Il y a quelque chose d’étrangement paradoxal dans la course actuelle à l’intelligence artificielle. Pour apprendre à mieux écrire, raisonner et répondre à nos questions, les machines ont besoin d’absorber toujours plus de connaissances humaines. Après avoir englouti une grande partie du Web, certaines entreprises se tournent désormais vers un réservoir beaucoup plus ancien : les livres physiques.
Une enquête publiée par 404 Media affirme qu’Amazon achète de grandes quantités d’ouvrages, notamment des livres anciens ou difficiles à trouver, afin de les numériser pour ses activités liées à l’intelligence artificielle. Le problème est que cette numérisation pourrait passer par une méthode particulièrement radicale : couper la reliure du livre, scanner rapidement les pages, puis se débarrasser de l’exemplaire physique.
Un livre suivi jusqu’à un entrepôt Amazon
Pour comprendre où disparaissaient certaines commandes inhabituellement importantes de livres, les journalistes de 404 Media ont travaillé avec un libraire et placé un dispositif de localisation dans l’un des ouvrages d’une importante commande.
Le livre a ensuite été suivi à travers les États-Unis jusqu’à une installation Amazon située à Las Vegas.
Le colis est finalement arrivé dans une unité appelée VGT3, située à l’intérieur du complexe logistique LAS8. Selon des employés cités dans l’enquête, une partie du travail effectué sur place consiste à recevoir des livres, retirer leur reliure et scanner leurs pages.
Cette méthode permet d’introduire rapidement les feuilles dans des scanners industriels, mais le livre devient généralement inutilisable comme objet physique une fois sa reliure coupée.
Amazon a reconnu auprès de 404 Media acheter des livres par des circuits commerciaux afin de développer et d’améliorer certains de ses produits et services. L’entreprise n’a toutefois pas précisé quels modèles d’intelligence artificielle utilisent ces données ni détaillé publiquement le processus complet appliqué aux ouvrages.
Et Amazon ne serait pas la première entreprise d’intelligence artificielle à utiliser ce genre de procédé.
Acheter, couper, scanner, recycler
Le fonctionnement a déjà été documenté beaucoup plus précisément chez Anthropic, l’entreprise derrière Claude.
Des documents judiciaires ont révélé l’existence d’un projet interne appelé Project Panama, lancé afin de constituer une immense bibliothèque numérique pouvant notamment servir à l’entraînement de modèles d’intelligence artificielle.
Anthropic aurait acheté des millions de livres physiques, notamment sur le marché de l’occasion. Les reliures étaient retirées à l’aide d’équipements industriels, les pages étaient ensuite numérisées à grande vitesse, puis les exemplaires physiques étaient éliminés ou recyclés.
Un juge fédéral américain a par la suite estimé que l’utilisation de livres légalement acquis pour entraîner les modèles d’Anthropic pouvait constituer un usage équitable selon le droit américain.
Le même dossier a toutefois fait une distinction importante entre les livres réellement achetés et les millions de fichiers numériques provenant de bibliothèques pirates. Cette autre partie du dossier a donné lieu à une importante bataille judiciaire sur le droit d’auteur.
Autrement dit, dans certaines circonstances aux États-Unis, une entreprise peut acheter légalement un livre, le numériser pour entraîner une intelligence artificielle et détruire ensuite l’exemplaire physique.
Mais ce qui est légal n’est pas nécessairement souhaitable.
Pourquoi l’intelligence artificielle veut-elle nos vieux livres?
Les livres possèdent aujourd’hui une qualité devenue extrêmement précieuse pour les entreprises d’intelligence artificielle : ils contiennent du texte écrit par des humains, généralement édité, structuré et parfois totalement absent d’Internet.
Les ouvrages publiés avant l’explosion des outils d’IA générative possèdent également un autre avantage. Leur contenu ne peut pas avoir été produit par ChatGPT, Claude, Gemini ou un autre modèle récent.
Alors que le Web contient désormais des quantités croissantes de textes générés automatiquement, les anciennes bibliothèques constituent donc une immense réserve de données humaines relativement propres.
Des libraires indépendants du Royaume-Uni, d’Australie, des Pays Bas et d’Irlande rapportent justement depuis plusieurs mois recevoir des commandes inhabituelles portant parfois sur des centaines ou des milliers d’ouvrages sans rapport évident entre eux.
