Alors que les sociétés d’IA détruisent des livres, d’autres les sauvent pour la postérité

Les sociétés d’intelligence artificielle (IA) convoitent les vieux livres de la même façon que les fabricants d’appareils de mesure sensibles convoitent l’acier pré-1945, l’année où les radionucléides ont commencé à polluer l’atmosphère.

Dans le monde de l’IA, l’année butoir est 2022, lorsque s’est produite l’explosion de l’intelligence artificielle générative: dès cette date, tout le contenu publié est considéré comme potentiellement pollué.

Ainsi, et pour comprendre pourquoi des entreprises d’IA se mettent aujourd’hui à acheter des livres par millions, il faut savoir que le livre imprimé constitue l’une de leurs matières premières les plus précieuses. En effet, un LLM (large language model, ou grand modèle de langage) ne naît pas seulement de processeurs et d’électricité; il se construit aussi et surtout à partir de quantités gigantesques de langage humain, nécessaires à leur entraînement. Or tous les textes ne se valent pas.

Tout d’abord, un livre est généralement beaucoup plus dense, structuré et longuement élaboré que le contenu moyen disponible sur Internet; cela le rend très intéressant pour des modèles capables d’absorber des disciplines entières, leurs concepts, leur vocabulaire et les relations complexes entre les idées.

Mais les vieux livres, et plus particulièrement les ouvrages imprimés avant 2022, possèdent une qualité supplémentaire que l’on ne pourra jamais leur ajouter artificiellement: ils sont antérieurs à l’avènement de ChatGPT et de ses concurrents. Depuis lors, le Web se remplit de textes écrits, réécrits, traduits, résumés ou augmentés par des machines. Les LLM risquent donc de plus en plus d’être entraînés sur du contenu lui-même généré par de l’IA, ce qui cause une boucle de rétroaction susceptible de reproduire les mêmes biais, d’appauvrir certaines distributions statistiques, et donc de dégrader la qualité des modèles.

À cette contamination involontaire s’ajoute également une contamination délibérée: des auteurs et éditeurs emploient des techniques de data poisoning, destinées à rendre les données publiées en ligne trompeuses ou toxiques pour les systèmes qui tentent de les absorber clandestinement.

Ainsi, les textes antérieurs à l’explosion de l’IA générative constituent une sorte de « low-background steel » informationnel: une réserve finie de langage humain dont on peut établir qu’il ne résulte pas du recyclage de productions de LLM. Cette qualité est irréversible; on peut écrire demain un excellent livre, il demeurera toutefois très difficile de prouver qu’aucune machine n’a participé à sa rédaction. Un volume daté de 1987 apporte cette preuve par sa simple existence matérielle.

C’est ce qui explique que le papier, que l’on croyait condamné par le numérique, devienne soudain un actif stratégique pour l’industrie la plus avancée du numérique.

ISBNdb dit les choses clairement

Dans son argumentaire commercial, la société ISBNdb, qui se présente comme exploitant « la plus grande base de données de livres au monde », résume, par son slogan commercial, cet état de fait: « les meilleures données d’entraînement pour l’IA au monde dorment sur une étagère ».

Selon cette société, qui se spécialise dans la vente de données d’entraînement pour l’IA, les livres constituent un réservoir de connaissances humaines spécialisées, éditées et structurées d’une manière qu’aucun indexeur Web ne peut reproduire. Elle présente explicitement les livres de l’ère pré-LLM comme structurellement exempts de cette contamination moderne.

Dans un article publié sur son site, ISBNdb explique que les livres imprimés parus avant 2022 constituent des données d’entraînement idéales pour l’IA, car ils ne contiennent pas de texte généré par l’IA.

Comme le souligne à juste titre l’article, une grande partie des données que les entreprises spécialisées dans l’IA peuvent aujourd’hui extraire d’Internet est susceptible de contenir du texte généré par l’IA, ce qui pourrait entraîner un « effondrement du modèle », processus par lequel les modèles d’IA entraînés à partir de données générées par l’IA aboutissent à des modèles de moins bonne qualité et plus sujets aux erreurs.

L’article souligne également que les auteurs de livres qui s’opposent à ce que leurs écrits soient récupérés à des fins d’entraînement peuvent désormais facilement « empoisonner » les modèles d’IA en produisant des textes conçus pour manipuler et saboter les modèles d’IA ainsi obtenus.

