Une couverture récente de la presse suggère que les principaux laboratoires d'IA achètent en masse des livres anciens, excédentaires et en langues étrangères, les faisant passer par des scanners destructifs à grande vitesse pour élargir les corpus d'entraînement des grands modèles de langage. La raison avancée est simple : les livres anciens offrent une prose dense et éditée, des domaines variés et une structure longue riche en contenu avec moins de contraintes modernes de licence. Certains rapports ont nommé des laboratoires bien connus parmi les acheteurs potentiels ; les détails restent incomplets et, parfois, contestés. Quoi qu'il en soit, le signal est clair : la compétition des modèles de pointe se déplace vers une acquisition contrôlée des données plutôt que vers un grattage opportuniste du web, créant une couche logistique naissante dans le monde physique pour les données d'IA et soulevant des questions immédiates de gouvernance et de marque pour les entreprises déployant ou intégrant de tels modèles.

Sur le plan économique, les dynamiques reflètent celles de l'approvisionnement en matières premières. Les acheteurs ciblent des lots qui équilibrent le prix par page, la couverture linguistique et la diversité des sujets, puis appliquent des techniques industrielles d'imagerie, de reconnaissance optique de caractères (OCR) et de contrôle qualité pour transformer des actifs analogiques en texte lisible par machine. Les marges dépendent du débit (pages par heure), de la précision de l'OCR, du rendement de déduplication et du coût de gestion des formats fragiles ou inhabituels. Cela crée des incitations à la découpe destructive pour permettre l'utilisation de scanners à alimentation par feuille et des flux de travail standardisés. Mais cela entre aussi en conflit avec les attentes de conservation autour des œuvres rares ou peu communes et peut entraîner un retour de bâton réputationnel si des matériaux culturellement précieux sont mis au rebut. Pour de nombreux laboratoires, le calcul consistera à peser les gains marginaux du modèle grâce à un texte de meilleure qualité contre l'incertitude juridique, le secret des fournisseurs et le risque de réaction publique.

Sur le plan juridique, deux concepts dominent le débat : la doctrine de la première vente et l'usage loyal. La première vente permet souvent aux propriétaires de revendre ou même de détruire les copies physiques qu'ils possèdent ; l'analyse de l'usage loyal pour la numérisation et la formation des modèles dépend des faits et reste incertaine, les tribunaux évaluant le but, la transformation et l'impact sur le marché. Les entreprises intégrant des modèles tiers entraînés sur ces données font face à une exposition indirecte : même si les laboratoires en amont estiment que leurs pratiques sont légales, le risque réputationnel et contractuel en aval peut se répercuter, surtout lorsque les divulgations sur la provenance sont minces. La gouvernance pratique nécessite donc une auditabilité (ce qui a été numérisé, quand et selon quelle politique), des protocoles d'exclusion pour les catégories sensibles et des plans de contingence au cas où un ensemble de données ou un fournisseur deviendrait l'objet d'un litige ou de critiques.

Pour les acheteurs et opérateurs, la démarche immédiate est de professionnaliser l'approvisionnement en données. Traitez les données d'entraînement comme une infrastructure critique : mettez en œuvre des évaluations des risques fournisseurs, exigez des attestations de propriété et de méthode d'acquisition, imposez des politiques de non-destruction pour les matériaux rares (ou des exemptions documentées) et maintenez un registre de provenance au niveau des ensembles de données et des échantillons. Envisagez des alternatives qui réduisent les risques éthiques et juridiques : archives d'éditeurs sous licence, corpus du domaine public avec contrôles qualité, données synthétiques ciblant les lacunes identifiées, et numérisation collaborative avec les bibliothèques qui préservent les originaux. Les investisseurs devraient surveiller les signaux de prix sur les marchés du livre d'occasion, l'émergence de fournisseurs spécialisés en numérisation et le développement de cadres standardisés de provenance ; ceux-ci indiqueront la différenciation des modèles et les trajectoires réglementaires sur les 12 à 24 prochains mois.