Livres découpés, pages numérisées : ce que l’enquête de 404 Media révèle sur l’IA d’Amazon

Le résultat est une conversion à sens unique : un livre physique devient du texte lisible par une machine, tandis que l’exemplaire original disparaît. Ce procédé est donc très différent d’un achat destiné à la revente ou à la préparation de commandes.

L’enquête constitue un indice d’une chaîne d’approvisionnement et de numérisation de livres potentiellement importante. Elle n’établit toutefois ni le nombre total d’ouvrages concernés, ni l’existence d’un modèle Amazon précis entraîné sur ces scans.

La réponse d’Amazon laisse plusieurs questions ouvertes

Amazon a déclaré à 404 Media acheter des livres « pour améliorer ses produits ». D’après le média, l’entreprise n’a pas indiqué combien de livres elle achetait, combien de sites les numérisaient, quels produits utilisaient le contenu obtenu, ni si le processus de Las Vegas servait spécifiquement à entraîner des modèles d’IA.

Cette nuance est essentielle. L’enquête apporte des éléments opérationnels : un colis suivi, une destination au sein d’un site Amazon, une unité de traitement de livres et des témoignages décrivant leur numérisation puis leur destruction. Elle ne constitue pas l’aveu public et complet que chaque livre traité devient une donnée d’entraînement pour un modèle Amazon identifié.

La conclusion la plus solide est donc plus étroite, mais reste importante : 404 Media a trouvé des éléments attestant l’existence d’une opération Amazon de numérisation de livres compatible avec la collecte de données pour l’IA, dans un contexte où Amazon renforce ses ambitions dans les modèles de pointe et les services de données. Reuters a par ailleurs rapporté qu’Amazon réorientait sa stratégie d’IA autour d’un nouvel effort consacré à un modèle de pointe.

Pourquoi des libraires parlent-ils d’une collecte à l’échelle du catalogue ?

Des libraires ont raconté à 404 Media que certaines commandes en gros semblaient inhabituelles : elles étaient éclectiques et paraissaient peu sensibles à la valeur de revente, à l’état, au sujet ou au prix des livres. Un acheteur qui vise la revente doit normalement arbitrer entre demande et marge. Un acheteur qui cherche des données d’entraînement peut au contraire privilégier l’acquisition d’un éventail très large de titres et d’ISBN.

Ce schéma a conduit certains vendeurs à soupçonner que des entreprises d’IA ou des courtiers en données tentent de parcourir le catalogue mondial des livres publiés, plutôt que de sélectionner uniquement les ouvrages commercialement rentables. 404 Media avait déjà rapporté qu’ISBNdb proposait l’acquisition de grandes quantités de livres imprimés pour des entreprises d’IA. Après cette publication, ISBNdb a retiré les éléments concernés et expliqué que la page était un test de l’intérêt du marché.

Ces indices ne prouvent pas que chaque commande inhabituelle soit liée à Amazon ou à l’IA. Ils expliquent cependant pourquoi le marché devient difficile à lire pour les libraires : une commande apparemment aléatoire peut n’avoir aucun sens dans une logique de vente au détail, tout en étant cohérente avec une volonté d’élargir au maximum la diversité d’un jeu de données.

Pourquoi les livres anciens intéressent les développeurs d’IA

Les livres imprimés offrent une ressource recherchée par les concepteurs de modèles : de vastes ensembles de langage écrit par des humains avant la généralisation des textes générés par l’IA. Les ouvrages anciens ou épuisés peuvent également renfermer des informations spécialisées, locales ou historiques qui n’ont jamais été facilement accessibles en ligne.

Les livres physiques représentent ainsi une source potentielle de textes à la fois variés et moins susceptibles d’être synthétiques. L’enquête de 404 Media sur ISBNdb présentait notamment les livres anciens comme précieux parce qu’ils sont exempts de ce que le secteur appelle parfois l’« AI slop », c’est-à-dire la masse de contenus générés automatiquement et de qualité inégale.

Les chercheurs et les développeurs évoquent aussi le risque de « model collapse », ou effondrement des modèles : à force d’être entraînés sur des productions synthétiques, les modèles pourraient perdre en qualité ou en diversité. Cette hypothèse contribue à expliquer l’intérêt pour des textes anciens écrits par des humains. Elle ne démontre ni qu’un modèle Amazon ait subi un tel phénomène, ni que les livres de Las Vegas aient été collectés pour cette raison.

