« Bien plus que de simples objets » : les bouquinistes australiens s'alarment de la destruction de livres rares pour l'entraînement de l'IA

Contexte

Une révélation troublante émanant de Melbourne a mis en lumière une réalité cruelle au sein de la chaîne d'approvisionnement en données d'intelligence artificielle, remettant en cause l'idée selon laquelle l'extraction numérique est un processus inoffensif. Tim White, un bouquiniste basé à Melbourne, a découvert qu'une série de titres rares et épuisés de son inventaire avaient été numérisés par une entreprise de collecte de données pour l'IA, sans son consentement ni même sa connaissance. La situation a dépassé le simple cadre de la récolte de données non autorisée lorsque White a appris qu'après la numérisation, les livres physiques n'avaient pas été rendus ni préservés dans un archive, mais avaient été purement et simplement détruits.

Cet incident met en évidence une approche prédatrice où les artefacts culturels physiques sont traités comme des matières premières jetables, consommés entièrement pour leur contenu textuel avant d'être abandonnés. La controverse réside dans la disparité entre la valeur perçue des livres et leur traitement effectif. Pour le vendeur de données, ces ouvrages n'étaient que des sources de texte de haute qualité, nécessaires à l'entraînement des grands modèles de langage. Cependant, pour les collectionneurs et les historiens, la valeur d'un livre dépasse largement ses mots imprimés. White a souligné que l'état physique du livre porte sa propre narration historique, faisant de sa destruction un acte d'effacement culturel sous couvert de progrès technologique.

Analyse approfondie

La logique commerciale du modèle « scanner et détruire » révèle une faille structurelle dans la manière dont les entreprises d'IA priorisent l'acquisition de données. Les grands modèles de langage nécessitent d'énormes quantités de texte de haute fidélité pour optimiser leurs performances, et les livres rares offrent des styles linguistiques uniques et des contextes historiques difficiles à reproduire avec des données web modernes. Cependant, obtenir les droits sur ces textes est souvent coûteux et juridiquement complexe. Par conséquent, certains fournisseurs de données ont adopté une stratégie à faible coût : acquérir des livres physiques, les numériser, puis jeter les copies physiques. Cette approche traite les livres comme des marchandises à usage unique, maximisant le rendement des données tout en minimisant les coûts de stockage et de licence.

D'un point de vue technique et archivistique, cette pratique entraîne une perte significative de métadonnées. Dans les sciences de l'information et la conservation du patrimoine, les attributs physiques d'un livre sont considérés comme des données primaires. Les marginalia, ou annotations faites par les propriétaires précédents, offrent des aperçus sur les habitudes de lecture et l'histoire intellectuelle. Les ex-libris et les dédicaces peuvent retracer la provenance d'une œuvre. La numérisation ne capture que le texte, dépouillant l'objet de ces couches de contexte. La destruction de l'objet physique signifie que cette information riche et non textuelle est définitivement perdue, représentant une forme de réductionnisme informationnel où la complexité du patrimoine culturel est aplatie en simples chaînes de caractères.

De plus, cette pratique met en évidence un décalage entre les domaines numérique et physique de la valeur. Alors que le texte peut être dupliqué à l'infini sous forme numérique, l'artefact physique est unique et irremplaçable. En détruisant l'original, l'entreprise de données n'a pas simplement copié une information ; elle a éliminé la source. Cela crée un déficit irréversible dans le registre culturel. Pour les livres rares, l'état physique corrèle souvent avec leur signification historique. Un livre avec des dommages spécifiques ou des annotations peut être plus précieux pour les historiens qu'une copie immaculée. Le modèle « scanner et détruire » ne reconnaît pas cette nuance, traitant toutes les copies comme des sources de texte interchangeables.

