Amazon commence à détruire des livres pour l'entraînement de l'IA face à la pénurie de données

Alors que l'Internet ouvert devient de plus en plus difficile à utiliser pour fournir des textes de haute qualité suffisamment rares, fiables et non contaminés par des contenus générés par l'IA, les anciens livres passent de biens culturels à des matières premières de données pour l'ère de l'IA.

Auteur et source de l'article : 0x9999in1, ME News



• Ce n'est pas simplement une nouvelle du type « Amazon détruit des livres ». Le signal plus important est que, lorsque l'Internet ouvert devient de plus en plus difficile à utiliser pour obtenir des textes de haute qualité suffisamment rares, fiables et non pollués par du contenu généré par l'IA, les livres anciens passent de biens culturels à matières premières pour l'IA.
• Une commande d'environ 1000 livres suivie par 404 Media a fini dans l'entrepôt LAS8 de Amazon à North Las Vegas ; les employés ont déclaré que l'équipe VGT3 couperait les dos des livres et numériserait les pages, ce qui entraînerait la destruction des exemplaires papier. Amazon a confirmé qu'il achète des livres via des canaux commerciaux pour améliorer ses produits et services, mais n'a pas divulgué la taille du projet, sa date de démarrage, ses utilisations précises, ni répondu s'il exclut les éditions rares ou rares avant destruction.
• « Acheter d'abord un livre papier, puis effectuer une numérisation destructive » comporte un autre contexte réel : dans l'affaire Bartz c. Anthropic de 2025, la cour fédérale de district américaine a reconnu l'utilisation légitime de la numérisation one-to-one d'ouvrages papier légalement achetés, tout en distinguant clairement l'achat légitime de la récupération piratée. En juillet 2026, le litige collectif de droit d'auteur impliquant Anthropic concernant des sources piratées a été définitivement approuvé avec un règlement de 1,5 milliard de dollars. Les sources de données passent progressivement d'un problème technique à un problème de bilan.
• Il n'est pas étonnant qu'Amazon entre en scène maintenant. L'entreprise prévoit des dépenses en capital d'environ 200 milliards de dollars en 2026, avec l'IA comme domaine d'investissement prioritaire ; les ventes d'AWS au deuxième trimestre de cette année ont augmenté de 37 % pour atteindre 42,2 milliards de dollars. La puissance de calcul continue de s'étendre de manière frénétique, mais la valeur marginale des données de haute qualité augmente également.
• Ce qu'il faut vraiment craindre, ce n'est pas les actions de « démolition » en elles-mêmes, mais un système d'achat et de destruction manquant de transparence : les livres d'occasion peuvent être réimprimés et rachetés, mais certains ouvrages épuisés, les éditions annotées, les publications locales et les textes rares pourraient ne jamais être récupérés. Une fois que le mécanisme de sélection n'existe plus, les entreprises d'IA obtiennent des données, tandis que la société perd peut-être des enregistrements physiques irréversibles.

La scène la plus frappante de cette histoire est bien sûr cruelle : un livre dont la reliure est coupée, les pages envoyées dans un appareil de numérisation, et l'ouvrage original n'existe plus. Encore plus dramatique : l'entreprise qui effectue cette opération est Amazon — cette même Amazon qui, en 1995, a commencé à vendre des livres en ligne. Trente ans plus tard, elle rachète à nouveau des livres en grande quantité, mais cette fois-ci, les livres ne sont pas nécessairement destinés aux lecteurs, ils sont transformés en données que les machines peuvent ingérer.

Selon une enquête publiée le 17 août par 404 Media, le journaliste Emanuel Maiberg a collaboré avec un libraire ayant reçu une grande commande via Biblio pour insérer un AirTag dans l'un des environ 1 000 livres. Le traceur a été suivi jusqu'au entrepôt LAS8 d'Amazon à North Las Vegas. Selon des employés travaillant sur place cités dans l'article, une équipe nommée VGT3 est chargée de recevoir de grandes quantités de livres papier, de les démonter rapidement, de les scanner, et de les détruire au cours du processus. Amazon a confirmé à Inc. qu'elle « achète des livres via des canaux commerciaux pour aider à développer et améliorer les produits et services utilisés par les clients », mais n'a pas répondu quant à la quantité exacte achetée, à la date de démarrage du projet, aux produits dans lesquels les données sont intégrées, ni à la manière dont les éditions rares ou rares sont exclues à l'avance.