« Les livres imprimés de l’ère pré-LLM sont, de par leur structure même, garantis d’être exempts de cette contamination. Cela constitue à lui seul un avantage significatif […] Les livres physiques publiés avant cette date [avant 2022] sont, de par leur structure même, exempts des outils modernes d’empoisonnement. »

– Source: 404 Media, 21 juillet 2026

Or voici le problème principal: la méthode la plus rapide et la moins coûteuse de numérisation d’un livre, celle justement que les sociétés comme ISBNdb emploient, nécessite d’en supprimer la reliure, passer la tranche au massicot, transformer le volume en une pile de feuilles et alimenter un scanner automatique. Le fichier numérique survit; le livre, lui, est irrémédiablement détruit.

La société ISBNdb, dont le programme d’acquisition de livres se monte à plusieurs millions d’exemplaires reconnaît elle-même le caractère explosif du procédé. « Le problème d’image est réel », prévenait son site. « Une entreprise d’IA qui détruit deux millions de livres n’est guère source de sympathie », affirmait-elle ouvertement, tout en promettant à ses clients une stricte confidentialité.

Après les révélations de 404 Media et les réactions qu’elles provoquèrent, les pages d’ISBNdb consacrées à ce service disparurent. Interrogée par The Atlantic, puis par d’autres médias, l’entreprise finit par prétendre qu’elle n’avait jamais acheté, scanné ou détruit un seul livre pour entraîner une IA, et que l’offre présentée sur son site n’avait été « qu’une manière de tester la demande » pour un service qui, selon ses déclarations, « n’aurait jamais été effectivement lancé ».

Que ces dernières affirmations soient véridiques ou pas, il n’en demeure pas moins que le problème est réel, et que l’argumentaire commercial de cette société révélait un troublant état de fait qui dépasse largement le cas ISBNdb. L’épisode a mis en lumière la valeur nouvelle attribuée au vieux papier, et le danger pesant sur lui.

Voilà donc pourquoi les rayonnages poussiéreux, les fonds de libraires d’occasion, les livres étrangers à faible tirage et les ouvrages épuisés intéressent soudain des entreprises disposant de milliards de dollars de capital. Leur valeur ne tient plus seulement à ce qu’ils racontent; elle tient aussi à leur provenance; ils viennent d’un monde antérieur aux LLM; leurs phrases ont été produites par des humains, sélectionnées, organisées et figées avant que la production industrielle de texte synthétique ne vienne brouiller cette distinction.

Comme l’acier d’avant 1945, cette matière première est finie: on peut la consommer, la numériser et la détruire, mais on ne pourra jamais en fabriquer davantage.

Du livre au fichier: une opération parfois irréversible

La numérisation des livres n’a pas attendu l’intelligence artificielle. Elle appartient à une histoire déjà longue, qui remonte aux premières bibliothèques numériques et, plus loin encore, aux projets de conservation sur microfilm. Project Gutenberg a commencé par exemple dès 1971. Google rêvait quant à elle, dès les années 1990, d’une bibliothèque intégralement indexable, et affirme aujourd’hui avoir rendu découvrables plus de 40 millions de livres en plus de 400 langues.

Cette numérisation n’est d’ailleurs pas nécessairement destructrice; dans les programmes patrimoniaux bien conduits, le livre est photographié page après page sans être dérelié. Bibliothèque et Archives Canada utilise par exemple le « Scribe » conçu par Internet Archive: l’ouvrage repose sous une plaque de verre ouverte à 110 degrés afin de limiter les contraintes sur la reliure, tandis que deux appareils photographient simultanément les pages.

Mais il existe une autre méthode qui, comme expliqué précédemment, est infiniment plus rapide lorsqu’il faut traiter des masses de papier, et qui aboutit à la destruction des livres; les spécialistes de la conservation connaissent ce problème depuis longtemps. Et justement, l’avènement des LLMs, et de cette nouvelle pression financière pour produire, toujours plus rapidement, des modèles toujours plus performants, a amplifié le problème.

Un cas avéré de destruction de livres à grande échelle est celui de la société Anthropic (éditrice de Claude, un des modèles d’IA les plus utilisés au monde). En juin 2025, le média américain Ars Technica révélait ce qui suit:

Des documents judiciaires ont révélé que la société d’IA Anthropic a dépensé des millions de dollars pour numériser physiquement des livres imprimés afin de développer Claude, un assistant IA similaire à ChatGPT. Ce faisant, l’entreprise a découpé des millions de livres imprimés de leur reliure, les a numérisés pour en faire des fichiers numériques, puis a jeté les originaux dans le seul but d’entraîner l’IA.

