Amazon détruit des livres rares pour entraîner ses modèles d’IA
Pour entraîner leurs modèles de langage, les entreprises d’IA achètent des palettes entières de vieux livres. Si cette pratique engrange des bénéfices à court terme dans les librairies, on doute qu’elle respecte vraiment les droits d’auteur et on craint de perdre un patrimoine culturel.
Les entreprises de l’IA cherchent désespérément du matériau pour entraîner leurs modèles linguistiques. Par « matériau », on entend tout ce qui contient du langage, des publications sur les réseaux sociaux aux vidéos sur YouTube, en passant par les articles de journaux. Et les livres imprimés.
Il y a quelques semaines, des librairies allemandes de livres anciens (en allemand) ont fait état de commandes massives inhabituelles. Elles ne sont pas les seules. Des milliers de vieux livres, principalement des invendus qui restaient sur les étagères, sont tout d’un coup devenus très prisés. Pourquoi ces achats de masse ? Sans doute pour numériser les vieux bouquins avant de les détruire. C’est d’ailleurs ce qu’a fait la société américaine Anthropic, qui développe Claude, un chatbot et une famille de grands modèles de langage. On ignorait en revanche si d’autres entreprises du domaine procédaient de la même manière.
Amazon achète d’innombrables livres
Une piste concrète mène désormais à Amazon, le géant du commerce en ligne qui a lui-même commencé en tant que librairie en ligne en 1994. Ironique, me direz-vous ? Pas qu’un peu ! Une équipe de journalistes du site états-unien 404 Media s’est mise à la recherche des preuves. Pour ce faire, elle a caché un AirTag dans un lot d’environ 1000 livres qu’un distributeur avait commandés auprès d’une librairie. La livraison a fait plusieurs escales avant d’atterrir dans un entrepôt d’Amazon à Las Vegas.
Un gros logo est bien en vue à l’entrée du bâtiment où la livraison est arrivée. On y voit le code de la succursale, VGT3, au-dessus d’un t-rex qui tient un livre ouvert entre ses griffes. D’après les informations (en anglais) des journalistes de 404 Media, la mission principale de la succursale VGT3 semble être la numérisation systématique de livres.
Dans leur compte rendu, les journalistes ont rapporté que les employés de VGT3 échangent en ligne sur leurs conditions de travail et leurs tâches. On peut ainsi prouver que la succursale traite systématiquement les livres reçus : les employés scannent les codes ISBN et découpent le dos des ouvrages avant d’en numériser les pages. D’après eux, le travail est même parfois réparti dans des équipes de jour et de nuit.
Amazon a confirmé l’achat de livres dans une prise de position adressée à 404 Media. D’après le géant états-unien, cette pratique l’aide à développer et à améliorer les produits et services utilisés par sa clientèle. Pas étonnant, puisqu’Amazon exploite ses propres modèles d’IA.
Une soif de textes écrits par nous, êtres humains
La qualité d’un modèle de langage dépend de son entraînement. L’entraînement dépend, lui, de la quantité et de la qualité des données utilisées. Les textes publiés dans des livres et des magazines sont considérés comme étant de meilleure qualité que les articles sur les réseaux sociaux rédigés par n’importe qui sur X. Le Washington Post rapporte (en anglais) que, d’après un email interne de Meta (la maison mère de Facebook) datant de 2024, les livres sont essentiels pour concurrencer d’autres entreprises de l’IA.
Ces entreprises ont tout intérêt à exploiter le plus grand nombre de bonnes sources textuelles possible. D’ailleurs, de nombreuses sources numériques publiques ont déjà été analysées systématiquement au cours des dernières années. Quand on sait que cette démarche a fait l’objet de nombreuses procédures judiciaires, on devine qu’elle n’a pas toujours respecté les contraintes légales en vigueur. En effet, des milliers d’auteurs et d’éditeurs reprochent aux entreprises de l’IA d’utiliser des textes à des fins d’entraînement sans en avoir obtenu l’autorisation au préalable (en allemand).