Plus remarquable encore, cette piste n’est pas apparue soudainement hier. Inc. a découvert qu’ dès septembre 2024, des vendeurs sur le forum Amazon avaient signalé de nombreux ordres de livres expédiés à LAS8 : certains ont rencontré un seul acheteur passant 68 commandes en une seule fois, d’autres ont reçu 48 commandes concentrées en pleine nuit, toutes portant sur des livres d’éditeurs universitaires, et d’autres vendeurs ont indiqué que le même compte achetait presque quotidiennement des livres. Le représentant du forum Amazon avait alors confirmé que ces commandes étaient valides, mais Amazon ne précise pas actuellement si ces commandes sont liées à VGT3.

Mon jugement est que ce qui mérite vraiment attention dans cette affaire, ce n'est pas l'impact émotionnel de « des géants technologiques qui détruisent des livres », mais le fait qu'elle révèle une réévaluation des ressources dans l'industrie de l'IA : ces dernières années, les ressources les plus rares étaient les GPU, les centres de données, l'électricité et le capital ; aujourd'hui, les textes humains de haute qualité, traçables et autant que possible exempts de contamination par du contenu généré par l'IA, commencent également à être réévalués.

Le marché des livres d'occasion s'est soudainement retrouvé impliqué dans la chaîne d'approvisionnement de l'IA, ce qui n'est pas une parenthèse absurde de l'ère de la nostalgie, mais une étape naturelle et impitoyable après l'industrialisation des grands modèles.

L'Internet semble infini, mais les données véritablement adaptées à l'entraînement de modèles de pointe ne le sont pas.

Epoch AI a estimé dans sa recherche de 2024 que, après ajustement pour la qualité et la répétition, le stock effectif de texte humain public disponible pour l'entraînement s'élève à environ 300 billions de tokens ; si la tendance de croissance de la taille des données observée à cette époque se poursuit, ce stock pourrait être entièrement exploité entre 2026 et 2032. Cette prédiction n'est pas un compte à rebours du type « les données s'épuiseront demain », car les données synthétiques, l'efficacité des données, les méthodes d'entraînement postérieur et les approches multimodales continuent d'évoluer, mais elle révèle une tendance : il devient de plus en plus difficile d'obtenir de nouvelles informations de qualité équivalente en se contentant d'élargir encore les crawls web.

Mais les anciens livres présentent plusieurs caractéristiques que les entreprises d'IA ne peuvent ignorer.

Tout d'abord, ils sont souvent soumis à plusieurs cycles de sélection par les auteurs, les éditeurs et les éditeurs, ce qui rend leur densité informationnelle et leur structure généralement plus stables que celles des pages web aléatoires. Ensuite, un grand nombre d'ouvrages d'histoire locale, de manuels professionnels, de publications académiques de niche, d'anciens manuels scolaires, de documents industriels et d'ouvrages non en anglais n'ont jamais été entièrement numérisés et ne sont tout simplement pas accessibles sur les pages web publiques. En outre, un point plus subtil est que les contenus publiés avant la large diffusion de l'IA générative ont une probabilité plus élevée d'être issus d'un environnement d'écriture purement humain.

Cette valeur a été directement exprimée par les fournisseurs de données. En juillet de cette année, dans un rapport sur le marché de l'achat de livres, la société de base de données ISBNdb a testé la demande d'achat de livres auprès des entreprises d'IA en affirmant que « les meilleures données d'entraînement d'IA au monde reposent sur les étagères », soulignant que les livres contiennent des connaissances humaines organisées, éditées et professionnalisées. ISBNdb a ensuite indiqué que cette page n'était qu'un test de demande du marché et qu'elle avait été retirée.

