500 millions de livres rares sacrifiés pour entraîner l'IA

Des siècles de savoir humain, effacés en quelques lignes de code.

Pendant que vous lisez ces mots, des milliers d'œuvres littéraires uniques, de manuscrits anciens et de livres introuvables sont numérisés, aspirés, puis oubliés — sacrifiés sur l'autel de l'entraînement des grands modèles de langage. Ce qui ressemble à une opération de préservation culturelle est, dans bien des cas, exactement le contraire.

Le festin numérique des géants de l'IA

Pour qu'un modèle comme ChatGPT, Claude ou Gemini puisse rédiger un texte cohérent, répondre à des questions complexes ou imiter un style littéraire, il doit ingérer des quantités astronomiques de données textuelles. On parle de centaines de milliards de mots. Et les entreprises qui développent ces systèmes ont besoin de matière première — beaucoup de matière première.

C'est là que les bibliothèques entrent en jeu. Plusieurs organisations, dont des institutions académiques et des groupes à but non lucratif comme l'Internet Archive, ont numérisé pendant des décennies des millions d'ouvrages physiques. Un travail titanesque, motivé par une noble intention : préserver la culture humaine face au temps et aux catastrophes.

Mais ces corpus numériques sont devenus une ressource convoitée. Et leur utilisation pour entraîner des IA pose des questions que l'industrie technologique préfère ne pas soulever trop fort.

Quand la numérisation devient une extraction

Le problème n'est pas la numérisation en elle-même. C'est ce qui se passe ensuite. Lorsqu'un livre est numérisé uniquement pour alimenter un modèle d'IA, plusieurs dérives apparaissent :

• L'effacement de la provenance : le contenu est haché, tokenisé, décomposé en fragments statistiques. L'œuvre n'existe plus comme entité — elle devient des vecteurs dans un espace mathématique à plusieurs milliards de dimensions.
• L'absence de compensation : des auteurs vivants ont vu leurs œuvres aspirées sans consentement ni rémunération. Plusieurs procès sont en cours aux États-Unis, notamment contre OpenAI et Meta.
• La disparition du contexte culturel : un traité de médecine arabe du XIe siècle, une correspondance privée de 1780, un roman oublié des années 1930 — tous sont aplatis en données brutes, perdant leur singularité historique.

L'Internet Archive : un cas emblématique

En 2020, lors du confinement mondial, l'Internet Archive a lancé sa Bibliothèque nationale d'urgence, permettant l'emprunt numérique illimité de millions de livres scannés. Les maisons d'édition ont réagi en attaquant en justice. En 2023, un tribunal américain leur a donné raison, estimant que cette pratique violait le droit d'auteur.

Ce jugement a forcé l'Internet Archive à supprimer des centaines de milliers de livres de sa plateforme. Des œuvres nulle part ailleurs disponibles en ligne. Des livres épuisés depuis des décennies. Partis. Non pas détruits physiquement, mais rendus inaccessibles — ce qui, pour la transmission du savoir, revient au même.

Pendant ce temps, des entreprises comme OpenAI ont admis avoir utilisé des corpus massifs incluant des œuvres protégées pour entraîner leurs modèles. La tension est saisissante : ce qui est interdit à une bibliothèque à but non lucratif semble toléré — ou du moins impuni — pour des entreprises valorisées à plusieurs centaines de milliards de dollars.

Le patrimoine culturel n'est pas un dataset

Il existe une différence fondamentale entre préserver un livre et l'utiliser comme matériau d'entraînement. La préservation vise à transmettre une œuvre intacte aux générations futures. L'entraînement d'une IA vise à en extraire des patterns statistiques pour qu'un système puisse produire du texte semblable.

Ces deux usages ne sont pas équivalents. Et confondre l'un avec l'autre, c'est accepter qu'une œuvre humaine n'ait de valeur qu'en tant que donnée exploitable.

Les conservateurs de bibliothèques, les historiens et les juristes spécialisés en propriété intellectuelle tirent la sonnette d'alarme depuis plusieurs années. Leurs voix peinent à percer dans un débat public dominé par l'enthousiasme technologique.

Que faire concrètement ?

Plusieurs pistes existent pour ne pas choisir entre progrès technologique et préservation culturelle :

• Des licences claires et rémunérées pour l'utilisation d'œuvres protégées dans les corpus d'entraînement, sur le modèle de ce qui se négocie avec les sociétés de gestion collective.
• Une distinction légale explicite entre numérisation patrimoniale et extraction pour IA commerciale.
• Un droit de regard des institutions culturelles sur l'usage fait des collections qu'elles ont constituées au fil des décennies.
• Des audits de transparence obligeant les développeurs d'IA à publier la composition de leurs corpus d'entraînement.

Le progrès a le droit de choisir ses sacrifices — mais pas à notre place

La question n'est pas de freiner l'intelligence artificielle. Ces technologies ont un potentiel réel, dans la médecine, l'éducation, la recherche scientifique. Mais ce potentiel ne justifie pas de piller silencieusement le patrimoine littéraire de l'humanité pour alimenter des produits commerciaux.

Un modèle d'IA qui a appris à écrire en digérant des milliers d'œuvres humaines sans les honorer ne préserve pas la culture. Il en produit une copie dégradée, aseptisée, sans mémoire de sa propre origine.

Ce que nous laissons effacer aujourd'hui, aucun prompt ne pourra le ressusciter demain.

— Reservoir Live