Les labos d'IA rachètent de vieux livres : les dernières données d'entraînement sans « slop » d'IA

Les laboratoires d'IA se sont mis à acheter massivement de vieux livres papier pour entraîner leurs modèles : les textes publiés avant l'arrivée de l'IA générative restent le dernier grand gisement de données non contaminé par le « slop » machine. L'accès au catalogue est vendu par le courtier en données ISBNdb, et les laboratoires eux-mêmes ne révèlent pas qui finance ces achats, rapporte The Next Web en juillet 2026.

Pourquoi les livres sans slop d'IA ont de la valeur

Les vieux livres valent cher parce qu'ils sont à coup sûr écrits par des humains : tout texte publié avant le lancement de ChatGPT en novembre 2022 ne peut, physiquement, contenir aucun contenu généré par un réseau de neurones. C'est cette « pureté » qui transforme les rayons de bibliothèque en ressource rare pour l'entraînement des modèles.

Le problème tient à la méthode d'extraction. Pour numériser un livre avec un scanner industriel, on en coupe le dos et on fait passer les pages dans un chargeur automatique, ce qui revient à le détruire physiquement. Selon The Next Web, il s'agit de millions de volumes, et le nom du laboratoire commanditaire n'apparaît pas dans les transactions.

• ISBNdb : courtier en données qui vend aux laboratoires l'accès à un catalogue de livres
• Novembre 2022 : lancement de ChatGPT, ligne de partage entre données « propres » et données contaminées
• La numérisation est destructive : on coupe le dos des livres, les ouvrages papier sont détruits
• Des millions d'éditions sont concernées
• Les acheteurs ne révèlent pas quelle entreprise d'IA a payé la commande

Pourquoi les données s'épuisent-elles ?

Les grands laboratoires ont déjà, dans les faits, épuisé le web ouvert comme source de textes de qualité. Dès 2024, les analystes d'Epoch AI estimaient que le stock de données humaines de haute qualité accessibles publiquement pourrait s'épuiser dans la seconde moitié des années 2020 ; depuis, la course aux corpus « propres » restants n'a fait que s'intensifier.

Dans cette course, les livres sont un actif premium. Un livre fournit un texte long, cohérent et édité, dans une langue riche, et non des posts et commentaires fragmentaires : c'est cette qualité que les laboratoires sont prêts à payer à des courtiers comme ISBNdb.

Qu'est-ce que la contamination des données ?

La contamination des données désigne la situation où les textes issus d'Internet servant à l'entraînement sont de plus en plus composés de la production des réseaux de neurones eux-mêmes, et non de contenus écrits par des humains. Un modèle entraîné sur son propre « slop » se dégrade peu à peu : il perd en diversité et en précision. Des chercheurs ont décrit cet effet dans la revue Nature dès 2024 et l'ont baptisé model collapse, l'effondrement des modèles.

De là cette chasse aux livres physiques. Depuis 2022, Internet se remplit à toute vitesse de textes d'IA, et il devient de plus en plus difficile de distinguer l'humain du machine sur le web, alors que la date d'édition d'un livre est un marqueur fiable : on a bien sous les yeux un texte humain, antérieur au numérique génératif.

«

Les meilleures données d'entraînement au monde pour l'IA sont sur une étagère » : c'est ainsi, selon The Next Web, que le courtier en données ISBNdb formule son offre.

Le volet juridique reste une zone grise : acheter et scanner les livres d'autrui pour entraîner des modèles commerciaux fait l'objet de poursuites de la part des ayants droit, et l'anonymat des commanditaires ne fait qu'accentuer les questions de transparence.

Ce que cela signifie

Pour l'industrie, c'est le signe d'une pénurie structurelle : les données humaines de qualité sont finies, et tout ce qui a été créé après 2022 voit sa valeur diminuer à cause de la part de contenu d'IA qui s'y mêle. Tant que les modèles réclament toujours plus de texte, l'héritage « pré-numérique » — vieux livres, archives, journaux — devient une ressource stratégique et physiquement épuisable.