Pourquoi cette phrase est-elle choquante ? Parce qu'elle exprime clairement l'anxiété de toute l'industrie.

Plus l'IA générative est puissante, plus il y a de textes sur Internet écrits, réécrits ou regroupés par l'IA. Si les modèles ingèrent de nouveau ces contenus sans distinction, les sources de données deviendront de plus en plus complexes. Ainsi, ce qui était déjà imprimé sur papier avant l'essor de l'IA générative acquiert soudainement une valeur supplémentaire qu'il n'avait pas auparavant : du moins en termes de temps, ils sont plus proches d'un environnement d'information non largement influencé par l'IA générative.

Ainsi, acheter des livres d'occasion sur Amazon ne signifie pas qu'il revienne à l'ère du papier ; au contraire, c'est une approche extrêmement data-driven. Pour les entraîneurs de modèles, la couverture, la reliure et l'histoire de collection d'un livre n'ont probablement pas de valeur d'entraînement directe ; ce qui est véritablement précieux, ce sont les tokens à l'intérieur qui peuvent être segmentés, indexés, dédoublonnés, annotés et utilisés pour l'entraînement.

Les livres passent de produits à corpus, et leur système de prix change en conséquence. Un livre professionnel ancien, ignoré pendant des décennies, peut soudainement générer une nouvelle demande machine en raison de l'absence d'une version électronique complète en ligne.

C'est là le point le plus à noter.

La raison est d'abord très simple : l'efficacité.

Industrializing the digitization of tens of thousands of books by photographing each page individually is extremely slow. After removing the spine, the pages can be flattened and separated more easily, making them better suited for high-speed scanning and subsequent optical character recognition. Destructive scanning is not a technology that emerged in the AI era, but AI may be the first to push it toward such direct data industrial applications.

Il existe un deuxième niveau de contexte plus sensible : le droit.

En juin 2025, la cour fédérale de district du nord de la Californie, dans l'affaire Bartz v. Anthropic, a révélé qu'Anthropic avait acheté des millions de livres papier, démonté leurs reliures, découpé les pages, numérisé les contenus et jeté les exemplaires papier après avoir créé les versions numériques. Le juge William Alsup a estimé, dans le contexte des faits spécifiques de l'affaire, que cette transformation de format — consistant à remplacer un exemplaire papier par une copie numérique interne non diffusée vers l'extérieur — constituait un usage légitime ; la cour a également conclu que l'utilisation spécifique de grands modèles pour l'entraînement relevait de l'usage légitime.

Mais le même jugement trace une ligne très ferme.

Anthropic avait précédemment téléchargé plus de 7 millions de livres à partir de bases de données piratées. Le tribunal a estimé que la création et la conservation à long terme d'une bibliothèque numérique centrale à partir de sources piratées ne bénéficient pas automatiquement de la protection de l'usage loyal simplement parce que certaines de ces œuvres ont ensuite été utilisées pour l'entraînement d'IA. L'achat légitime et l'obtention piratée ont été clairement distinguées par le tribunal.

Pourquoi cette ligne est-elle importante ? Parce qu'elle a donné à l'ensemble de l'industrie de l'IA une leçon coûteuse sur les achats : il ne s'agit plus de « prendre n'importe quelles données pour l'entraînement », mais de savoir d'où proviennent les données, si les entreprises ont payé pour obtenir des copies, et comment elles les conservent et les copient — tout cela peut modifier les risques juridiques.

Et ce cours est devenu vraiment cher par la suite.

Le 20 juillet 2026, une cour fédérale américaine a finalement approuvé un règlement collectif de 1,5 milliard de dollars entre Anthropic et les auteurs ainsi que les éditeurs. Ce règlement concerne plus de 482 000 livres, et environ 91 % des œuvres concernées ont déjà fait l'objet de demandes d'indemnisation. Il faut bien préciser que ce règlement porte uniquement sur des réclamations liées à des sources de piratage et ne signifie pas que le système judiciaire américain a délivré une autorisation unifiée pour l'entraînement de tous les IA ; d'autres affaires, des sources de données différentes et des modes d'utilisation variés pourraient encore aboutir à des résultats différents.