Les sites web qui proposent des contenus numériques haut de gamme utilisent de plus en plus souvent des dispositifs de blocage pour empêcher les collecteurs de données automatiques d’y accéder. À l’inverse, l’être humain a rédigé des quantités gigantesques de livres, de revues et de magazines avant l’arrivée des grands modèles linguistiques (à partir de 2022), sans les numériser. Or, c’est précisément cette immense base de données papier qui retient toute l’attention des entreprises de l’IA.
Les tendances observées dans les commandes en gros laissent penser que les distributeurs traitent automatiquement des listes de titres à partir des numéros ISBN. Ils recherchent de manière ciblée les livres qu’ils n’ont pas encore acquis et les commandent. Et les frais de toute cette opération ne leur font pas peur. Selon les libraires spécialisés dans les livres anciens, les ouvrages vendus de cette manière sont généralement invendables et donc très bon marché. Les frais de douane et d’expédition coûtent bien plus cher.
Numériser les livres et les détruire pour l’IA
On soupçonne que des entreprises de l’IA sont à l’origine ces commandes. Cette idée ne vient pas de nulle part, puisque c’est ce qui a contraint Anthropic, le développeur de Claude, à comparaître devant le tribunal en 2026. En effet, des documents internes rendus publics au cours de la procédure de cette année révèlent (en allemand) qu’Anthropic a lancé en 2024 ce qu’on appelle le « Project Panama ». Anthropic s’était fixé pour objectif de numériser tous les livres du monde et de les détruire.
Afin d’accomplir efficacement cette tâche colossale (on parle de millions d’œuvres), elle a été automatisée : les dos des livres ont été découpés pour séparer les pages les unes des autres et permettre à des scanners haute performance de numériser rapidement chaque page. Les documents papier ont ensuite été jetés ou recyclés. Cette pratique est moins risquée sur le plan juridique que l’utilisation d’archives de livres en ligne, car les livres ont été acquis légalement. Ce n’est pas la même chose que d’utiliser des copies obtenues illégalement.
Dans le cadre du procès contre Anthropic, le juge William Alsup a statué (en anglais) que l’utilisation de textes provenant de sources acquises légalement et numérisées pour entraîner les modèles d’IA pouvait être considérée comme une utilisation particulièrement transformative et, par conséquent, relever de la doctrine du « fair use » (usage loyal), répandue aux États-Unis. Une utilisation transformative signifie que les textes numérisés ne sont pas utilisés comme des livres ; ils jouent un rôle différent dans l’entraînement de l’IA.
Certaines questions restent toutefois irrésolues jusqu’à ce que d’autres jugements aient lieu, par exemple lorsque les auteurs peuvent prouver qu’ils ont subi un préjudice économique concret.
Les vieux livres, patrimoine culturel ou stocks dont plus personne ne veut ?
La destruction des livres est clairement réglementée : un propriétaire a le droit de détruire un bien qu’il a acquis en toute légalité.
Au cours de la procédure légale, Anthropic a nié (en anglais) avoir acheté et détruit des livres anciens ou rares. Le rapport de 404 Media confirme également que la livraison en question ne contenait aucun ouvrage ayant un intérêt culturel ou historique.
Si les libraires en profitent pour se débarrasser de stocks dont personne ne veut, tout le monde y gagne, non ? Pourtant, ce sont des commandes d’ouvrages rares, en tirages limités ou publiés dans une langue peu parlée.
Les bibliothécaires, les historiens et les associations de libraires spécialisés dans les livres anciens y voient un problème (en anglais). Dans certains cas, la numérisation puis la destruction des ouvrages, peu coûteuses, font disparaître à jamais des biens culturels matériels. Certains libraires sont confrontés à un dilemme moral : veulent-ils participer en toute conscience à la destruction de livres rares ?
Aussi à l'aise devant un PC gaming que dans un hamac au fond du jardin. Aime l'Empire romain, les porte-conteneurs et les livres de science-fiction. Traque surtout les news dans le domaine de l'informatique et des objets connectés.
Des informations intéressantes sur le monde des produits, un aperçu des coulisses des fabricants et des portraits de personnalités intéressantes.
Tout afficher
