des droits d'auteur sans permission pour entraîner de grands modèles de langage. La bataille juridique porte à la fois sur les droits et les recours, mais une question culturelle plus vaste plane sur la salle d'audience : les entreprises privées doivent-elles être autorisées à transformer le fonds des bibliothèques publiques et privées en données propriétaires puis à détruire les originaux ?

Alors pourquoi les entreprises technologiques achètent-elles des livres d'occasion par palettes ? La réponse brute est : des données d'entraînement. Les textes de haute qualité rédigés par des humains restent parmi les entrées les plus précieuses pour les modèles de langage avancés. Le web est déjà inondé de contenus générés par l'IA de faible qualité, qualifiés péjorativement de « déchets d'IA », qui polluent le signal. Pour construire des modèles produisant une prose cohérente et précise, les développeurs veulent des sources authentiques : de la fiction bien éditée, des ouvrages non fictionnels rigoureux et des monographies universitaires obscures absentes des corpus web aspirés.

Entrent en scène des marchés comme ISBNdb, une base de données en ligne référençant plus de 111 millions de titres. Les commandes passées via de telles plateformes varient énormément, allant de mille exemplaires à une transaction unique d'un million. Des vendeurs qui expédiaient autrefois quelques dizaines de livres par semaine signalent maintenant des augmentations multipliées par cinq, parfois plus. Les acheteurs paient souvent des sommes importantes et se soucient peu du sujet ou de l'auteur ; si un volume possède un ISBN, il est candidat.

Ce changement comporte des dimensions pratiques et éthiques. D'une part, la numérisation de textes rares peut améliorer la découverte et assurer la survie du contenu face à la détérioration physique. D'autre part, le retrait massif d'ouvrages imprimés de la circulation, suivi de leur destruction, prive les bibliothèques, les marchés d'occasions et les chercheurs futurs d'un accès. Les éditions rares ou historiquement significatives sont-elles triées avant destruction ? Les archives sont floues. Ce qui est clair, c'est que les textes numérisés se retrouvent fréquemment dans des bases de données privées, accessibles uniquement aux entreprises qui les ont payés.

Imaginez une génération qui aurait besoin de vérifier une citation ou d'étudier une annotation d'archive, mais dont les volumes clés n'existeraient plus sous forme physique et dont les copies numérisées seraient enfermées derrière des murs corporatifs. Les compromis dépassent le droit de propriété. Ils touchent à la gestion culturelle, à l'accès au savoir et à qui contrôle les matières premières qui alimentent l'IA émergente.

Détruire des livres pour entraîner l'intelligence de demain soulève une question difficile : le progrès technologique vaut-il la perte permanente d'une part de notre patrimoine papier ?

Les décideurs politiques, les bibliothécaires et les technologues devront décider s'il faut accepter l'accaparement privé de la littérature numérisée, imposer un accès public ou réglementer les méthodes utilisées pour capturer les œuvres imprimées. Le débat ne fait que commencer, mais les rayonnages continuent d'être déplacés et les machines continuent de tourner. Qui parlera pour les livres ?