Ainsi, l'achat de livres physiques par Amazon via des canaux commerciaux est très facile à comprendre du point de vue de la gestion des risques.

Est-ce que le processus a été conçu en suivant directement la voie juridique établie par l'affaire Anthropic ? Aucune preuve publique n'existe pour en conclure cela. Mais d'ici 2026, alors que le jugement d'Anthropic et le règlement de 1,5 milliard de dollars sont déjà sur la table, toute grande entreprise d'IA fera attention à une chose : pouvez-vous prouver d'où proviennent vos données ?

Le prix d'un livre papier peut être très bon marché ; expliquer plusieurs millions de documents d'entraînement devant un tribunal quelques années plus tard peut ne pas l'être du tout.

L'industrie de l'IA a longtemps considéré les données comme un air inépuisable sur le réseau ; maintenant, elle apprend à payer pour la « provenance ».

Ici, il faut séparer les émotions et les faits.

L'intégration de livres populaires largement diffusés, d'ouvrages de vulgarisation à grand tirage ou d'anciens livres encore abondants sur le marché dans les systèmes de recyclage ne constitue pas en soi une catastrophe culturelle. Le secteur du livre d'occasion et du livre ancien a déjà pratiqué par le passé la démolition d'ouvrages pour vendre séparément les illustrations ou éliminer les titres en surnombre. Il ne faut pas, à cause de l'apparition de l'IA, prétendre soudainement que chaque livre ancien est un exemplaire unique.

Le problème est qu'Amazon n'a pas encore répondu s'il identifiera les éditions rares, épuisées ou spéciales avant la suppression des scans.

Le livre suivi par 404 Media a été rapporté comme étant un ouvrage rare, et Inc. a spécifiquement demandé à Amazon s'il avait filtré les éditions rares ou limitées avant leur destruction, sans obtenir de réponse.

Cela laisse une faille que l'on ne peut pas simplement balayer avec l'argument « après tout, on l'a déjà payé » : la propriété légale n'est pas du tout la même chose que la valeur de préservation culturelle.

Le texte d'un livre peut être numérisé. Cependant, les signatures, les annotations des lecteurs, les ex-libris, les reliures spéciales, les informations de correction, les traces d'impression locales, voire les traces physiques laissées par des décennies de circulation d'un livre, ne seront pas nécessairement capturées par l'OCR, et encore moins intégrées dans l'ensemble d'entraînement final.

Les mots restent, mais les preuves matérielles peuvent disparaître.

Cette préoccupation ne se limite pas aux États-Unis. Cette année, plusieurs libraires d’occasion au Royaume-Uni et en Irlande ont déclaré au Guardian avoir reçu ces derniers mois des achats en gros de livres aux thèmes sans lien entre eux et d’une faible sensibilité aux prix : quelqu’un a acheté en une seule fois des romans en estonien, des éditions spécifiques des œuvres des sœurs Brontë et des magazines datant de 1983 ; un libraire a indiqué avoir reçu depuis le début de l’année environ 6 000 commandes de ce type. En Australie, des libraires avaient également signalé des commandes anormalement massives.

Mais il faut également respecter les limites des faits : il n’existe pour l’instant aucune preuve publique indiquant que toutes ces commandes à l’étranger proviennent d’entreprises d’IA. L’article du Guardian les présente clairement comme des suppositions et des inquiétudes des éditeurs, et non comme des achats d’IA confirmés.

Ce qui a été suivi tout au long du trajet jusqu'à l'installation de scan AI spécifique, c'est l'enquête de 404 Media contre Amazon.

C'est exactement pourquoi la transparence est importante.

Si l'entreprise considère cet achat comme légal, raisonnable et véritablement bénéfique pour le produit, alors quelques questions fondamentales ne sont pas excessives : quels types de livres seront soumis à un balayage destructif ? Les exemplaires uniques, les éditions rares, les exemplaires dédicacés et les versions ayant une valeur matérielle particulière sont-ils exclus ? Comment les exemplaires papier seront-ils traités après le balayage ? Combien de temps les copies numériques seront-elles conservées ? À quelles catégories de produits ou de modèles seront-elles principalement destinées ?

