Amazon a commencé comme une librairie en ligne. Trente ans plus tard, la même entreprise achète des milliers de livres rares sous des identités anonymes, les envoie dans un entrepôt au Nevada, et les passe à la broyeuse pour en extraire les données. Ce n’est pas une rumeur : des journalistes ont mis un AirTag dans le colis. Et ça te concerne directement.
Une enquête avec un AirTag dans le colis
Depuis plusieurs mois, des libraires indépendants signalaient des commandes massives et bizarres : un acheteur anonyme, insensible aux prix, qui prend 1 000 livres d’un coup sur des marketplaces comme Biblio. Profil classique d’un opérateur qui achète des données plutôt que de la lecture.
404 Media a décidé de vérifier. Avec l’accord d’un libraire, ils ont glissé un Apple AirTag dans l’un des livres d’une commande de ce type. Le tracker a suivi le colis jusqu’à sa destination finale : la section VGT3 de l’entrepôt LAS8 d’Amazon, dans le nord-est de Las Vegas. À l’entrée, un logo qu’on ne peut pas rater : un dinosaure qui tient un livre.
Des discussions sur des forums internes entre employés Amazon ont confirmé ce que fait cet entrepôt : il scanne les livres de manière destructive, page par page, pour en extraire le contenu. Le livre ne ressort pas intact.
L’entreprise qui a démocratisé l’achat de livres d’occasion brise maintenant ces mêmes livres pour alimenter des modèles qui, demain, écriront à leur place.
Amazon n’est pas le seul, et ce n’est pas nouveau
Simon Willison, développeur et observateur attentif de l’industrie IA, signale qu’il avait déjà couvert le même phénomène pour Anthropic en juin 2025. Les labs achètent des livres physiques, souvent rares ou hors commerce, parce que les fichiers numériques sont soit indisponibles, soit sous DRM, soit déjà épuisés des data sets communs (Common Crawl, etc.).
Le fond du problème : les données d’entraînement de qualité se raréfient. Internet a été aspiré plusieurs fois. Les textes facilement accessibles ont été vus. Ce qui reste de précieux pour la prochaine génération de modèles, c’est le contenu qui n’a jamais été numérisé : les bibliothèques universitaires, les archives, les fonds de bouquinistes, les tirages limités. Alors on achète le papier, on scanne, et on jette la matière.
Aucune loi ne l’interdit clairement aux États-Unis. Les exemptions « fair use » pour la recherche et l’entraînement de modèles sont encore en train d’être débattues devant les tribunaux. En Europe, l’exception TDM (text and data mining) de la directive droit d’auteur de 2019 permet ce type d’extraction à des fins de recherche, avec un droit d’opt-out pour les ayants droit, mais peu de gens en ont entendu parler et encore moins l’ont exercé.
Ce que ça change pour toi
Si tu es créateur, auteur ou producteur de contenu, quelques faits à intégrer :
- Ton oeuvre physique n’est pas protégée par défaut. Un livre que tu as publié en édition limitée peut être racheté en masse, scanné et détruit sans que tu en saches rien. La seule protection existante est l’opt-out TDM en Europe, que tu dois exercer explicitement.
- Le contenu « hors ligne » n’est plus hors ligne. L’idée que ce qui n’est pas sur internet échappe à l’aspiration IA est fausse depuis au moins 2025. Les labs ont les moyens et la motivation pour aller chercher physiquement ce qui manque.
- La rareté n’est pas une protection, c’est une cible. Plus un contenu est rare et de qualité, plus il est précieux pour entraîner un modèle sur des données que les concurrents n’ont pas. Un livre épuisé tiré à 200 exemplaires est plus intéressant qu’un bestseller déjà dans 12 data sets.
- Le marché des droits de données existe. Si des labs achètent tes livres à la sauvette, c’est parce qu’ils veulent éviter de négocier des licences. Mais des deals existent : The Atlantic, le Daily Mail, Reddit ont tous signé des accords avec OpenAI ou Anthropic pour des montants non communiqués. Si tu produis du contenu en volume, c’est une piste à explorer.
Où ça va
Cette affaire va finir en procès, probablement aux États-Unis. La question centrale : est-ce que scanner et détruire un livre pour en extraire le texte constitue une violation du droit d’auteur, ou tombe-t-on dans le fair use ? Les précédents sont ambigus. Google Books a gagné en 2015 en argumentant que numériser sans redistribuer intégralement était transformatif. Mais « transformer » un livre en données d’entraînement pour un concurrent commercial, c’est un angle différent.
Ce qui est certain : les livres rares physiques sont devenus une ressource stratégique pour l’IA, au même titre que les GPU. Et contrairement aux GPU, personne ne les surveille vraiment.
Pour un builder solo, le message pratique est simple : si tu produis du contenu qui a de la valeur (et particulièrement si tu l’as aussi publié en papier), renseigne-toi sur les mécanismes d’opt-out disponibles dans ton pays, et surveille les contrats de cession que tu signes avec tes éditeurs. La clause « droits numériques » de 2024 ne couvre pas forcément l’entraînement IA de 2026.
Pour automatiser ta propre production de contenu avec des agents qui tournent à heure fixe, voir les systèmes IA sur mesure.