La course pour développer des modèles d'intelligence artificielle de plus en plus puissants a ouvert un front inattendu : les livres physiques sont devenus une source de données particulièrement précieuse pour les grandes entreprises technologiques. En ce sens, Amazon et Anthropic, cette dernière propriétaire de Claude, ont été liées à des opérations dans lesquelles des exemplaires hors catalogue ou difficiles à trouver sont acquis en grandes quantités, numérisés et ensuite détruits.
L'objectif est d'incorporer leur contenu dans leurs systèmes d'IA pour les entraîner. Cependant, leur modus operandi soulève des doutes quant à leur manière de procéder : acheter, scanner et brûler, ce qui amène à se demander que se passe-t-il lorsque la connaissance reste stockée sur des serveurs privés tandis que les exemplaires qui la contenaient disparaissent ?
La polémique arrive à un moment où les entreprises technologiques ont de plus en plus besoin de données de qualité pour entraîner leurs modèles. Une bonne partie d'Internet contient déjà des textes générés par d'autres intelligences artificielles, ce qui réduit leur utilité en tant que matière première. Les livres écrits avant l'expansion de l'IA générative offrent, en revanche, de grandes quantités de contenu élaboré par des humains et soumis à des processus éditoriaux.
Pourquoi les entreprises d'IA achètent-elles des livres anciens ?
Le problème n'est pas simplement de récupérer des millions de pages, mais de collecter des informations "fraîches" contenues dans ces pages qui n'ont pas encore été intégrées dans les bases de données des IA. En ce sens, les modèles de langage sont entraînés avec d'énormes quantités de texte pour apprendre des structures linguistiques, des connaissances et des motifs d'écriture, mais la prolifération de contenu généré par l'IA sur Internet introduit un risque connu sous le nom de "model collapse". Autrement dit, si un modèle est progressivement entraîné avec du matériel généré par d'autres modèles, la qualité et la diversité de ses résultats peuvent se détériorer.
C'est pourquoi les textes antérieurs à l'expansion de l'IA générative ont une valeur ajoutée. Ils constituent une réserve de contenu produit par des humains qui permet d'alimenter les modèles avec un matériel plus propre et diversifié.
Le cas d'Amazon : des livres qui finissent dans un entrepôt de Las Vegas
Une enquête de 404 Media a permis de suivre le parcours de l'un de ces envois grâce à un dispositif de suivi placé dans un livre inclus dans une commande d'environ 1.000 exemplaires. De cette manière, le paquet a fini dans une installation d'Amazon à Las Vegas, identifiée comme VGT3, où des travailleurs ont décrit un processus industriel : les livres arrivent en grands lots, leur reliure est retirée pour faciliter le scan des pages et les exemplaires physiques sont ensuite jetés.
L'enquête indique que le centre est lié au traitement de livres à des fins liées à l'entraînement de l'intelligence artificielle. De plus, Amazon a confirmé qu'il achète des livres par le biais de canaux commerciaux pour développer et améliorer ses produits et services, bien qu'il n'ait pas détaillé publiquement l'ampleur de ces opérations ni répondu à toutes les questions sur le processus de destruction.
Le cas est paradoxal en raison de l'histoire même d'Amazon, qui a commencé précisément comme une entreprise dédiée à la vente de livres.
Pourquoi détruire les livres ?
La raison obéit uniquement à des logiques économistes. Les entreprises technologiques d'IA sont intéressées à augmenter constamment leurs bénéfices, donc si elles achètent, scannent et détruisent ensuite les livres, elles obligeraient ainsi les consommateurs à payer pour consulter les contenus. C'est pourquoi lespages de la reliure sont arrêtées, car cela permet de les introduire plus rapidement dans des équipements de scan, transformant un livre physique en un fichier numérique qui peut être traité par des systèmes informatiques.
Dans le cas d'un livre moderne avec des milliers d'exemplaires disponibles, la perte peut sembler limitée. Cependant, le problème prend de l'importance lorsqu'il s'agit de rééditions épuisées, d'exemplaires rares ou de titres pour lesquels il reste très peu de copies.
Anthropic et le 'Projet Panama'
Amazon n'est pas la seule entreprise liée à ce modèle. En fait, l'entreprise Anthropic l'accompagne.
De la même manière, Anthropic a mené une initiative connue en interne sous le nom de Project Panama, destinée à acquérir et numériser de grandes quantités de livres pour les utiliser dans l'entraînement de ses modèles. D'autre part, selon des documents judiciaires ultérieurement déclassifiés, la société a proposé un système industriel pour acheter des livres, retirer leurs reliures, les numériser et se débarrasser des originaux. Une des prévisions internes envisageait de traiter entre 500.000 et deux millions d'exemplaires en une période de six mois.
De cette manière, la société cherchait ainsi à disposer d'une bibliothèque numérique de textes humains de haute qualité pour ses systèmes d'IA.
La légalité de l'illégitimité
Qu'une activité soit couverte ou non par la légalité nationale ou internationale est un fait très différent de sa légitimité. Aux États-Unis, un tribunal a déterminé en 2025 que l'entraînement de modèles d'IA utilisant des livres acquis légalement pouvait être couvert par le "fair use" (usage légitime) en considérant qu'il s'agissait d'une utilisation transformative.
Mais la résolution a établi une différence fondamentale avec une autre partie de l'affaire d'Anthropic : l'utilisation de copies obtenues illégalement de bibliothèques numériques pirates n'était pas protégée de la même manière. Le différend a finalement abouti à un accord de 1,5 milliard de dollars avec les auteurs concernés.
Par conséquent, la controverse actuelle se déplace vers une autre question : quels limites devraient exister lorsque ce processus implique de détruire physiquement des exemplaires et de maintenir la copie numérique dans une infrastructure privée.
Que se passe-t-il avec la connaissance après avoir détruit le livre ?
Il existe une différence abyssale entre voir un film et qu'on nous le raconte. Avec les livres et les IA, c'est la même chose. C'est-à-dire, du point de vue technologique, le contenu ne disparaît pas puisque les pages ont été numérisées et que leur information peut rester stockée dans les systèmes utilisés pour entraîner les modèles. Cependant, lorsque quiconque s'approche pour consulter le contenu, la vérité est que cette personne ne bénéficiera pas du contenu intégral, mais que ce qu'elle recevra sera une interprétation fournie par l'IA.
D'autre part, la numérisation réalisée par une entreprise privée n'équivaut pas à créer une bibliothèque publique. La connaissance peut passer d'être contenue dans un objet physique qui circule entre lecteurs, bibliothèques et librairies à faire partie d'une infrastructure technologique dont l'accès dépend des conditions établies par son propriétaire.