Les entreprises n'ont bien sûr pas à divulguer l'intégralité des recettes d'entraînement.

Mais « nous avons payé pour cela, donc nous pouvons silencieusement couper tout » n’est pas une réponse suffisamment mature.

Parce qu'elle mise sur l'IA à un rythme sans précédent.

En février de cette année, Amazon a indiqué qu'il prévoyait des dépenses en capital d'environ 200 milliards de dollars pour l'ensemble de l'année 2026, avec des opportunités clés dans l'IA, les puces, les robots et les satellites en orbite basse. Au cours du deuxième trimestre, les ventes de l'entreprise ont atteint 200,6 milliards de dollars, en hausse de 20 % en glissement annuel ; les ventes d'AWS ont atteint 42,2 milliards de dollars, en hausse de 37 %, soit la croissance la plus rapide en 18 trimestres. Le flux de trésorerie libre sur les 12 derniers mois s'est transformé en une sortie nette de 7,6 milliards de dollars ; Amazon a clairement indiqué que cette augmentation significative des achats de biens et équipements reflète principalement les investissements dans l'intelligence artificielle. Les activités IA et puces d'AWS ont respectivement dépassé un taux annuel de revenus de 25 milliards de dollars.

Plus remarquable encore est la relation entre Amazon et Anthropic.

En avril de cette année, Amazon a annoncé un investissement supplémentaire de 5 milliards de dollars dans Anthropic, au-delà de ses précédents 8 milliards de dollars, avec la possibilité d'ajouter jusqu'à 20 milliards de dollars supplémentaires une fois atteints certains jalons commerciaux. Parallèlement, Anthropic s'est engagée à dépenser plus de 100 milliards de dollars sur les technologies AWS au cours des dix prochaines années et à obtenir jusqu'à 5 GW de capacité de calcul Trainium existante et future.

Autrement dit, Amazon est désormais à la fois un fournisseur d'infrastructure cloud, un investisseur dans l'industrie des modèles avancés, et exploite Nova, Alexa, Rufus ainsi qu'un grand nombre de services AI entreprises.

Ce dont il a besoin, ce n'est plus seulement plus de puces.

Il nécessite davantage de connaissances de haute qualité, une couverture plus étendue des connaissances longues, des sources de données plus fiables, ainsi qu'une chaîne de propriété des données plus facile à expliquer.

Au vu de l'échelle actuelle des dépenses en capital d'Amazon, l'achat en gros de livres d'occasion ne constitue évidemment pas un coût déterminant pour la situation financière de l'entreprise. Ce qui compte vraiment, c'est le signal émis par cette action elle-même : un géant prêt à investir environ 200 milliards de dollars par an dans l'expansion de son infrastructure technologique continue d'étendre ses chaînes d'approvisionnement jusqu'à un marché de livres d'occasion fragmenté, peu efficace et tarifé unitairement.

Pourquoi ?

Parce que certaines données n'ont vraiment pas de raccourci.

C’est aussi là que la concurrence dans l’IA évolue. Autrefois, on comparait qui pouvait scraper le plus de pages web, puis qui avait plus de GPU, et maintenant, cela devient de plus en plus une question de qui possède des données plus propres, plus uniques, plus légales et plus difficiles à copier.

Les données ne sont plus simplement un ensemble de « matières premières » avant le début de l'entraînement.

It is becoming an asset that must be acquired, cleaned, verified, tracked, and audited.

La véritable barrière de protection des données n'est peut-être pas « qui possède une copie d'Internet », mais qui possède du contenu de haute qualité que les autres ne peuvent pas obtenir, ne peuvent pas maintenir, ou qu'ils obtiennent mais n'osent pas utiliser en toute confiance.

Je ne pense pas que la conclusion doive être « interdire aux entreprises d'IA de numériser des livres physiques ».

