Les entreprises spécialisées dans l’intelligence artificielle seraient en train d’acheter des millions de livres d’occasion afin de les découper, les numériser puis les détruire pour entraîner leurs modèles. Mais cette pratique soulève de nombreuses questions, tant sur le plan éthique que sur la préservation du patrimoine écrit.
DES LIVRES PAPIER PLUTÔT QUE LE WEB
Les modèles d’intelligence artificielle ont besoin d’immenses quantités de données pour progresser. Mais un nouveau problème apparaît : Internet est désormais saturé de contenus générés par l’IA elle-même, parfois qualifiés d’AI slop. Pour les laboratoires développant ces modèles, ces textes de qualité variable risquent de dégrader les futurs entraînements.
Les entreprises du secteur se tournent donc vers une autre source de connaissances : les livres imprimés, en particulier ceux publiés avant 2022. Ces ouvrages sont considérés comme plus fiables, plus riches car surtout exempts de contenus produits par l’IA (forcément...).
Selon l’enquête de 404 Media, certains acteurs du secteur achèteraient ainsi des ouvrages physiques par centaines de milliers, voire par millions, en passant par des intermédiaires afin de ne pas attirer l’attention.
Image du film Fahrenheit 451 (1966)
DES ACHATS MASSIFS ET DISCRETS
L’un des noms cités est ISBNdb, une immense base de données bibliographiques qui recense plus de 111 millions de livres. Historiquement utilisée par les libraires et les bibliothèques, la société proposerait désormais un service permettant d’acquérir de très grandes quantités de livres pour des entreprises spécialisées dans l’IA.
Les commandes iraient de 1 000 exemplaires jusqu’à un million de livres en une seule transaction. Plusieurs libraires interrogés par 404 Media affirment avoir observé une explosion de la demande depuis le printemps. L’un d’eux explique être passé d’une vingtaine de ventes hebdomadaires à plusieurs centaines. D’autres vendeurs présents sur Alibris ou Biblio rapportent des tendances similaires.
Autre élément intrigant : les acheteurs semblent rechercher presque exclusivement des ouvrages disposant d’un ISBN, sans véritable préférence pour un auteur, un genre ou une discipline. Le prix lui-même ne semblerait pas constituer un critère déterminant.
ANTHROPIC POINTÉE DU DOIGT !
L’idée d’utiliser des livres papier pour entraîner une intelligence artificielle n’est pas nouvelle. Lors du procès opposant Anthropic à plusieurs ayants droit, des documents judiciaires ont révélé que l’entreprise avait lancé un vaste programme de numérisation baptisé Project Panama. Son objectif consistait à constituer une immense bibliothèque numérique destinée à entraîner Claude.
Pour cela, Anthropic aurait acheté des millions de livres auprès de Better World Books avant de les faire numériser. La justice américaine a estimé que l’utilisation de livres légalement acquis pour entraîner une IA pouvait relever du fair use dans certaines circonstances. Mais elle n'a absolument pas validé le fait de les détruire.
En revanche, l’entreprise reste poursuivie pour avoir conservé parallèlement une bibliothèque de près de sept millions de livres piratés, une affaire distincte qui pourrait lui coûter jusqu’à 1,5 milliard de dollars. Google fait également l’objet d’une nouvelle plainte déposée par plusieurs éditeurs, qui accusent le groupe d’avoir utilisé des millions d’ouvrages protégés pour développer Gemini.
POURQUOI LES LIVRES SONT-ILS DÉTRUITS ?
La réponse tient essentiellement au coût. Les livres peuvent être numérisés de deux façons. La première consiste à utiliser des scanners spécialisés (comme ici) qui préservent les ouvrages, mais cette méthode reste lente et onéreuse. Elon Musk, qui ne perd pas le nord, n'a pas manqué de souligner les consignes internes concernant le scan des livres à l'ancienne !
La seconde, beaucoup plus rapide, est dite destructive. La reliure est retirée, les pages sont séparées puis introduites dans des scanners industriels capables de traiter plusieurs centaines de feuilles par minute. Une fois cette opération terminée, les livres ne peuvent plus être reconstitués et sont généralement détruits.
Lors du procès Anthropic, Tom Harvey, ancien responsable de Google Books puis du projet Panama, a confirmé que plusieurs sociétés spécialisées dans ce type de numérisation avaient été sollicitées.
UN ENJEU QUI DÉPASSE LE DROIT D’AUTEUR
Au-delà des questions juridiques, cette pratique alimente désormais un débat patrimonial. Rien ne permet aujourd’hui d’affirmer que les entreprises d’IA détruisent volontairement des ouvrages rares ou uniques. En revanche, il demeure difficile de savoir si les intermédiaires filtrent systématiquement les éditions épuisées ou les livres devenus difficiles à trouver avant leur numérisation.
Autre interrogation : contrairement aux projets de bibliothèques numériques publiques comme Google Books à ses débuts ou Internet Archive, ces ouvrages rejoignent des bases de données privées utilisées exclusivement pour entraîner des modèles d’intelligence artificielle. Le contenu est exploité pour améliorer les IA, mais il n’est pas mis à la disposition du grand public.
Qu’en penser ?
Il est ici mis en lumière une conséquence inattendue de la course à l’intelligence artificielle. Les modèles les plus performants ont besoin de données de qualité, et les livres imprimés constituent probablement l’une des meilleures sources disponibles. Pourtant, cette quête pose une question fondamentale : jusqu’où peut-on sacrifier des ouvrages physiques pour alimenter des bases de données privées ?
Le recours à la numérisation destructive n’est pas nouveau dans le monde de l’archivage, mais son industrialisation à très grande échelle par les entreprises d’IA change la donne. Si les exemplaires concernés sont le plus souvent des livres courants, le manque de transparence entretenu par certains acteurs nourrit les inquiétudes. À mesure que les contenus humains deviennent une ressource stratégique, la pression sur les bibliothèques, les libraires et le patrimoine éditorial pourrait encore s’accentuer dans les années à venir.
