Per anni, le aziende che sviluppano intelligenze artificiali hanno addestrato i propri modelli utilizzando testi disponibili sul web. Oggi, però, quella gigantesca miniera di informazioni si sta esaurendo. Sempre più operatori del settore stanno acquistando enormi quantità di libri cartacei – spesso fuori catalogo, e talvolta anche rari o antichi – per trasformarli in dati destinati all'addestramento delle IA. Il problema risiede nel fatto che, una volta acquisito il contenuto, molti di questi volumi vengono smembrati, scansionati e infine distrutti. La pratica è stata documentata da diverse inchieste giornalistiche, prima tra tutte quella del Washington Post, e confermata da aziende che operano nella digitalizzazione. Tale metodologia sta sollevando dubbi sia sul piano giuridico sia su quello culturale. Rischia infatti di far scomparire volumi che fino a oggi continuavano a circolare tra biblioteche, librerie antiquarie e collezionisti. Perché l'IA ha bisogno dei vecchi libri stampati? Il motivo principale per cui l'IA ha bisogno di pubblicazioni cartacee, soprattutto di quelle stampate prima del 2022, è che rappresentano una delle poche grandi fonti di testi certamente scritti da esseri umani. Da quando l'intelligenza artificiale generativa ha iniziato a produrre articoli, siti web, post e documenti in quantità sempre maggiore, Internet è diventato progressivamente "contaminato" da contenuti sintetici.. Addestrare nuovi modelli su testi già prodotti da altre IA potrebbe provocare il cosiddetto model collapse, cioè un progressivo peggioramento della qualità dei modelli stessi. Errori, semplificazioni e ripetizioni rischiano infatti di accumularsi a ogni nuova generazione. Per questo motivo, i libri cartacei precedenti all'esplosione dell'IA costituiscono un archivio linguistico "pulito". Sono ricchi di sfumature stilistiche, lessicali e culturali ormai sempre più difficili da trovare online. Non a caso vengono ricercati soprattutto testi di storia locale, diritto, economia, linguistica, manualistica e saggistica pubblicati dagli anni Settanta in poi, purché dotati di codice ISBN. Destructive scanning e il "fair use": la scappatoia legale La scappatoia. A rendere controversa la vicenda è il modo in cui questi libri vengono utilizzati. La procedura è nota nel settore come destructive scanning ("scansione distruttiva"). Dopo l'acquisto, i dorsi dei volumi vengono spesso tagliati con macchine industriali. Le pagine vengono quindi separate e fatte scorrere negli scanner ad alta velocità. Terminata la digitalizzazione, i volumi vengono riciclati come carta da macero. Si tratta di una procedura che nasconde una precisa strategia legale. Negli Stati Uniti, infatti, il principio del fair use ("uso leale") consente, in determinate circostanze, di utilizzare opere protette dal diritto d'autore senza autorizzazione quando l'impiego è considerato "trasformativo". Diverse aziende dell'IA ritengono che acquistare il libro, trasformarlo in dati e distruggere successivamente la copia fisica — senza mettere in circolazione la copia digitale — rafforzi questa interpretazione giuridica. È un'impostazione che ha trovato un primo riconoscimento in una recente sentenza statunitense riguardante Anthropic, ma che continua a essere oggetto di acceso dibattito tra editori, autori e giuristi. Data poisoning: la minaccia dell'avvelenamento dei dati Veleno digitale. C'è poi un'altra ragione, meno nota ma altrettanto importante. Negli ultimi anni alcuni ricercatori e autori hanno iniziato a sviluppare tecniche di data poisoning ("avvelenamento dei dati"). Si tratta di metodi per inserire nei testi elementi invisibili agli esseri umani, ma in grado di confondere i modelli di IA durante l'addestramento. L'obiettivo è impedire che le opere protette vengano utilizzate senza autorizzazione. I libri stampati prima del 2022 sono naturalmente privi di questi accorgimenti, risultando quindi particolarmente preziosi. Secondo una ricerca interna citata dalla società