Cette décision judiciaire de 32 pages raconte comment, en février 2024, l’entreprise a embauché Tom Turvey, l’ancien responsable des partenariats du projet de numérisation de livres Google Books, et l’a chargé de se procurer « tous les livres du monde ». […]

Si la numérisation destructive est une pratique courante dans certaines opérations de numérisation de livres, l’approche d’Anthropic était quelque peu inhabituelle en raison de son ampleur considérable, attestée par des documents. […] Pour Anthropic, la rapidité et le faible coût du procédé destructif semblent avoir pris le pas sur la nécessité de préserver les livres physiques eux-mêmes, ce qui laisse entrevoir le besoin d’une solution simple et peu coûteuse dans un secteur hautement concurrentiel. […]

En fin de compte, le juge William Alsup a estimé que cette opération de numérisation destructrice relevait de l’usage loyal – mais uniquement parce qu’Anthropic avait préalablement acheté les livres en toute légalité, détruit chaque exemplaire papier après la numérisation et conservé les fichiers numériques en interne plutôt que de les diffuser.

De nouveau, il ne s’agit probablement là que de la pointe de l’iceberg; en août 2026 par exemple, 404 Media a placé un dispositif de suivi dans un lot de livres que son vendeur soupçonnait d’avoir été acheté pour l’entraînement d’une IA. Ses soupçons se sont avérés lorsque le colis a terminé son voyage dans un site Amazon à Las Vegas.

Un salarié de ce centre a en effet révélé à 404 Media que les milliers d’ouvrages reçus ont d’abord été triés, puis privés de leur dos à la machine et enfin passés dans une vingtaine de scanners rapides; après numérisation, les feuilles ont été jetées en vrac dans de grands conteneurs, rendant impossible toute reconstitution.

Les arrivages comprenaient livres neufs, occasions, fonds liquidés par des bibliothèques, documents administratifs et ouvrages dans de nombreuses langues. Le témoin a dit avoir vu des titres assez obscurs pour lui paraître rares.

Combien de volumes ont ainsi disparu à ce jour? Il n’existe aucun chiffre mondial sérieux. Pour Anthropic seulement, la justice parle de millions d’exemplaires physiques détruits. Pour l’installation décrite par 404 Media, l’enquête parle de milliers de livres, sans permettre d’extrapoler le volume total traité.

La nouveauté n’est donc pas la numérisation elle-même: c’est qu’un marché avide de textes humains transforme désormais certains livres physiques en consommables industriels.

Le phénomène des librairies dites « fantômes »

La procédure judiciaire susmentionnée contre Anthropic a révélé l’autre versant de cette avidité des sociétés d’IA pour les livres: en 2021, la société avait téléchargé au moins cinq millions de livres depuis la Library Genesis (LibGen), puis au moins deux millions supplémentaires depuis Pirate Library Mirror, une autre librairie en ligne recueillant des ouvrages « piratés ».

Anthropic n’est pas une exception en la matière; une ordonnance fédérale américaine de 2026 indique qu’en 2018 un employé d’OpenAI avait téléchargé des livres depuis LibGen et que ces fichiers avaient servi à entraîner GPT-3 et GPT-3.5.

Chez Meta, le dossier judiciaire est tout aussi explicite: la société propriétaire de Facebook téléchargea LibGen en octobre 2022 et en utilisa les livres pour entraîner son LLM Llama. En 2024, elle téléchargea de surcroît la Anna’s Archive, agrégateur comprenant notamment LibGen et Z-Library.

Que penser donc de ces librairies fantômes recensant des millions d’ouvrages, dépourvues de mécanismes d’imposition de « copyright », et contre lesquelles les grands conglomérats et cartels de l’édition mènent une guerre acharnée? Si la Library Genesis est suffisamment précieuse pour aider à produire des systèmes valant des dizaines ou centaines de milliards de dollars, alors l’utilité publique d’une telle concentration de textes ne mérite-t-elle pas d’être prise au sérieux?

La bibliothèque qui refuse de brûler

Ce tableau serait trompeur s’il conduisait à conclure que le fichier numérique est l’ennemi naturel du livre.

Le contraire est souvent vrai, car le papier est local; il brûle, moisit, se perd, se fait pilonner, disparaît des catalogues, devient hors de prix ou demeure enfermé dans une bibliothèque située à plusieurs milliers de kilomètres de son lecteur potentiel. Un fichier correctement reproduit peut en revanche traverser les frontières sans contrainte, exister simultanément à des milliers d’endroits, et le cas échéant être imprimé localement et à la demande.

Project Gutenberg en fournit la version la moins controversée: plus de 75’000 livres peuvent aujourd’hui y être lus et copiés gratuitement grâce à des décennies de travail bénévole. Open Library, projet d’Internet Archive, réunit plus de 20 millions de notices bibliographiques et donne accès, selon les éditions et leur statut, à une immense collection de livres numérisés.