Ces commandes peuvent inclure des livres historiques spécialisés, des ouvrages universitaires anciens, des biographies obscures ou des titres épuisés depuis longtemps.
Certains vendeurs soupçonnent que ces achats massifs servent à alimenter des opérations de numérisation destinées à l’intelligence artificielle.
Des médias français comme Courrier international et Science & Vie (Scandale : une entreprise canadienne achète des milliers de livres anciens pour entraîner son IA… avant de les détruire) ont depuis documenté ces inquiétudes. Au Québec, le sujet reste encore peu couvert directement par les libraires locaux.
Un livre n’est pas seulement son texte
C’est ici que la question devient moins technologique et beaucoup plus culturelle. Du point de vue d’un modèle d’intelligence artificielle, un livre peut essentiellement devenir une succession de mots et de données.
Une fois toutes ses pages numérisées et son texte intégré à une gigantesque base de données, conserver l’exemplaire physique n’apporte pratiquement rien au processus d’entraînement.
Pour un historien, un bibliothécaire, un archiviste ou un collectionneur, la situation est très différente. Un livre peut posséder une valeur qui dépasse largement le texte imprimé sur ses pages.
Une édition particulière peut être importante en raison de sa reliure, de son papier, de son procédé d’impression, de ses illustrations, d’annotations manuscrites, de corrections, d’une signature, d’un ex-libris ou simplement parce qu’il ne reste plus beaucoup d’exemplaires connus.
Numériser un livre permet de conserver une partie de l’information qu’il contient. Cela ne signifie pas nécessairement que l’on a préservé le livre.
Est-ce que des ouvrages véritablement rares sont détruits?
C’est probablement la question la plus importante, et pour l’instant nous n’avons pas de réponse définitive.
Les enquêtes actuelles mentionnent des livres anciens, épuisés, inhabituels ou parfois décrits comme rares. Mais aucune preuve ne permet pour l’instant d’affirmer qu’Amazon aurait détruit le dernier exemplaire connu d’un ouvrage ou un document patrimonial véritablement unique.
Il serait donc exagéré d’affirmer que des trésors historiques irremplaçables sont actuellement envoyés dans des scanners industriels.
Le problème se situe plutôt dans l’absence de transparence. Quels livres sont achetés? Quelqu’un vérifie-t-il leur rareté avant de couper leur reliure? Existe-t-il une liste des ouvrages numérisés? Les exemplaires particulièrement rares sont-ils conservés? Une bibliothèque pourrait-elle récupérer certains ouvrages après leur numérisation?
À notre connaissance, Amazon n’a pas détaillé publiquement l’existence d’un tel processus de conservation patrimoniale.
Une étrange manière de préserver le savoir humain
La destruction massive de livres évoque forcément certains épisodes sombres de notre histoire.
Il serait cependant incorrect de comparer directement cette pratique aux autodafés, où des livres étaient volontairement détruits afin de supprimer des idées, des auteurs ou des courants de pensée.
Ici, le phénomène est presque inverse. On ne détruit pas le livre pour empêcher quelqu’un de lire son contenu. On détruit le livre pour que la machine puisse absorber son contenu plus rapidement. C’est précisément ce paradoxe qui rend cette nouvelle étape de la course à l’intelligence artificielle si étrange.
Nous construisons des machines destinées à conserver, comprendre et synthétiser une partie toujours plus importante du savoir humain. Mais pour accélérer leur apprentissage, nous pouvons parallèlement faire disparaître certains des objets physiques qui ont permis à ce savoir de traverser les décennies, parfois les siècles.
Faut-il protéger les livres avant de nourrir les IA?
Le véritable enjeu n’est peut-être pas d’empêcher les entreprises d’utiliser les livres pour entraîner leurs modèles, mais de s’assurer qu’aucun ouvrage ayant une valeur historique ou patrimoniale ne soit détruit simplement parce que son contenu a déjà été numérisé.
À mesure que cette pratique se développe, davantage de transparence sur les livres achetés, scannés et détruits serait certainement bienvenue.
Et si ces ouvrages doivent réellement terminer leur existence sous une lame industrielle, espérons au moins que tout ce papier ne finisse pas inutilement à la poubelle, mais soit recyclé pour fabriquer de nouveaux livres, peut-être même ceux qui seront un jour imprimés et distribués par Amazon.
L’IA peut apprendre de notre bibliothèque. Elle n’a pas forcément besoin de la faire disparaître pour autant.
