Aziende IA comprano migliaia di libri accademici per poi distruggerli: ecco perché lo fanno

L'antiquario olandese Pieter de Vries e altri colleghi nei Paesi Bassi hanno ricevuto una richiesta d'acquisto via e-mail da una società denominata 2077AI per il reperimento di 3.001 volumi accademici stampati tra il 2020 e il 2021. Il messaggio, inizialmente scambiato per un tentativo di truffa o phishing, conteneva un foglio di calcolo completo di codici ISBN relativi a saggi universitari editi da case come Elsevier, Wiley e Oxford University Press, con la richiesta di coordinare la spedizione verso la Cina.

L'episodio fa luce sulle dinamiche con cui i laboratori di sviluppo approvvigionano le basi dati destinate ai modelli linguistici di grandi dimensioni. Esaurita la disponibilità di testo ad alta qualità liberamente accessibile sul web aperto, le società del settore hanno iniziato a guardare alla letteratura scientifica cartacea, concentrandosi su ambiti specifici quali medicina, ingegneria, economia e politiche pubbliche.

La filiera fisica dietro l'addestramento degli algoritmi

La procedura standard adottata in queste operazioni passa attraverso la cosiddetta scansione distruttiva. Come confermato da un'inchiesta ricostruita nel dettaglio a seguito di vicende giudiziarie statunitensi che hanno coinvolto altri attori del settore, le aziende acquistano regolarmente volumi cartacei sul mercato commerciale per poi tagliarne la rilegatura. Le pagine sciolte vengono inserite in scanner ad alta velocità e i resti fisici vengono smaltiti, consentendo la creazione rapida di archivi digitali consultabili dalle macchine.

Il tentativo di intercettare materiale cartaceo su larga scala coinvolge diversi snodi del mercato librario. La piattaforma di metadati ISBNdb, nota per la gestione dei dati identificativi dei volumi, ha svelato in passato la presenza di servizi dedicati alla fornitura di lotti compresi tra 1.000 e 1 milione di libri fisici stilati per le esigenze di addestramento delle architetture generative, prima di rimuovere ogni riferimento promozionale dalle proprie pagine ufficiali.

Ordini massivi di svariate tonnellate di testi universitari, non coerenti con le dinamiche del collezionismo o della rivendita tradizionale dell'usato, hanno interessato di recente anche distributori in Germania e Svizzera. Negli Stati Uniti, le decisioni dei tribunali federali hanno fissato un precedente rilevante, stabilendo che l'acquisto di libri fisici e la loro digitalizzazione per allenare modelli informatici rientrino nell'ambito del fair use previsto dalla legge sul diritto d'autore.

Il mancato riscontro da parte degli intermediari coinvolti nelle richieste d'acquisto riflette la riservatezza con cui viene gestita la catena di fornitura dei dati. Per il settore dell'usato e della distribuzione accademica, la pressione d'acquisto esercitata dalle aziende tecnologiche rischia di alterare le disponibilità di magazzino e i listini dei testi specialistici, destinati a essere convertiti in token per poi finire al macero.