Aller au contenu

IA

Amazon a commencé par vendre des livres. Il les guillotine pour l'IA

Selon 404 Media, Amazon achète des livres rares, tranche le dos et scanne les pages pour nourrir ses modèles de langage. Un traceur caché dans un volume a mené à un site de Las Vegas orné d'un logo de dinosaure.

Photo de couverture : Asivechowdhury / CC BY-SA 4.0

TL;DR

  1. 404 Media a suivi un livre rare jusqu'au site VGT3 d'Amazon, à Las Vegas.
  2. On coupe le dos, on scanne les pages, et le texte nourrit l'entraînement des IA d'Amazon.
  3. Les textes d'avant 2022 sont très recherchés : aucun LLM n'a pu les écrire.

Ce qui s'est passé

Selon 404 Media, Amazon achète de grandes quantités de livres rares, coupe leur dos et scanne les pages pour produire des données d'entraînement pour ses modèles d'IA. Le média a caché un traceur dans un livre rare, et le bouquin a fini dans un site Amazon à Las Vegas.

Le site s'appelle VGT3. Son logo : un dinosaure qui serre un livre. On n'a rien inventé, et franchement, on n'aurait pas osé.

La réponse d'Amazon à 404 Media tient en peu de mots. L'entreprise affirme acheter ses livres par les circuits commerciaux habituels pour améliorer ses produits et services. Elle n'a pas démenti la pratique, et les collectionneurs se demandent combien d'exemplaires rares finissent dans un scanner plutôt que sur une étagère.

Pourquoi ça compte

Les modèles de langage ont une faim de loup, et l'internet ouvert est à court de restes. D'après le résumé de TechCrunch, des entreprises comme Amazon ont besoin d'énormes volumes de texte, et leurs LLM ont déjà avalé tout ce qu'ils pouvaient trouver en ligne. Dans le cas d'Anthropic, cela aurait inclus des livres piratés.

La chasse se déplace donc hors ligne. Les livres rares et épuisés sont introuvables sur internet, ce qui en fait une source fraîche de données d'entraînement très convoitées.

Il y a aussi un angle qualité. Tout ce qui a été publié avant 2022 ne peut pas avoir été écrit par un LLM. Ça compte, car entraîner un modèle sur du texte généré par IA fait courir le risque d'un « effondrement de modèle » (model collapse) : la qualité des sorties se dégrade quand le modèle ingère trop de contenu écrit par des machines.

Le vieux papier est devenu une chaîne d'approvisionnement en données propres.

Le point qui gratte, c'est la destruction. Couper le dos, c'est la méthode pour scanner vite, et le résultat est un objet rare qui n'est plus un livre. Les reportages parlent d'achats par les circuits commerciaux habituels : le débat porte donc moins sur la légalité que sur ce qu'on accepte de passer à la déchiqueteuse pour un modèle.

L'histoire repose sur une enquête fiable et une brève déclaration d'Amazon. Les détails sur l'ampleur de l'opération et les titres concernés restent minces.

Qu'est-ce que tu en fais

  • Suis la piste des données.Quand un éditeur vante son nouveau modèle, demande d'où vient le texte d'entraînement et si quelqu'un a demandé l'avis des propriétaires.
  • Valorise tes archives.Si tu possèdes du contenu épuisé ou antérieur à 2022, sache que le texte humain « propre » séduit désormais vraiment les bâtisseurs d'IA.
  • Garde un œil sur la bataille des sources.La provenance des données devient l'argument central autour de l'entraînement des IA : regarde comment les entreprises y répondent.
  • Réfléchis avant de vendre.Si tu fais dans le livre rare, vérifie ce que l'acheteur compte en faire avant que le dos ne saute.

Ciao, sapiens. Fais un câlin à ton poche pendant qu'il a encore un dos.