La numérisation elle-même peut préserver les connaissances et permettre à des contenus épuisés de réintégrer les systèmes de recherche, de recherche et de compréhension machine. Pour un grand nombre d'ouvrages d'occasion ordinaires, une numérisation intrusive n'est peut-être pas pire qu'une fin finale dans le recyclage du papier. Réduire cela à une simple phrase comme « l'IA brûle des livres » est émotionnellement fort, mais peu factuel.

There are two real boundaries.

La première est la limite des droits : acheter un livre papier ne signifie pas acheter tous les droits d'auteur de l'œuvre, encore moins que toutes les actions d'entraînement, de copie et de sortie soient naturellement légales. L'affaire Bartz n'est qu'une décision importante rendue par un tribunal fédéral de district américain dans des faits spécifiques, et non une autorisation permanente pour les entreprises d'IA du monde entier.

La deuxième règle est de préserver les limites : si une entreprise ne peut pas prouver qu'elle est capable d'identifier et d'éviter les livres rares, aux éditions uniques ou possédant une valeur historique particulière, alors ce qu'on appelle « numérisation efficace » pourrait transformer un problème d'ingénierie des données en une perte culturelle irréversible.

Ce que Amazon devrait vraiment répondre, ce n'est pas « Pourquoi avez-vous besoin de livres ? »

Cette réponse devient de plus en plus claire : car une grande quantité de connaissances de haute qualité laissées par l'humanité au cours des derniers siècles ne se trouvent pas toutes sur Internet ouvert.

La vraie question est : lorsque ces livres passent des étagères à la chaîne d'entraînement de l'IA, qui décide ce qui peut être sacrifié et ce qui ne doit pas l'être ? Qui garantit que les entreprises obtiennent du contenu, et non pas en éliminant accidentellement l'histoire qui se trouve au-delà du contenu ?

L'ironie de cette affaire est très forte.

Amazon est devenue l'une des entreprises les plus importantes du commerce internet en livrant des livres directement aux personnes ; aujourd'hui, elle les rachète, les démonte et transfère les textes dans des machines.

La technologie peut certes modifier le support du savoir, mais cela ne justifie pas de prétendre que le support n'a aucune valeur.

L'IA a besoin de ce que les humains ont écrit, et il n'y a rien de honteux à cela. Ce qui mérite une vigilance réelle, c'est lorsque toute l'industrie devient de plus en plus dépendante des textes de haute qualité laissés par les humains, tout en cachant le processus d'obtention au fond de la chaîne d'approvisionnement, traitant les droits d'auteur, la source, la rareté et la responsabilité de préservation comme des questions secondaires.

Le modèle peut compresser un livre en tokens, les entreprises peuvent transformer les tokens en paramètres, mais certains éléments, une fois fragmentés, ne peuvent plus être restaurés par un entraînement ultérieur.

La civilisation peut être numérisée, mais la responsabilité ne peut pas être « convertie au format » disparue.

1. Emanuel Maiberg. « Nous avons suivi un envoi de livres rares. Il s’est terminé dans un centre d’entraînement de l’IA d’Amazon. »404 Media, 2026-08-17.
2. Georgia Fearn. « Amazon achète des livres anciens et les détruit après les avoir numérisés. Les commandes remontent à 2024. » Inc., 2026-08-17.
3. Amazon.com, Inc. « Amazon.com annonce les résultats du deuxième trimestre. » 2026-07-30.
4. Amazon. « Amazon et Anthropic élargissent leur collaboration stratégique. » 2026-04-20.
5. United States District Court, Northern District of California. Bartz v. Anthropic PBC, Order on Fair Use and Infringement, 2025-06-23.
6. Reuters. « Un juge américain approuve le règlement de 1,5 milliard de dollars d'Anthropic dans le cadre d'une poursuite pour violation du droit d'auteur. » 2026-07-20.
7. Pablo Villalobos et al. “Will we run out of data? Limits of LLM scaling based on human-generated data.” Epoch AI, 2024-06-06.
8. Dan Milmo. « Les libraires d’occasion au Royaume-Uni et en Irlande suspectent des entreprises d’IA derrière les commandes en gros “étranges” ».The Guardian, 2026-08-15.