-2.png?w=1024)
Un livre rare a été expédié par la poste. Ce qui est ressorti de l'autre côté a permis d'entrevoir la course, de plus en plus physique, aux données d'entraînement de l'IA.
Amazon achète de grandes quantités de livres imprimés, les numérise pour obtenir des données d'entraînement de l'IA, puis détruit les exemplaires physiques au cours du processus, selon une enquête de 404 Media. La publication a révélé une opération jusque-là inconnue : dissimuler un dispositif de suivi à l'intérieur d'un livre rare soupçonné d'avoir été acheté pour entraîner une IA, puis suivre le dispositif jusqu'à un site Amazon de Las Vegas.
Cette découverte ajoute Amazon à la quête menée par toute l'industrie pour trouver des contenus de qualité écrits par des humains, alors que les développeurs d'IA cherchent au-delà du Web ouvert des données capables d'entraîner des modèles toujours plus sophistiqués.
Un livre suivi à la trace a conduit les journalistes jusqu'à Amazon
L'enquête de 404 Media a commencé par une expérience résolument peu technologique.
Les journalistes ont placé un traceur à l'intérieur de l'un des plusieurs livres rares expédiés par un libraire qui avait constaté une forte hausse de commandes inhabituelles. Le dispositif les a finalement conduits jusqu'à VGT3, un site Amazon de Las Vegas.
Selon des employés d'Amazon interrogés par 404 Media, les salariés du site reçoivent d'importantes cargaisons de livres imprimés et retirent leur reliure afin que les pages puissent être numérisées plus rapidement. Le processus détruit les livres physiques.
Amazon a confirmé qu'elle achetait des livres pour ses activités technologiques.
« Amazon achète des livres par l'intermédiaire de circuits commerciaux afin de contribuer au développement et à l'amélioration des produits et services utilisés par nos clients », a déclaré un porte-parole de l'entreprise à 404 Media.
L'entreprise n'a pas indiqué à la publication quels produits d'IA précis étaient entraînés à l'aide des contenus numérisés.
Cela laisse une nuance importante dans cette histoire. L'enquête n'accuse pas Amazon d'avoir obtenu les livres suivis auprès de bibliothèques pirates ni de les avoir téléchargés illégalement. Elle documente plutôt une chaîne physique dans laquelle les livres sont achetés légalement, numérisés, puis détruits tandis que leur contenu est converti en données numériques.
Pourquoi les entreprises d'IA veulent de vieux livres
L'opération d'Amazon intervient dans le cadre d'une offensive plus large des développeurs d'IA pour trouver de grandes quantités de textes de qualité créés par des humains.
Dans une enquête précédente, 404 Media a rapporté que des entreprises d'IA achetaient de vieux livres imprimés notamment parce que les livres publiés avant l'essor de l'IA générative offrent des contenus antérieurs à la croissance rapide des contenus générés par l'IA en ligne. Cette distinction est devenue de plus en plus précieuse à mesure que les développeurs s'intéressent à la qualité et à la provenance de leurs données d'entraînement.
Les livres offrent aussi quelque chose que l'immensité d'Internet ne peut pas toujours garantir : des textes édités et structurés couvrant des sujets spécialisés, des langues, des professions et des périodes historiques variés.
Pour les entreprises d'IA en quête de davantage de contenus d'entraînement, les bibliothèques du monde entier deviennent une nouvelle source potentielle de données. Mais transformer ces rayonnages en jeux de données peut avoir un coût physique.
Les livres suivis par 404 Media ont été décrits comme rares parce qu'il en restait relativement peu d'exemplaires en circulation. La publication n'a pas révélé leurs titres, précisant que cette rareté pouvait s'expliquer par des tirages limités ou par le fait que ces livres étaient écrits dans des langues comptant relativement peu de locuteurs.
Cela ne fait pas nécessairement de chaque livre un objet de collection de grande valeur. Mais cela signifie que détruire un exemplaire peut réduire de façon permanente une offre déjà limitée.
L'appétit de l'IA pour les livres est déjà un champ de bataille juridique
La révélation concernant Amazon intervient dans le contexte d'un conflit qui s'intensifie autour de la question de savoir si, et de quelle manière, des livres protégés par le droit d'auteur peuvent être utilisés pour développer une IA générative.
En juillet, Hachette Book Group, Cengage Learning, Elsevier et l'auteur Scott Turow ont intenté une action collective proposée, accusant Google d'avoir utilisé abusivement des livres et des articles de revues protégés par le droit d'auteur pour développer Gemini.