LibGen et Anna’s Archive poussent cette logique beaucoup plus loin. Ces collections font l’objet de plus de contentieux, sans doute parce que leur rôle dans la libre diffusion d’idées et la prolifération de connaissances est sans équivalent. Ces deux collections ont rendu consultables des pans gigantesques de la production intellectuelle mondiale qui, sans elles, seraient restés dispersés entre librairies d’occasion, dépôts universitaires, collections privées et fonds géographiquement inaccessibles.

Anna’s Archive formulait en 2024 sa philosophie en termes de « preservation through multiplication » (préservation par la multiplication). Cela signifie préserver non pas en enfermant un exemplaire dans un coffre mais en multipliant les copies en format ouvert de telle sorte que la disparition d’un exemplaire ou d’une institution ne suffise plus à détruire la connaissance. Sa collection approchait alors le pétaoctet et était distribuée via le protocole BitTorrent, de façon à permettre cette redondance géographique; et à l’heure actuelle, alors que les gros conglomérats de l’édition ont à peu près réussi à éliminer LibGen, la Anna’s Archive (avec ses 70 millions de livres et 150 millions d’articles scientifiques) réussit à survivre et à poursuivre sa mission au service de l’humanité.

Il y a là une ironie historique difficile à ignorer: les bibliothèques « illégales » que plusieurs groupes d’intelligence artificielle ont exploitées sont en même temps accessibles à des chercheurs, étudiants et lecteurs qui n’auraient jamais les moyens financiers ou matériels de réunir une telle bibliothèque – alors que les livres protégés par le « copyright » que lesdites entreprises, à coups de millions, achètent pour les numériser sont presque toujours détruits après coup.

Qui conserve le fichier, et qui peut le lire?

La question essentielle n’est donc pas: « faut-il numériser les livres? » mais plutôt: « que devient le savoir après la numérisation? »

Prenons deux livres identiques: dans le premier scénario, un exemplaire est photographié avec précaution. Le fichier complet est conservé dans des formats documentés, accompagné de ses métadonnées, répliqué à plusieurs endroits et rendu aussi accessible que son statut juridique (et/ou la menace de violence) le permet. Le livre physique demeure sur son étagère; on dispose désormais de deux objets au lieu d’un.

Dans le second scénario, on achète l’exemplaire, on tranche sa reliure, on le réduit en feuilles, on en extrait un fichier et on détruit le papier. Le fichier rejoint ensuite un dépôt privé inaccessible au public, dont des fragments ou des représentations statistiques sont absorbés par un modèle commercial. On disposait auparavant d’un objet consultable; on possède désormais une donnée privée.

Techniquement, ces deux opérations portent le même nom: numérisation. Culturellement, elles sont presque opposées.

La qualité de l’archive compte également: un LLM n’est pas une bibliothèque. Il peut intégrer des régularités, des faits et des formes rencontrés durant son entraînement, mais il ne remplace ni la page originale ni la possibilité de vérifier le texte dans son contexte. Une société qui détruirait l’original tout en ne donnant accès qu’à un modèle entraîné sur celui-ci ne conserverait donc pas pleinement le livre; elle conserverait seulement une transformation.

La numérisation qui sert réellement la mémoire collective suppose ainsi plusieurs propriétés: fidélité de la copie, conservation du document intégral, possibilité d’exporter librement les données, formats ouverts, redondance géographique et absence d’un point unique de contrôle. Le modèle le plus robuste n’est donc pas celui d’un serveur central très bien protégé, mais celui où suffisamment de copies indépendantes existent pour qu’aucune faillite, décision administrative, acquisition commerciale, changement de politique, ou exercice de pouvoir ne puisse effacer l’ensemble.

Autrement dit: le problème n’est pas que le papier devienne nombre. Le problème commence lorsque l’objet public devient donnée privée et que, dans la transformation, aucune copie indépendante ne demeure.

De l’autodafé au massicot

L’autodafé historique est un geste de pouvoir explicite: on brûle un ouvrage parce qu’on veut empêcher la circulation des idées qu’il contient. Le spectacle de la destruction fait partie du message: non seulement l’idée doit disparaître, mais son élimination doit être vue.

Parfois, ce n’est pas un élément de connaissance précis que le pouvoir souhaite éliminer, mais la connaissance dans son ensemble; un peuple maintenu dans l’ignorance est un peuple servile. C’est l’idée des bibliothèques et des codex qui brûlent, des scientifiques qu’on assassine, des innovations qu’on freine, et de la libre circulation d’idées qu’on empêche. L’asymétrie d’accès à la connaissance est certainement une des plus grandes injustices qui soient, et ce n’est peut-être pas qu’une coïncidence si les mots « livre » et « libre » sont essentiellement les mêmes.

