Perché vengono distrutti i libri per addestrare l’AI

Per addestrare i sistemi di intelligenza artificiale più avanzati, l’industria tech si è vista costretta a tornare a un supporto che il discorso sull’innovazione considerava superato da tempo: il libro di carta. L’ha fatto però non per conservarlo con chissà quale intento bibliofilo, ma ovviamente per trasformarlo in dati. Un’inchiesta di 404 Media ha raccontato l’attività di intermediari che procurano ai laboratori delle AI company migliaia – o centinaia di migliaia – di volumi usati, promettendo discrezione circa l’identità dei reali acquirenti. I libri vengono privati della loro rilegatura originale, passati attraverso scanner industriali e infine riciclati o distrutti. A rendere il caso inquietante è il sospetto, segnalato da librai europei, che nel flusso possano finire anche opere fuori catalogo, edizioni poco diffuse e testi in lingue scarsamente rappresentate, che quindi rischiano seriamente di essere persi per sempre. Il precedente più documentato di questa pratica riguarda una società in particolare: Anthropic. Da atti giudiziari desecretati è emerso che nel 2024 l’azienda di Dario Amodei ha avviato “Project Panama”, un piano per acquistare e digitalizzare milioni di libri destinati all’addestramento di Claude. Secondo il Washington Post, l’azienda ha speso decine di milioni di dollari e si è affidata a società specializzate il taglio dei dorsi e la scansione ad alta velocità. Un documento interno ottenuto dalla testata definiva l’obiettivo de programma nell’acquisizione digitale di "tutti i libri del mondo", nientedimeno, e chiariva che il progetto non avrebbe mai dovuto essere reso noto al grande pubblico. Sul piano legale, negli Stati Uniti distruggere un volume non equivale automaticamente a violarne il copyright. L’anno scorso il giudice William Alsup ha ritenuto legittima, nell’ottica del “fair use”, la digitalizzazione di copie acquistate e usate internamente per addestrare un modello IA, perché al libro fisico veniva sostituita una copia digitale, senza immetterne altre sul mercato. Diverso, evidentemente, è il giudizio legale sui file provenienti da biblioteche pirata . Ma il punto non è soltanto giuridico: i libri precedenti alla diffusione dell’IA generativa sono diventati una risorsa ambita perché contengono testi – ehm – umani selezionati e revisionati, perfetti per “nutrire” la sete di dati dei grandi modelli di intelligenza artificiale. Diverse ricerche hanno mostrato che un uso indiscriminato di dati sintetici provenienti da altri chatbot può ridurre varietà e precisione dell’output, fino ad arrivare a ciò che in gergo è definito model collapse. Una biblioteca diventa così per l’IA ciò che una riserva incontaminata rappresenta per l’industria estrattiva: una fonte limitata di materia prima di qualità. La scansione industriale, in questo senso, non potrebbe essere più diversa dai progetti pubblici di digitalizzazione: biblioteche e archivi statali impiegano tecniche non distruttive, conservano l’originale e rendono almeno parte delle copie consultabili al pubblico. Nei programmi dell’Internet Archive per la Library of Congress, per esempio, i volumi sono fotografati su supporti a V senza rimuoverne la rilegatura. I corpus creati dalle aziende di IA, invece, restano privati: il contenuto sopravvive come elemento statistico dentro un modello commerciale, mentre l’oggetto-libro può uscire definitivamente dalla circolazione. Va precisato che non è dimostrato che i laboratori cerchino deliberatamente esemplari unici o libri rari, e alcune ricostruzioni mescolano fatti accertati e timori dei librai. Ma il problema resta. Il mercato attribuisce valore soprattutto al testo estraibile, mentre per storici, bibliotecari e lettori un libro è anche, quando non anzitutto un manufatto con una sua storia: contano l’edizione, la carta, le note, i timbri, la provenienza. La corsa dell’IA ai dati rischia così di produrre un paradosso: per conservare nelle macchine una versione astratta della cultura umana, si tolgono di mezzo gli oggetti che l’hanno trasmessa. Se non è distopico, certamente non è una bella pubblicità per l’innovazione.

Cosa vedere:

Come vederlo:

Online con Sky:

Perché vengono distrutti i libri per addestrare l’AI

Davide Piacenza