Les entreprises IA achètent des quantités considérables de livres anciens car ils ne contiennent pas d'AI Slop, Anthropic a embauché un ancien ingénieur de Google Books pour diriger un projet de numérisation

Anthropic et Google achètent en gros des livres publiés avant 2022 pour éviter les « déchets d’IA ». ISBNdb sert d’intermédiaire pour des commandes en gros de livres imprimés destinées aux laboratoires d’IA, allant de 1 000 à 1 million d’ouvrages par contrat, dans le cadre d’accords de confidentialité stricts. Des documents judiciaires révèlent qu’Anthropic a embauché Tom Harvey, un ancien ingénieur de Google Books, pour diriger un projet de numérisation visant à intégrer des millions de livres. Le juge William Alsup a statué que la destruction des exemplaires papier lors de la numérisation constituait un « usage loyal clairement transformatif », offrant ainsi une protection juridique aux acheteurs.

La juge fédérale de district Araceli Martínez-Olguín a récemment donné son accord définitif au règlement de 1,5 milliard de dollars conclu par Anthropic avec un groupe d’auteurs, mettant ainsi fin au plus grand recours collectif en matière de droits d’auteur de l’histoire des États-Unis. Cependant, tous les auteurs n’ont pas accepté les conditions, certains estimant que l’indemnité d’environ 3 000 dollars par œuvre était inférieure à ce qu’ils auraient pu obtenir devant les tribunaux, tandis que d’autres s’opposaient au montant des honoraires d’avocat initialement demandés. Au final, seuls 350 auteurs ont réussi à se retirer avant cette date limite, choisissant plutôt d’intenter des actions en justice indépendantes et distinctes contre Anthropic, qui sont toujours en cours.

Dans le même temps, un rapport a révélé l’étrange facette du marché des données d’entraînement : les entreprises d’IA dépensent de l’argent pour acquérir des livres imprimés d’occasion publiés avant 2022, car il s’agit désormais du plus grand corpus de textes écrits par des humains qui soit encore exempt de contamination. 404 Media rapporte qu’ISBNdb, qui gère une vaste base de données de livres, s’est lancé dans le courtage de commandes groupées de livres imprimés pour des laboratoires d’IA, allant de 1 000 à 1 million d’exemplaires à la fois, dans le cadre d’accords de confidentialité stricts.

L’argumentaire est sans détour. Les livres imprimés de l’ère pré-LLM sont, selon les propres termes d’ISBNdb, « structurellement garantis d’être exempts de cette contamination » par des textes générés par l’IA, et cela importe car les modèles entraînés sur des sorties de modèles se dégradent. Les données issues du web scraping sont de plus en plus polluées par du contenu généré, et la crainte d’un effondrement des modèles est suffisamment réelle pour que l’achat de livres d’occasion soit devenu une ligne d’approvisionnement à part entière.


Anthropic est le nom le plus en vue. Des documents internes issus de son procès pour violation du droit d’auteur ont révélé que l’entreprise prévoyait d’acquérir et de numériser des millions de livres, qu’elle avait embauché Tom Harvey, ancien collaborateur de Google Books, pour diriger ce projet, qu’elle avait acheté des stocks auprès de Better World Books et qu’elle avait fait appel à Datamation pour des numérisations à la fois destructives et non destructives.

De son côté, Google a été poursuivi par des éditeurs pour avoir entraîné Gemini à partir de livres protégés par le droit d’auteur. Le juge William Alsup a déjà statué que la destruction d’un exemplaire imprimé lors de la numérisation constituait un usage loyal « clairement transformatif », ce qui sert désormais de couverture juridique au reste du secteur. ISBNdb reconnaît ouvertement le problème d’image : « Le problème d’image est réel. “Une entreprise d’IA détruit deux millions de livres” n’est pas un titre qui suscite la sympathie. »

Il convient toutefois de préciser que les chiffres les plus précis proviennent ici du service marketing d’ISBNdb lui-même et d’un libraire professionnel qui a déclaré à 404 Media qu’il écoulait « des centaines de livres par semaine » depuis avril, contre une vingtaine auparavant. Considérez ces chiffres comme des estimations, et non comme des données définitives. Ce que ce reportage ne précise pas, c’est le montant d’argent échangé par livre, si une partie de cet argent revient aux auteurs d’ouvrages de fond de catalogue à faible tirage, ni dans quelle mesure la décision du juge Alsup s’étend de la configuration de numérisation spécifique d’Anthropic à l’ensemble du circuit de l’occasion.

Ce qui est prometteur, c’est de savoir qui prend soudainement de l’importance. Les places de marché de livres d’occasion, les éditeurs de fonds obscurs et toute personne détenant des ouvrages antérieurs à 2022 dont la provenance a été vérifiée disposent désormais d’un réel pouvoir de négociation. C’est la sélection, et non l’échelle, qui constitue la ressource rare. Au cœur d’un débat brûlant entre innovation technologique et respect des droits de propriété intellectuelle, nombre d’entreprises d’intelligence artificielle (IA) avancent que « le respect du droit d’auteur est impossible » dans leurs processus de formation. Pourtant, en juin 2025, une équipe de chercheurs a relevé le défi... et semble avoir prouvé le contraire.

Sources : Anthropic, 404 Media

Et vous ?

Pensez-vous que ce rapport est crédible ou pertinent ?
Quel est votre avis sur le sujet ?

Voir aussi :

Anthropic a acheté, découpé et numérisé des millions de livres physiques avant de détruire les originaux, dans le seul but d'entraîner son IA Claude. Il a également téléchargé 7 millions de livres piratés

ChatGPT, Claude, Gemini : Les IA peuvent générer des copies quasi mot pour mot de romans à partir de données d'entraînement selon une étude qui contredit trois ans de défense juridique des géants de l'IA

Les modèles d'IA s'effondrent lorsqu'ils sont formés sur des données générées récursivement, si bien qu'il sera plus difficile de former les futurs LLM, car ils seront empoisonnés par le contenu créé par l'IA