Si on évite de spéculer sur l’intention des sociétés d’IA qui détruisent des livres, et qu’on examine le résultat matériel de leur démarche, on peut donc dresser un parallèle historique. Une IA qui absorbe la substance d’un livre, et le détruit juste après, empêche à ses concurrents d’absorber la substance du même exemplaire et, en rendant le livre plus rare, augmente la valeur du contenu absorbé. Il s’agit de profiter, encore une fois, de l’asymétrie d’accès à la connaissance.

Il existe aujourd’hui de nombreux livres rares dont la disponibilité n’est garantie que parce qu’ils ont été numérisés un jour. Au-delà des exemples les plus connus de livres qui ont subi la censure moderne (comme Operation Dark Heart, Spycatcher, Cult of Intelligence ou By Way of Deception qui ont révélé des secrets embarrassants pour certaines agences de renseignement), il est d’autres cas d’ouvrages encore plus dérangeants; ainsi, et pour ne donner que deux exemples au hasard, des livres comme Hebrew is Greek (Joseph E. Yahuda) ou 51 Documents (Lenni Brenner), qui malgré leur rigueur intellectuelle, leur intérêt et leur pertinence historique ne sont plus édités et coûtent des milliers de dollars d’occasion, sont pourtant immédiatement disponibles en PDF à qui saurait les chercher.

En deux mots: la meilleure assurance contre la disparition d’une idée reste donc la multiplicité des exemplaires, et à cet égard la numérisation comporte un avantage flagrant. De surcroît, sauver un livre ne signifie pas déclarer vraies les propositions qu’il contient, mais permettre aux générations suivantes de les lire, de les vérifier, de les réfuter ou de les reprendre. Une idée hétérodoxe n’a pas besoin d’être incontestée pour mériter de ne pas disparaître.

C’est peut-être la contribution la plus précieuse de la numérisation: elle dissocie la rareté matérielle de la rareté intellectuelle. Un livre peut rester rarissime en première édition et devenir presque indestructible comme ensemble d’idées.

Participer à la prolifération

Même si le « livre » et le « libre » ne sont pas frères par le sang des mots, l’histoire n’a cessé de les rapprocher.

Savoir qu’un texte existe quelque part n’est pas encore pouvoir le lire; savoir qu’une preuve existe sans pouvoir la consulter n’est pas encore pouvoir la vérifier; posséder une bibliothèque sans pouvoir la copier revient à confier sa survie à son gardien.

L’une des grandes asymétries de toutes les civilisations a toujours été celle de l’accès au savoir: entre celui qui possède les archives et celui qui doit croire ce qu’on lui en raconte; entre celui qui peut lire la source et celui qui ne reçoit que son résumé; entre celui qui peut reproduire l’information et celui qui dépend d’un exemplaire qu’on peut lui retirer.

La numérisation n’abolit pas cette asymétrie; elle peut même l’aggraver.

Un million de livres détruits pour alimenter une bibliothèque privée ne constituent pas un progrès par rapport à un million de livres dispersés dans des bibliothèques physiques; l’humanité peut gagner une intelligence artificielle et perdre simultanément une partie de sa mémoire directement consultable.

Mais la même technologie permet aussi le mouvement exactement contraire. Un ouvrage photographié une fois peut être copié dix mille fois; un texte oublié peut réapparaître; une édition épuisée peut redevenir lisible; une bibliothèque détruite peut subsister sur plusieurs continents. Un interdit local peut devenir techniquement incapable de redevenir universel.

Le fichier numérique est donc moins le contraire du livre que son multiplicateur. Tout dépend de la direction dans laquelle ce multiplicateur est orienté.

Lorsque la numérisation concentre, enferme et remplace l’original par une ressource privée, elle peut réduire le patrimoine commun. Lorsqu’elle préserve, réplique et rend le texte accessible, elle accomplit quelque chose que le livre physique, malgré toutes ses qualités, n’avait jamais pu réaliser à cette échelle: faire qu’un même exemplaire puisse être ici, là-bas et ailleurs en même temps.

L’enjeu n’est donc pas de choisir entre papier et données: il est de faire en sorte que la transformation du premier en secondes n’aboutisse jamais à ceci: moins d’exemplaires, moins de lecteurs et davantage de gardiens.

Car un livre vraiment sauvé n’est pas seulement un livre qui existe encore, c’est un livre que quelqu’un pourra encore consulter; et à cet égard, il est bon de savoir que chacun peut désormais contribuer à la prolifération de la connaissance et donc à l’émancipation de l’humanité.