Le précédent Anthropic et la limite juridique

Le processus attribué à Amazon rappelle le projet Panama d’Anthropic. Dans le cadre de cette opération, Anthropic avait acheté des livres physiques, retiré leurs reliures, numérisé les pages, puis jeté les exemplaires papier afin de créer des données numériques pour ses travaux sur l’IA.

Dans une ordonnance du 23 juin 2025 rendue dans l’affaire Bartz v. Anthropic, le juge William Alsup a estimé que l’utilisation des livres pour entraîner Claude et ses prédécesseurs était « extrêmement transformatrice » et constituait un fair use — une exception américaine au droit d’auteur — au regard des faits examinés. Il a également considéré comme relevant du fair use la numérisation de livres imprimés achetés légalement, car Anthropic remplaçait les exemplaires physiques par des copies numériques correspondantes, consultables et moins encombrantes, pour sa bibliothèque interne.

Cette décision ne signifie pas que détruire un livre rend automatiquement l’entraînement d’une IA légal. Le mode d’acquisition, la finalité de l’utilisation, la conservation ou la redistribution des copies et l’ensemble des circonstances restent déterminants. Dans la même procédure, la constitution distincte d’une bibliothèque à partir de livres piratés a été traitée différemment.

Cette distinction est au centre du cas Amazon. Même si l’entreprise achète légalement les ouvrages, des questions séparées demeurent : quelle est l’ampleur de l’opération ? Que deviennent les scans ? Quels accords existent avec les auteurs ou les éditeurs ? Et que se passe-t-il lorsque les livres détruits sont rares ou irremplaçables ?

Au-delà du droit d’auteur, un enjeu de conservation

Les critiques des libraires ne se résument pas aux ventes perdues ou à la rémunération liée au droit d’auteur. Les livres rares et épuisés peuvent avoir une valeur historique, intellectuelle, culturelle ou affective. Lorsqu’un exemplaire difficile à trouver est découpé puis recyclé, son contenu peut subsister sous forme de scan, mais l’objet disparaît définitivement.

C’est un problème de conservation auquel une décision de justice sur le fair use ne répond pas entièrement. Un procédé peut être défendable juridiquement dans un ensemble précis de circonstances tout en inquiétant les collectionneurs, les libraires, les bibliothèques et les lecteurs qui considèrent les livres comme davantage que de simples réservoirs de texte.

La controverse met aussi en lumière une forte asymétrie d’information. Les entreprises d’IA peuvent percevoir la valeur d’un ouvrage obscur pour un jeu de données bien avant qu’un vendeur comprenne qu’une commande étrange fait partie d’une stratégie d’acquisition plus large. La déclaration publique d’Amazon laisse donc ouvertes les questions les plus concrètes pour le secteur du livre : quelle est l’ampleur des achats, que numérise-t-on exactement et que deviennent les fichiers produits ?

Une pièce du puzzle de la stratégie IA d’Amazon

L’opération présumée s’inscrit dans les efforts plus larges d’Amazon pour progresser dans l’IA avancée. Reuters a rapporté en juillet 2026 que le groupe réduisait la voilure sur plusieurs modèles développés en interne afin de concentrer ses ressources sur un nouvel effort consacré à un modèle de pointe. AWS commercialise également Nova Forge, un service permettant aux clients de combiner leurs propres données avec des données d’entraînement sélectionnées par Amazon pour développer des modèles de pointe personnalisés.

Ces éléments donnent une raison stratégique de rechercher du texte de haute qualité, mais ils ne prouvent pas à eux seuls que les livres suivis par 404 Media aient servi à entraîner un modèle particulier. Les éléments les plus directs restent ceux de l’enquête : le trajet du colis et son arrivée dans une installation de Las Vegas où des livres auraient été traités.

La question de fond dépasse donc Amazon : le marché du livre physique est-il en train de devenir, à l’insu de nombreux vendeurs, une chaîne d’approvisionnement pour l’IA ? Dans un cas documenté, 404 Media décrit des livres passés d’un libraire à une opération Amazon, où ils auraient été numérisés puis détruits. L’ampleur réelle de cette pratique et l’utilisation finale des données restent inconnues.