Comme l'a rapporté eWeek dans son article sur le procès pour violation des droits d'auteur lié à Gemini, l'affaire soulève une question particulièrement épineuse : si des éditeurs ont fourni des contenus à une entreprise technologique pour des services tels que la recherche ou la vente de livres numériques, cette autorisation s'étend-elle à l'entraînement d'un modèle d'IA ? Les éditeurs soutiennent que non.
Anthropic fait l'objet d'un autre conflit juridique très surveillé concernant son utilisation de livres.
Dans une décision rendue en 2025, le juge fédéral américain William Alsup a conclu que l'utilisation par Anthropic de livres protégés par le droit d'auteur pour entraîner ses modèles d'IA relevait de l'usage loyal. Mais le juge a traité l'acquisition des livres comme une question distincte, estimant que la création par Anthropic d'une bibliothèque centrale contenant des copies piratées n'était pas protégée simplement parce que ces contenus pouvaient ensuite être utilisés pour entraîner une IA.
Le contentieux a finalement abouti à un règlement massif concernant les œuvres piratées. En juillet, un juge fédéral a donné son approbation définitive à l' accord à 1,5 milliard de dollars conclu par Anthropic concernant les droits d'auteur, qui couvre environ 500 000 œuvres et prévoit environ 3 000 dollars par titre avant les honoraires et autres frais.
L'enquête sur Amazon n'établit pas que l'entreprise suive la même voie que celle qui a déclenché le contentieux visant Anthropic. Amazon a déclaré à 404 Media qu'elle achetait ses livres par l'intermédiaire de circuits commerciaux.
L'opération illustre plutôt un autre élément encore irrésolu de l'imbroglio des droits d'auteur liés à l'IA : acquérir légalement un exemplaire physique d'un livre ne répond pas, à lui seul, à toutes les questions concernant les droits attachés à cet achat ni la manière dont son contenu peut ensuite être utilisé.
Le paysage juridique plus large reste incertain. Le US Copyright Office a refusé de considérer que tout entraînement d'IA est automatiquement loyal ou contrefaisant, soulignant plutôt que l'analyse traditionnelle de l'usage loyal dépend des circonstances entourant l'acquisition et l'utilisation de contenus protégés par le droit d'auteur.
Comme l' explique l'article d'eWeek sur les conclusions du Copyright Office concernant l'entraînement de l'IA, les questions relatives aux licences, à l'usage loyal et à l'impact économique de l'entraînement de l'IA sont encore loin d'être résolues.
Quand la numérisation signifie destruction
L'enquête sur Amazon soulève également une question qui dépasse le droit d'auteur : qu'advient-il des livres eux-mêmes ?
La numérisation a historiquement été étroitement associée à la préservation. Les bibliothèques et les archives numérisent les documents fragiles afin que l'information survive, même si l'original finit par se détériorer. La numérisation destructive inverse cette logique. Retirer la reliure d'un livre permet aux pages de passer efficacement dans des scanners à grande vitesse, mais le processus sacrifie l'exemplaire physique.
Pour les livres largement disponibles, la perte d'un exemplaire individuel peut avoir peu d'effet sur la disponibilité globale. L'équation se complique lorsque le même processus concerne des livres tirés à peu d'exemplaires, des ouvrages étrangers confidentiels, des références techniques épuisées ou d'autres titres dont relativement peu d'exemplaires ont survécu.
L'enquête de 404 Media n'établit pas combien de livres rares Amazon a détruits ni n'identifie les titres qu'elle a traités. Ces questions restées sans réponse comptent lorsqu'il s'agit d'évaluer l'impact potentiel sur l'offre de livres physiques. Ce que l'enquête établit, en revanche, c'est qu'Amazon a mis en place une opération capable de convertir des livres achetés par des circuits commerciaux au format numérique tout en détruisant les originaux. Cela révèle une nouvelle économie, pour le moins étrange, du savoir.
Pendant des années, les développeurs d'IA ont pu considérer Internet comme un immense réservoir de contenus d'entraînement. Désormais, alors que les textes générés par l'IA occupent une part croissante du monde numérique, des articles indiquent que les contenus écrits par des humains avant l'essor de l'IA générative ont acquis une nouvelle forme de valeur.
À lire aussi : alors qu'Amazon cherche de nouvelles sources de données d'entraînement de haute qualité, l'entreprise remanie sa stratégie Nova AI, signe d'une volonté plus large de renforcer sa position dans la course à l'IA, toujours plus concurrentielle.