Des entreprises d’IA détruisent des livres rares

• Des entreprises d’IA achètent des livres en masse, coupent leur dos pour les scanner à grande vitesse, puis détruisent les originaux
• ISBNdb prend en charge des commandes pouvant aller jusqu’à 1 million de livres, l’anonymat de l’acheteur et les NDA, et recommande à ses clients d’appeler ce processus de la « préservation numérique »
• Les publications antérieures à 2022 sont très valorisées parce qu’elles constituent des données non mêlées à du texte généré par l’IA, et Anthropic cherche aussi à acquérir de vastes collections de livres
• Un juge fédéral a estimé que la méthode consistant à supprimer l’original pour ne laisser qu’un seul exemplaire à la fois relevait du fair use, mais même des livres dont il ne reste qu’un très faible nombre d’exemplaires sont inclus dans le traitement
• Le dernier exemplaire existant d’un livre du XVIIIe siècle ne peut pas être remplacé après destruction, si bien qu’une décision de légalité pourrait accélérer des dégradations irréversibles

---

Comment des livres rares deviennent des données d’entraînement

• Des entreprises d’IA achètent des livres en masse, puis coupent leur dos pour les scanner à grande vitesse et détruisent les originaux
• ISBNdb sert d’intermédiaire pour des commandes allant jusqu’à 1 million de livres tout en masquant l’identité de l’acheteur
  • Le NDA est proposé comme fonctionnalité du service
  • L’entreprise recommande à ses clients d’appeler cette opération de la « préservation numérique »
  • Sur son propre site web, elle indique que l’expression « une entreprise d’IA détruit 2 millions de livres » n’est pas un titre susceptible de susciter la sympathie
• Les publications antérieures à 2022 sont traitées comme des données premium au motif qu’elles ne contiennent pas de texte généré par l’IA
• Anthropic a recruté l’ancien responsable des partenariats de Google Books afin d’acquérir « tous les livres du monde »

L’irréversibilité laissée par la décision sur le fair use

• Un juge fédéral a estimé que cette pratique relevait du fair use, au motif qu’en supprimant l’original, il n’existe qu’un seul exemplaire à un instant donné
• Un libraire a déclaré à 404 Media que même des livres rares dont il ne reste presque plus d’exemplaires entrent dans ce processus
• Un site web peut être remis en ligne et un best-seller réimprimé, mais un ouvrage de botanique du XVIIIe siècle dont il ne reste que trois exemplaires ne peut pas être remplacé après destruction
• Contrairement au scraping d’Internet, aux torrents de bibliothèques ou à l’acquisition non autorisée de musique, la destruction des originaux est irréversible, et cette activité pourrait s’accélérer après une décision la jugeant légale

[GN⁺]

Avis sur Hacker News

• Je n’ai pas beaucoup de sympathie pour les éditeurs. Ils laissent des livres indisponibles jusqu’à l’expiration du copyright, transformant des ouvrages en parfait état en raretés, et même pour les livres encore vendus, on a souvent seulement du papier qui gondole avec l’humidité et une reliure collée qui se défait en feuilles au bout de quelques années
  Lorsqu’un éditeur a laissé un livre épuisé, un autre éditeur devrait pouvoir le republier sans indemniser l’éditeur d’origine, tout en renégociant les droits d’auteur avec l’auteur. Il faudrait aussi modifier le droit d’auteur pour permettre à d’autres éditeurs de produire des éditions de luxe si l’éditeur en place ne sort pas de reliure cartonnée sur papier durable avec cahiers cousus

  • À mon avis, le copyright devrait prendre fin à la mort de l’auteur ou de son conjoint. Il est injuste que des maisons de disques monétisent même de courtes vidéos d’analyse musicale de quelques secondes, pourtant clairement couvertes par l’usage loyal, et captent les revenus de petites chaînes qui y ont consacré beaucoup de temps et d’argent
    Les petits streamers n’ont de toute façon pas les moyens de se défendre juridiquement. La chaîne en question est https://www.youtube.com/@diggingthegreats/videos
  • Aux XVIIe et XVIIIe siècles, il était courant que les éditeurs vendent les livres non reliés et que l’acheteur passe une commande sur mesure auprès d’un relieur indépendant ; il arrivait même qu’une bibliothèque entière adopte un style de couverture uniforme selon le goût du propriétaire
    À l’époque, les livres étaient des objets de luxe inaccessibles à la plupart des gens, et l’arrivée de reliures bon marché produites en masse a amélioré l’accessibilité. Il existe encore aujourd’hui un marché artisanal qui démonte des livres du commerce pour leur faire une reliure et une couverture sur mesure de haute qualité
  • Si les livres des XVIIe et XVIIIe siècles semblent encore présents aujourd’hui, c’est peut-être simplement parce que seuls les ouvrages bien fabriqués ont survécu. Il y a là un biais du survivant : les livres mal faits ont déjà disparu, donc on ne peut plus les voir
  • Si les éditeurs stockaient tous les livres en reliure haut de gamme alors que les consommateurs n’achètent que des éditions de poche bon marché, ils n’auraient aucune raison d’en assumer le surcoût ; c’est une réaction à la demande du marché
    Il est plus simple de penser qu’ils savent, grâce aux données de vente, que cela ne se vendrait pas, plutôt que d’imaginer qu’ils ignorent délibérément une demande cachée pour des éditions premium. Si l’objectif est la conservation, il ne faut pas imposer un papier légèrement meilleur, mais construire des archives numériques robustes plutôt que de compter sur des entrepôts ou des bibliothèques de collectionneurs
  • J’ai encore moins de sympathie pour les exploitants de LLM qui volent la propriété intellectuelle que pour les éditeurs

