Le aziende di intelligenza artificiale stanno esaurendo i dati testuali disponibili online e si rivolgono a libri cartacei, spesso rari o fuori catalogo, per addestrare i propri modelli. La pratica del destructive scanning prevede lo smembramento e la distruzione dei volumi dopo la digitalizzazione, sollevando questioni legali sul fair use e rischi culturali di perdita permanente. I testi stampati prima del 2022 sono considerati essenziali per evitare il model collapse causato da contenuti generati da altre IA, mentre il data poisoning minaccia i dataset digitali con backdoor nascoste.
La crisi dei dati linguistici per le IA
L’esaurimento delle fonti testuali sul web sta spingendo i laboratori di intelligenza artificiale verso soluzioni radicali. Con l’aumento esponenziale di contenuti sintetici generati da IA, i modelli rischiano di peggiorare progressivamente se addestrati su materiale già contaminato. I libri stampati prima della diffusione massiccia dell’IA generativa rappresentano l’ultimo archivio linguistico incontaminato, ricco di sfumature stilistiche e culturali sempre più rare online. Le case editrici specializzate in testi tecnici e accademici dagli anni Settanta in poi stanno diventando fornitori strategici per questo mercato emergente.
Perché i libri fisici sono insostituibili
I volumi cartacei offrono tre vantaggi cruciali: assenza di contaminazione da IA preesistenti, mancanza di tecniche di data poisoning e diversità lessicale autentica. A differenza dei contenuti digitali, i testi stampati non possono essere alterati con backdoor linguistiche progettate per confondere i modelli durante l’addestramento. La ricerca di ISBNdb dimostra che bastano poche centinaia di documenti alterati per compromettere archivi con migliaia di miliardi di token, rendendo i libri fisici l’unica fonte sicura per dataset puliti.
Il processo controverso dello scanning distruttivo
Dopo l’acquisto, i volumi subiscono un trattamento radicale: i dorsi vengono tagliati meccanicamente, le pagine separate e digitalizzate ad alta velocità, per poi essere riciclate come macero. Questa procedura, definita destructive scanning, rappresenta una scelta strategica per le aziende tecnologiche. Negli Stati Uniti, il principio del fair use permette l’utilizzo di opere protette da copyright senza autorizzazione quando l’impiego è considerato trasformativo. La distruzione fisica dopo la scansione rafforzerebbe questa interpretazione legale, come dimostrato in recenti sentenze riguardanti Anthropic.
Le conseguenze culturali irreversibili
La pratica sta suscitando allarme tra bibliotecari e studiosi. Molti dei volumi acquisiti sono esemplari unici o rari che circolavano tra biblioteche e collezionisti. La loro distruzione sistematica dopo la digitalizzazione priverebbe il patrimonio culturale di testimonianze fisiche insostituibili. Sebbene le aziende garantiscano di non distribuire le copie digitali, la perdita degli originali rappresenta un danno permanente alla disponibilità pubblica di queste opere.
Data poisoning: la guerra silenziosa contro le IA
Autori e ricercatori stanno sviluppando tecniche sofisticate per proteggere i propri lavori dall’uso non autorizzato da parte dei modelli linguistici. Il data poisoning introduce nei testi digitali elementi impercettibili all’uomo ma capaci di alterare significativamente l’addestramento delle IA. Questi metodi, inefficaci sui libri stampati prima del 2022, stanno accelerando la corsa delle aziende tecnologiche verso fonti analogiche incontaminate. La necessità di evitare backdoor nei dataset spiega il crescente interesse per i volumi fisici.
Coscienza Digitale
La corsa all’acquisizione di libri rari per alimentare l’IA solleva interrogativi etici fondamentali. Da un lato, il progresso tecnologico richiede dataset sempre più ampi e puri; dall’altro, la distruzione sistematica di opere culturali pone problemi di conservazione del sapere. Il dibattito sul fair use nell’era digitale deve bilanciare innovazione e tutela del patrimonio collettivo. Le decisioni odierne influenzeranno per decenni sia lo sviluppo dell’intelligenza artificiale sia la disponibilità futura di fonti primarie per la ricerca umanistica.