Impact sur l'industrie

Les implications de cet incident s'étendent à plusieurs secteurs, modifiant fondamentalement la relation entre l'industrie de l'IA et les institutions culturelles. Pour les bibliothèques, les archives et les bouquinistes, la menace a évolué de l'infraction au droit d'auteur vers la destruction d'actifs physiques. Traditionnellement, la préoccupation principale était la reproduction numérique non autorisée de contenu. Désormais, les objets physiques eux-mêmes risquent d'être consommés. Cela soulève des questions juridiques urgentes concernant les droits de propriété à l'ère numérique. Si une entreprise d'IA utilise un objet physique pour générer une dérivée numérique, le propriétaire original conserve-t-il une revendication sur les données ou une compensation ? Les lois actuelles sur la propriété ne traitent pas clairement de ce scénario, laissant les institutions culturelles vulnérables.

Pour l'industrie de l'IA, ce scandale pose un risque réputationnel significatif. Il sape le récit de l'« IA au service du bien » et alimente le scepticisme du public quant aux motifs des géants de la technologie. La perception que le développement de l'IA repose sur la destruction du patrimoine culturel peut entraîner un rejet de la part des utilisateurs, en particulier dans les communautés académiques et artistiques. Les chercheurs et les collectionneurs peuvent commencer à voir les modèles d'IA avec suspicion, remettant en question la provenance éthique des données utilisées pour leur entraînement. Si les données fondamentales sont obtenues par des moyens non éthiques, la légitimité des modèles résultants est mise en question.

L'incident pourrait également accélérer le contrôle réglementaire. Les gouvernements sont susceptibles d'examiner de plus près les pratiques de collecte de données des entreprises d'IA, introduisant potentiellement de nouvelles lois pour protéger le patrimoine culturel contre l'exploitation numérique. Il pourrait y avoir des appels à une transparence obligatoire dans l'origine des données, exigeant que les entreprises divulguent d'où proviennent leurs données d'entraînement. De plus, des mécanismes de compensation, tels qu'une « taxe de données culturelles », pourraient être demandés, où les entreprises d'IA paient des frais pour soutenir la préservation des artefacts physiques.

Perspectives

À l'avenir, cet événement servira probablement de point de bascule dans l'éthique et la réglementation de l'IA. Nous pouvons nous attendre à une pression accrue sur les fournisseurs de données pour qu'ils mettent en œuvre des pratiques de sourcing transparentes. L'industrie pourrait évoluer vers l'établissement de systèmes de « lignée des données », où l'origine de chaque point de données est suivie et vérifiée. Cela aiderait à prévenir l'utilisation de données obtenues illégalement ou compromises éthiquement. En outre, des précédents juridiques pourraient émerger pour définir la responsabilité des entreprises d'IA pour la destruction de propriétés physiques lors de la collecte de données.

L'industrie de l'IA doit également explorer des alternatives durables pour l'acquisition de données. Cela pourrait impliquer des partenariats formels avec les bibliothèques et les archives, où la numérisation est menée avec l'objectif explicite de préservation, et non de destruction. Des technologies de numérisation non invasives peuvent être utilisées pour créer des copies numériques sans manipuler ou endommager les objets physiques. De plus, des lignes directrices éthiques pourraient être développées pour régir l'utilisation des matériaux rares et sensibles, garantissant que le patrimoine culturel est respecté et protégé.

Enfin, la nature mondiale de la chaîne d'approvisionnement en données d'IA signifie que cette question résonnera probablement au-delà de l'Australie. Si d'autres pays assistent à des pratiques similaires, des efforts internationaux coordonnés pourraient voir le jour pour réglementer le sourcing des données. Des accords transfrontaliers pourraient être établis pour protéger le patrimoine culturel contre l'exploitation numérique. Le défi clé sera d'équilibrer le besoin de données à grande échelle avec l'impératif de préserver l'histoire humaine. L'industrie doit reconnaître que les données ne sont pas une ressource infinie ; elles sont dérivées du monde physique, et leur extraction a des conséquences réelles.