Les entreprises d’IA achètent des livres anciens pour former des modèles, puis les détruisent à grande échelle

Les entreprises d’intelligence artificielle achètent des livres anciens et épuisés par centaines de milliers, introduisent leur contenu dans des ensembles de données de formation, puis détruisent les volumes physiques – une pratique à l’échelle industrielle qui, selon les chercheurs et les libraires, efface le patrimoine culturel tout en alimentant la prochaine génération de modèles linguistiques. Ces révélations, apparues pour la première fois dans des documents judiciaires et désormais répercutées dans les communautés européennes de libraires, ont ouvert un nouveau front dans la guerre des droits d’auteur sur l’IA. Pour les dernières nouvelles sur l'IA (https://aibuzzwire.news) sur les controverses sur les données de formation qui remodèlent l'industrie, les détails ci-dessous retracent comment une chasse au texte propre s'est transformée en un feu de joie de livres rares.

Comment fonctionne la pratique

Selon des documents divulgués par Anthropic lors d’une procédure judiciaire en 2026 et rapportés par le Washington Post, le processus est délibérément industrialisé. Le dossier décrit comment la « machine de découpe hydraulique » d'un entrepreneur en numérisation « découperait proprement » les livres afin que les pages puissent être « numérisées sur des scanners de production à grande vitesse et de haute qualité ». Une fois numérisés, indique le dossier, l'entreprise de numérisation « planifierait avec l'entreprise de recyclage la récupération des livres terminés ».

Autrement dit, les livres ne sont pas restitués. Ils sont réduits en texte numérique puis réduits en pâte.

Pourquoi les entreprises veulent des livres anciens imprimés

L’appétit pour les livres physiques provient d’un problème qui s’aggrave pour les développeurs d’IA : l’Internet ouvert est de plus en plus pollué par les textes générés par l’IA. Comme l'explique le blog juridique Verfassungsblog dans une analyse intitulée « L'IA mange le monde du livre », la formation sur le contenu synthétique risque de dégrader la qualité des modèles – un phénomène que les chercheurs appellent l'effondrement des modèles. En revanche, les livres imprimés avant 2022 sont garantis comme étant écrits par des humains.

Il existe également un calcul juridique. Les entreprises ont estimé que la numérisation des livres physiques qu'elles possèdent pourrait relever de la disposition « d'utilisation équitable » de la loi américaine sur le droit d'auteur, une défense qu'elles estiment plus solide que la suppression de contenu Web protégé par le droit d'auteur. La question de savoir si les tribunaux acceptent cet argument reste ouverte, mais cela n’a pas stoppé la frénésie d’achat.

Le phénomène des livres Zoom

En Europe, l'attention s'est concentrée sur une librairie en ligne canadienne appelée Zoom Books, qui, selon le Verfassungsblog, a acquis des centaines de milliers de titres de non-fiction pour lesquels il reste peu de demande commerciale. Ces volumes – ouvrages universitaires obscurs, histoires régionales et manuels techniques spécialisés – sont presque sans valeur pour les vendeurs de livres d’occasion, mais représentent une riche source de matériel de formation jusqu’alors inexploité pour les laboratoires d’IA.

Le futurisme a rapporté que la destruction se produit « à une échelle incroyable, même s'il ne reste presque aucun exemplaire », ce qui signifie que pour certains titres, la copie numérisée et déchiquetée pourrait avoir été parmi les dernières éditions en circulation.

Les libraires et les chercheurs repoussent

Ces rapports ont alarmé les libraires anciens, qui affirment que les acheteurs en gros faussent le marché de l'occasion et suppriment les éditions rares plus rapidement que les archives ne peuvent les conserver. L'agence Anadolu a cité un libraire turc exprimant son scepticisme quant à la portée de ces allégations, tout en reconnaissant l'inquiétude croissante sur les marchés européens du livre. Les reportages du Times of India et de Boing Boing ont présenté cette tendance comme une conséquence directe des tentatives des entreprises d'IA d'« échapper à leur propre slop en matière d'IA » en se retirant vers l'impression pré-Internet.

Les défenseurs de la préservation affirment que cette destruction est particulièrement troublante car aucun registre central ne permet de savoir quels livres ont été numérisés et détruits. Une fois qu'un titre à faible survie est déchiqueté, la perte peut être permanente, à moins que l'entreprise qui l'a numérisé choisisse de partager la copie numérique, ce qui n'est généralement pas le cas.

Une nouvelle étape dans la guerre du droit d'auteur

La campagne d’achat de livres se situe à l’intersection de deux batailles juridiques non résolues : si la formation de modèles d’IA sur des œuvres protégées sans autorisation constitue une utilisation équitable, et si la destruction de la source physique après la numérisation modifie le calcul. Les tribunaux ont jusqu'à présent envoyé des signaux mitigés, certaines décisions favorisant les développeurs d'IA et d'autres préservant les revendications des créateurs.

Pour les entreprises d’IA, le calcul est simple. Les livres imprimés proposent des textes denses, de haute qualité, rédigés par des humains, qu'il est de plus en plus difficile de trouver en ligne. Pour les bibliothèques, les archives et les collectionneurs qui gardent les éditions rares, le compromis est bien moins favorable : des artefacts physiques irremplaçables réduits à l’état de jetons d’entraînement puis recyclés en pulpe.

Cette pratique soulève également des questions sur la transparence. La divulgation d'Anthropic est intervenue uniquement parce qu'elle a été contrainte dans le cadre d'un litige. On ignore combien d’autres entreprises poursuivent des stratégies similaires, combien de livres ont déjà été détruits ou si une norme à l’échelle de l’industrie émergera pour préserver les titres à risque avant qu’ils ne soient numérisés et jetés.

Le problème d'échelle que personne ne peut quantifier

Une partie de ce qui rend la tendance difficile à contrôler est sa diffusion. Contrairement à une seule grande archive ou base de données, la campagne d’achat de livres est répartie sur des milliers de transactions individuelles – lors de ventes immobilières, de ventes de cessions de bibliothèques et de marchés en ligne – où un acheteur en gros achetant une palette de titres de non-fiction ne soulève aucun signal d’alarme évident. Cependant, regroupé sur des centaines de milliers d’achats, l’effet cumulatif est la suppression discrète de vastes pans de connaissances de niche et à faible diffusion du dossier physique.

Les bibliothécaires et les archivistes ont averti que les pertes ne sont pas réparties de manière égale. Les best-sellers du marché de masse survivent dans d’innombrables exemplaires, mais les titres les plus attrayants pour les formateurs en IA – des ouvrages spécialisés et riches en informations avec de petits tirages – sont précisément ceux qui ont le moins de chances d’être conservés ailleurs. Une fois détruits, ils ne peuvent exister que sous forme de données de formation exclusives, enfermées dans les serveurs d'une entreprise, inaccessibles au public qui les a initialement produites et qui s'en est servi.

Gardez une longueur d'avance sur l'IA

La guerre des données de formation s’intensifie et les enjeux s’étendent bien au-delà des bilans des entreprises. Pour lire plus d'actualités sur l'IA et suivre la réaction des tribunaux, des régulateurs et des défenseurs de l'environnement, continuez à suivre AI Buzz Wire.

Lire plus d'actualités sur l'IA →