• Je réédite de vieux livres après avoir vérifié le copyright. Tous les livres concernés sont des ouvrages publiés avant 1930, et selon que les ayants droit ont renouvelé ou non les droits, pas mal de livres jusqu’à 1964 ou 1973 peuvent aussi être concernés
  On coupe le dos du livre avec une cisaille spécialisée, puis on place les feuilles séparées dans des pochettes plastiques scellées pour une conservation permanente, et on garde aussi les fichiers originaux non compressés sur disques magnétiques en prévision de futurs rescans. On cherche aussi à l’avance des exemplaires rares publiés après 1931 pour pouvoir les sortir dès l’expiration du copyright, mais aucune entreprise d’IA n’a jamais demandé à entraîner ses modèles sur l’ensemble des scans

  • Je me demande qui désigne ce « nous », et si les pochettes plastiques scellées sont adaptées à la conservation à long terme. La dégradation chimique peut y accumuler humidité ou vapeurs corrosives, donc il faudrait vérifier si un environnement à température et humidité activement contrôlées ne serait pas préférable
  • Les livres très anciens peuvent introduire un biais vers des styles d’écriture datés, et même quand ils contiennent un savoir précieux, celui-ci est souvent traité de façon plus approfondie et détaillée dans la littérature moderne ; leur valeur comme données d’entraînement pour l’IA est donc plutôt faible
    Les textes anciens sont intéressants en eux-mêmes et méritent d’être conservés, mais ils sont moins utiles comme simple ingrédient dans un corpus d’entraînement géant
  • Il faudrait des sources et du contexte pour savoir s’il s’agit d’une association à but non lucratif de deux personnes ou d’une société pré-IPO valorisée à 1 000 milliards de dollars
  • En coupant le dos du livre, ne reste-t-il pas seulement des feuilles détachées, comme des « manuscrits de la mer Morte », privées de leur provenance ?

• Si les ouvrages scannés sont uniquement des livres encore sous copyright, on peut se demander pourquoi des traités de botanique du XVIIIe siècle sont inclus. Le fait de scanner un livre que l’on possède devrait être légal au regard du copyright, et cela ne devrait pas exiger sa destruction
  Pour les œuvres publiées depuis plus de 50 ans et menacées d’oubli, il faudrait appliquer un régime des œuvres abandonnées, obligeant les ayants droit à prouver qu’elles sont conservées dans diverses bibliothèques, à autoriser des copies supplémentaires ou à renoncer au copyright

  • Démonter un livre en feuilles pour le scanner est plus rapide et moins cher, et comme l’entraînement de l’IA est une affaire de volume, cette méthode est avantageuse. Les feuilles devenues inutiles après le scan sont réduites en pâte pour recyclage, donc même sans question de copyright, le scan destructif serait probablement devenu la norme
    Si OpenAI ne peut pas simplement acheter sur Amazon une version numérique d’un livre de 2018 et l’utiliser directement, c’est non seulement à cause d’une violation de licence, mais aussi parce que le DMCA interdit de contourner les DRM
  • Les livres du XVIIIe siècle ne sont plus sous copyright, donc il n’est pas illégal de les scanner tout en conservant l’original
  • Si l’on détruit des livres irremplaçables, la raison n’est pas le copyright mais la réduction des coûts du scan destructif : https://www.404media.co/ai-companies-are-buying-tons-of-old-...
  • Les livres anciens rares dont il reste moins de dix exemplaires devraient bénéficier d’une protection patrimoniale comparable à celle des pièces de musée. L’État devrait avoir un droit de préemption si le propriétaire veut les endommager ou les détruire
  • Un autre avantage des livres détruits, c’est qu’un concurrent ne peut plus les rescanner

• Si Archive.org n’avait pas été poursuivi pour avoir prêté les livres physiques qu’il possédait, on aurait peut-être évité ce résultat. Les éditeurs auraient dû réfléchir plus attentivement aux conséquences de ce qu’ils voulaient

  • À l’origine, Archive.org prêtait les livres qu’il possédait physiquement et avait scannés avec DRM et une limite d’un seul lecteur simultané par exemplaire, mais le conflit avec les éditeurs a commencé lorsqu’il a supprimé cette limite pendant le Covid et autorisé des prêts simultanés illimités
  • Lorsqu’un exemplaire d’un livre est détruit, la valeur des autres exemplaires et du stock non vendu augmente ; on ne peut donc pas dire que les éditeurs détestent forcément cela
  • On peut aussi voir l’approche imprudente d’Archive.org comme un affaiblissement de la position des activités légitimes de conservation elles-mêmes

