Amazon achète et détruit des livres pour alimenter ses systèmes d’IA

Après le programme interne Panama d’Anthropic, on découvre celui d’Amazon. Le géant de Seattle achète en grandes quantités des livres imprimés, les numérise et détruit les exemplaires physiques dans le processus afin d’en exploiter le contenu pour ses technologies d’intelligence artificielle. Une nouvelle enquête publiée par 404 Media a permis de suivre concrètement l’un de ces livres jusqu’à une installation d’Amazon située à Las Vegas.

Pour identifier l’acheteur derrière une commande d’environ 1 000 livres passée sur la plateforme spécialisée Biblio, un libraire a accepté de dissimuler un AirTag fourni par 404 Media à l’intérieur d’un des ouvrages. Le dispositif de localisation a ensuite permis de suivre le colis à travers les États-Unis. Sa destination finale : un bâtiment d’Amazon à Las Vegas connu sous le nom de VGT3.

Selon des employés de cette installation interrogés par 404 Media, l’activité du site consiste notamment à recevoir d’importantes quantités de livres, à retirer leur reliure puis à numériser rapidement les pages. Cette technique permet d’utiliser des scanners à haut débit, mais rend généralement le livre inutilisable après l’opération. Le logo interne de l’équipe VGT3 représente d’ailleurs un dinosaure tenant un livre dans ses mains.

Amazon a confirmé acheter des livres par les circuits commerciaux. Dans une déclaration transmise à 404 Media, l’entreprise explique que ces acquisitions servent à développer et améliorer les produits et services utilisés par ses clients. L’enquête établit que ces livres sont notamment destinés à fournir des données pour les activités d’intelligence artificielle de l’entreprise.

Cette découverte permet surtout de mettre un nom sur un phénomène qui intrigue les libraires depuis plusieurs mois. Aux États-Unis, en Australie et plus récemment en Europe, des vendeurs de livres d’occasion rapportent des commandes inhabituelles portant sur des centaines, voire des milliers d’ouvrages sans véritable lien entre eux. Les acheteurs semblent souvent peu sensibles au prix et recherchent autant des ouvrages spécialisés que des titres anciens ou difficiles à trouver.

Les livres imprimés représentent une ressource particulièrement intéressante pour les entreprises d’IA. Une partie importante de leur contenu n’est pas disponible librement sur Internet et n’a donc pas nécessairement été intégrée aux vastes collectes de données réalisées sur le Web.

Les ouvrages publiés avant l’arrivée de ChatGPT en 2022 présentent également un autre avantage : leur contenu a été produit avant la généralisation des textes générés par intelligence artificielle. Les développeurs cherchent justement à obtenir davantage de données créées par des humains afin d’éviter que leurs modèles soient entraînés de façon répétée sur des contenus eux-mêmes produits par des systèmes d’IA. Des recherches ont montré que ce phénomène peut entraîner une détérioration progressive des modèles, souvent appelée « model collapse ».

Comme je le disais plutôt, Amazon n’est pas la première entreprise d’IA associée à cette méthode. Des documents judiciaires concernant Anthropic avaient déjà révélé que l’entreprise derrière Claude avait acheté des millions de livres neufs et usagés, retiré leur reliure, numérisé leur contenu puis éliminé les exemplaires physiques. Anthropic affirme cependant que ses programmes d’acquisition ne ciblent pas les livres rares ou anciens.

L’enquête sur Amazon ajoute toutefois une nouvelle dimension au phénomène. Jusqu’à maintenant, les libraires pouvaient observer une hausse spectaculaire des commandes sans connaître l’identité du client final, puisque plusieurs marchés de livres servent d’intermédiaires et ne communiquent pas directement cette information aux vendeurs. Et l’utilisation d’un simple dispositif de localisation aura permis de suivre cette chaîne d’approvisionnement jusqu’à Amazon.

Au-delà de la question de l’entraînement des modèles, cette pratique soulève maintenant un enjeu patrimonial. Lorsqu’un livre courant est détruit après sa numérisation, d’autres exemplaires peuvent généralement subsister. Mais lorsque le même traitement est appliqué à un ouvrage rare, épuisé ou difficile à remplacer, une partie du patrimoine physique pourrait disparaître définitivement alors que sa version numérisée demeure entre les mains d’une entreprise privée.

Source : 404 media