Dans l'une des enquêtes les plus inventives sur l'appétit insatiable de l'industrie de l'IA pour les données de formation, des journalistes de 404 Media ont placé un dispositif de suivi dans une cargaison de livres rares qu'ils soupçonnaient d'être achetés pour la formation en IA – et l'ont suivi à travers le pays jusqu'à une installation Amazon à Las Vegas où, rapporte le média, les livres sont numérisés et détruits.

L'article, publié lundi par Emanuel Maiberg, rédacteur en chef fondateur de 404 Media, identifie la destination comme étant l'installation VGT3 d'Amazon à Las Vegas. Selon l'enquête, Amazon a acheté des quantités massives de livres, les a analysés à la recherche de données de formation à l'IA et a détruit les volumes physiques au cours du processus – une opération qui, selon le média, n'avait pas été signalée auparavant.

Les résultats ajoutent un nouveau nom majeur à une pratique qui préoccupe discrètement les libraires et les archivistes depuis des mois, et ils arrivent alors que l’attention du public se tourne de plus en plus vers l’endroit où les sociétés d’IA obtiennent réellement leurs données. Suivez notre couverture continue de la guerre des données de formation sur AI Buzz Wire.

Un dispositif de suivi dans une boîte de livres

La méthodologie derrière l’enquête est ce qui la rend remarquable. Plutôt que de s'appuyer sur des documents ou des entretiens, 404 Media a intégré un traceur GPS dans un envoi de livres rares dont le point de vente soupçonnait qu'ils seraient acquis par une société d'IA, puis a surveillé le voyage du colis jusqu'à sa destination finale.

Cette destination – l'installation VGT3 d'Amazon – est décrite dans le rapport comme le site où Amazon analyse les livres à la recherche de données de formation à l'IA. L'enquête complète, qui détaille l'opération de rachat et son ampleur, est accessible aux abonnés de 404 Médias.

L'histoire s'est rapidement répandue dans les cercles des développeurs et de la politique technologique après avoir fait la une de Hacker News lundi, où les commentateurs ont débattu des implications culturelles et juridiques de la destruction de livres rares pour former des systèmes d'IA commerciaux.

Amazon rejoint une liste croissante

Le rapport est le dernier chapitre d’une controverse plus large sur le sort des livres physiques à l’ère de l’IA. Plus tôt cet été, des libraires et des chercheurs ont documenté comment les entreprises d’IA achetaient des centaines de milliers de volumes anciens et épuisés, les intégraient dans des ensembles de données de formation et détruisaient les copies physiques – une pratique que les critiques décrivent comme un effacement à l’échelle industrielle du patrimoine culturel.

Ce qui distingue le nouveau reporting, c'est qu'il nomme une installation spécifique, une entreprise spécifique et une chaîne d'approvisionnement spécifique. Jusqu’à présent, une grande partie du débat reposait sur les réclamations globales des libraires et les dossiers judiciaires. Un envoi suivi offre un point de données concret : une boîte de livres rares, un acheteur et un bâtiment.

Pourquoi la demande de données de formation ne cesse d'augmenter

Les aspects économiques derrière cette pratique sont simples. Il est largement rapporté que les modèles Frontier AI ont consommé la majeure partie du texte de haute qualité facilement disponible sur le Web ouvert, poussant les entreprises à rechercher des sources plus difficiles d'accès : livres, archives et corpus sous licence. Les volumes rares et épuisés sont attrayants précisément parce qu’il est peu probable qu’ils apparaissent dans les ensembles de données standard récupérés sur le Web.

Pour les critiques, la destruction de livres physiques pour répondre à cette demande est devenue un symbole de la relation extractive de l’industrie avec la culture humaine – les données étant une ressource à exploiter indépendamment de ce qui est perdu au cours du processus. Pour les entreprises concernées, les livres numérisés représentent une zone grise juridique que les tribunaux et les législateurs sont encore en train de trier, d'autant plus que les litiges en matière de droits d'auteur sur les données de formation se frayent un chemin dans plusieurs juridictions.

Ni la numérisation ni la numérisation elle-même ne nécessitent une destruction – la destruction, notent les éditeurs et les archivistes, semble être une mesure d'économie, puisque le stockage des volumes physiques coûte plus cher que leur réduction en pâte une fois leur contenu capturé.

Le problème de la préservation

Les archivistes soutiennent depuis longtemps que la numérisation n’est pas synonyme de préservation. Une numérisation capture le texte d'un livre mais pas ses marginalités, son histoire de reliure, ses qualités matérielles – les caractéristiques qui font d'un volume rare un artefact historique plutôt qu'un contenant de mots. La destruction de la copie physique après la numérisation ferme la porte à un examen ultérieur et, contrairement aux fichiers numériques, un livre réduit en pâte ne peut pas être renumérisé à mesure que la technologie d'imagerie s'améliore.

Les aspects économiques du commerce du livre aggravent cette perte. Des volumes rares et épuisés survivent en petit nombre. Lorsque des acheteurs disposant de budgets à l’échelle de l’IA entrent sur le marché, ils peuvent surenchérir sur les bibliothèques et les collectionneurs pour les exemplaires restants – et lorsque ces exemplaires sont détruits après numérisation, la population survivante d’une édition donnée peut diminuer de façon permanente en quelques mois.

Les associations de libraires en Europe comptent parmi les critiques les plus virulentes de cette pratique, et l'enquête de 404 Media donne à leurs avertissements une empreinte concrète : une installation, une chaîne d'approvisionnement et une entreprise acheteuse désignée.

Ce qui vient ensuite

L'enquête est susceptible d'intensifier l'examen du rôle d'Amazon dans la chaîne d'approvisionnement des données d'IA, une position qui est par ailleurs dominée par son activité cloud. Cela pourrait également renouveler les appels en Europe et aux États-Unis en faveur de règles exigeant la préservation des matériaux culturels utilisés dans la formation à l’IA, une idée qui a été lancée par les associations de libraires et certains décideurs politiques à mesure que l’ampleur de l’achat de livres est devenue plus claire.

Pour l’instant, le résultat le plus concret de l’enquête est informatif : un établissement nommé, un voyage documenté et un dossier public attestant que les avertissements du commerce du livre n’étaient pas abstraits. Les livres rares de l'envoi suivi ont terminé leur voyage à Las Vegas. Leur contenu est vraisemblablement conservé dans un corpus de formation.

Suivez la guerre des données sur l'IA

Données de formation, luttes contre les droits d'auteur et éthique de l'IA à grande échelle — couverts quotidiennement sur AI Buzz Wire.

Lire plus d'actualités sur l'IA →