ISBNdb, che oggi offre alle aziende di IA servizi di acquisizione all'ingrosso di libri cartacei, sarebbero sufficienti appena 250-500 documenti "avvelenati" all'interno di un archivio composto da migliaia di miliardi di token (le piccole unità di testo, come parole o parti di parole, con cui le IA elaborano il linguaggio) per introdurre una cosiddetta backdoor. Si tratta di una sorta di "porta nascosta" che induce il modello a comportarsi in modo anomalo alla ricezione di determinati input. La reale portata del fenomeno è ancora oggetto di studio, ma contribuisce a spiegare perché i grandi laboratori di IA stiano tornando sempre più spesso agli scaffali delle librerie antiquarie anziché ai server di Internet.. Addestrare nuovi modelli su testi già prodotti da altre IA potrebbe provocare il cosiddetto model collapse, cioè un progressivo peggioramento della qualità dei modelli stessi. Errori, semplificazioni e ripetizioni rischiano infatti di accumularsi a ogni nuova generazione. Per questo motivo, i libri cartacei precedenti all'esplosione dell'IA costituiscono un archivio linguistico "pulito". Sono ricchi di sfumature stilistiche, lessicali e culturali ormai sempre più difficili da trovare online. Non a caso vengono ricercati soprattutto testi di storia locale, diritto, economia, linguistica, manualistica e saggistica pubblicati dagli anni Settanta in poi, purché dotati di codice ISBN. Destructive scanning e il "fair use": la scappatoia legale La scappatoia. A rendere controversa la vicenda è il modo in cui questi libri vengono utilizzati. La procedura è nota nel settore come destructive scanning ("scansione distruttiva"). Dopo l'acquisto, i dorsi dei volumi vengono spesso tagliati con macchine industriali. Le pagine vengono quindi separate e fatte scorrere negli scanner ad alta velocità. Terminata la digitalizzazione, i volumi vengono riciclati come carta da macero. Si tratta di una procedura che nasconde una precisa strategia legale. Negli Stati Uniti, infatti, il principio del fair use ("uso leale") consente, in determinate circostanze, di utilizzare opere protette dal diritto d'autore senza autorizzazione quando l'impiego è considerato "trasformativo". Diverse aziende dell'IA ritengono che acquistare il libro, trasformarlo in dati e distruggere successivamente la copia fisica — senza mettere in circolazione la copia digitale — rafforzi questa interpretazione giuridica. È un'impostazione che ha trovato un primo riconoscimento in una recente sentenza statunitense riguardante Anthropic, ma che continua a essere oggetto di acceso dibattito tra editori, autori e giuristi. Data poisoning: la minaccia dell'avvelenamento dei dati Veleno digitale. C'è poi un'altra ragione, meno nota ma altrettanto importante. Negli ultimi anni alcuni ricercatori e autori hanno iniziato a sviluppare tecniche di data poisoning ("avvelenamento dei dati"). Si tratta di metodi per inserire nei testi elementi invisibili agli esseri umani, ma in grado di confondere i modelli di IA durante l'addestramento. L'obiettivo è impedire che le opere protette vengano utilizzate senza autorizzazione. I libri stampati prima del 2022 sono naturalmente privi di questi accorgimenti, risultando quindi particolarmente preziosi. Secondo una ricerca interna citata dalla società ISBNdb, che oggi offre alle aziende di IA servizi di acquisizione all'ingrosso di libri cartacei, sarebbero sufficienti appena 250-500 documenti "avvelenati" all'interno di un archivio composto da migliaia di miliardi di token (le piccole unità di testo, come parole o parti di parole, con cui le IA elaborano il linguaggio) per introdurre una cosiddetta backdoor. Si tratta di una sorta di "porta nascosta" che induce il modello a comportarsi in modo anomalo alla ricezione di determinati input. La reale portata del fenomeno è ancora oggetto di studio, ma contribuisce a spiegare perché i grandi laboratori di IA stiano tornando sempre più spesso agli scaffali delle librerie antiquarie anziché ai server di Internet..