• Les éditeurs ont poursuivi des entreprises d’IA entraînées sur des bibliothèques fantômes dans l’espoir de décrocher de gros contrats de contenu, mais les entreprises d’IA ont exploité une faille analogique. Acheter un livre d’occasion 5 dollars et dépenser 25 dollars pour un scan destructif coûte bien moins cher que des redevances de copyright
  Cela dit, la cible n’est pas des textes anciens mais des livres encore sous copyright, et l’ancienneté ne les rend pas automatiquement précieux. Les bibliothèques éliminent les livres peu demandés qui ne font que coûter en stockage, ce qui permet aux sociétés de scan de les obtenir à bas prix

  • Puisque ces livres ont de la valeur pour les entreprises d’IA, elles devraient payer une rémunération équitable
  • La littérature contemporaine deviendra elle aussi ancienne avec le temps ; on ne peut donc pas juger uniquement sur sa valeur matérielle actuelle
  • Même en comptant l’usure des machines, la main-d’œuvre pour retirer les feuilles coincées et le coût du recyclage, le scan destructif pourrait coûter plus près de 0,25 dollar que de 25 dollars par livre
  • Si l’on modifie les informations de nombreux acheteurs et que l’on détruit les sources d’origine, des erreurs peuvent rester dans le LLM, donc tenter de justifier cela relève presque de la propagande

• Cela ressemble davantage à l’usine de “broyage puis numérisation” de Rainbows End de Vernor Vinge qu’à Fahrenheit 451 de Bradbury

  • Vernor Vinge a particulièrement bien anticipé le futur proche, et il décrivait la numérisation destructrice comme une méthode utilisée brièvement par les méchants avant de passer à la numérisation non destructive. À long terme, l’une des meilleures choses à faire pour l’humanité est selon moi de soutenir Anna’s Archive
  • Même si cela diffère du sens que le grand public lui attribue souvent, c’est aussi assez proche de ce que l’auteur de Fahrenheit 451 voulait exprimer

• La numérisation de livres rares pourrait aussi corriger en partie les torts causés par Authors Guild v. Google. On pourrait autoriser les scans des entreprises d’IA, mais en imposant la publication des copies numériques, avec quelques années de délai pour préserver l’avantage du premier acteur à numériser : https://en.wikipedia.org/wiki/Authors_Guild,_Inc._v._Google,...

  • Détruire l’unique exemplaire d’un livre de 1850 pour enfermer son contenu dans un système commercial, c’est une forme de prédation des ressources publiques, comparable à l’extraction non autorisée de ressources sur des terres publiques
    À l’inverse, il serait bien plus raisonnable de le numériser en haute qualité, de le publier gratuitement et de façon permanente, de le rendre accessible via un LLM public utilisable gratuitement en bibliothèque et en ligne, et, s’il ne reste plus d’exemplaire physique, d’exiger sa conservation dans des archives publiques de livres rares après vérification suffisante

• Si, à cause de lois absurdes sur le droit d’auteur, c’est la seule méthode légale à la disposition des entreprises d’IA, il est difficile de leur faire porter toute la responsabilité. On peut soutenir des bibliothèques parallèles locales : https://annas-archive.pk/donate

• En se basant uniquement sur les sources citées, les preuves que des livres rares sont réellement détruits restent insuffisantes. Un ouvrage de botanique irremplaçable du XVIIIe siècle a été ajouté en exemple, mais cela n’exclut pas que les véritables cibles soient des livres en vente ou courants

  • Tous les livres du XVIIIe siècle sont tombés dans le domaine public, donc il n’y a aucune raison particulière de les broyer

• Ici, les livres rares ne semblent pas être des manuscrits médiévaux d’importance historique, mais plutôt des livres relativement récents encore protégés par le droit d’auteur, dont il existe peu d’exemplaires physiques en circulation. Détruire un tel livre pour en préserver numériquement le contenu n’est pas nécessairement une mauvaise chose, et pour les livres encore sous droit d’auteur, la valeur réside en général davantage dans le contenu que dans le support physique

  • Même les manuscrits médiévaux historiquement importants sont de plus en plus mis en ligne, et permettre aux chercheurs d’accéder directement aux scans des sources originales accélère la recherche historique. Bien sûr, dans ce cas, il s’agit d’une méthode non destructive
  • Il existe aussi des livres dont le support physique a une valeur en soi, comme les éditions de collection spéciales avec signature de l’auteur ou dorure, mais il est peu probable que les entreprises d’IA utilisent ce type d’édition
  • Si un livre n’existe plus qu’en un nombre d’exemplaires à un chiffre, je pourrais accepter une numérisation destructive à condition que le scan numérique haute qualité soit rendu public
  • La question essentielle est de savoir pour qui on préserve cela au format numérique
  • Je doute qu’on puisse vraiment appeler préservation du contenu le simple fait de modifier légèrement les poids d’une chaîne de Markov quelque part