Indice
Sempre più aziende di intelligenza artificiale acquistano libri cartacei usati da digitalizzare per l’addestramento dei modelli. Una scelta che punta a dati più affidabili, ma solleva nuovi interrogativi.
Per anni il web è stato la principale fonte di dati utilizzata per addestrare i modelli di intelligenza artificiale. Articoli, forum, siti web e documenti pubblici hanno costituito la base su cui sono stati costruiti i chatbot e gli strumenti generativi che oggi milioni di persone utilizzano ogni giorno. Quel modello, però, sta iniziando a mostrare i suoi limiti.
Secondo una recente indagine pubblicata da 404 Media, diverse aziende che sviluppano sistemi di intelligenza artificiale stanno acquistando enormi quantità di libri cartacei, soprattutto nel mercato dell’usato, per trasformarli in nuovi dataset di addestramento. Dietro questa scelta non c’è soltanto la ricerca di nuovi contenuti, ma anche la necessità di trovare testi scritti interamente da esseri umani, in un momento in cui Internet è sempre più popolato da materiale generato dall’intelligenza artificiale.
Il web non è più una fonte “pulita”
L’esplosione dell’intelligenza artificiale generativa ha cambiato profondamente il panorama dei contenuti online. Negli ultimi anni sono comparsi milioni di articoli, post, recensioni e pagine web prodotti interamente o parzialmente con strumenti basati sull’AI.
Questo fenomeno rischia di creare un problema per le aziende che sviluppano nuovi modelli linguistici. Addestrare un’intelligenza artificiale su contenuti generati da altre intelligenze artificiali potrebbe infatti ridurre la qualità dei dati utilizzati, amplificando errori, ripetizioni e informazioni poco affidabili.
Per questo motivo cresce l’interesse verso archivi composti da testi realizzati prima della diffusione dell’AI generativa, quando i contenuti erano ancora il risultato esclusivo del lavoro umano.
Perché proprio i libri cartacei
I libri pubblicati negli anni precedenti all’arrivo dei moderni chatbot rappresentano una delle fonti più preziose per l’addestramento dei modelli.
Oltre a offrire testi generalmente più curati dal punto di vista linguistico, contengono contenuti sviluppati senza l’influenza degli strumenti di intelligenza artificiale. Per le aziende del settore questo significa poter disporre di materiale considerato più autentico e meno esposto ai problemi legati alla cosiddetta “contaminazione” del web.
Secondo il report, le società acquistano grandi quantità di libri usati attraverso intermediari specializzati, che si occupano di reperire rapidamente migliaia di volumi senza concentrarsi su autori o generi specifici.
Molti libri vengono digitalizzati e poi distrutti
L’aspetto che sta suscitando maggiore discussione riguarda il metodo utilizzato per trasformare i libri in dati digitali. In molti casi, infatti, preservare il volume originale non rappresenta una priorità. Per accelerare il processo di scansione e ridurre i costi, i libri vengono smontati così da poter acquisire le pagine più rapidamente con scanner professionali.
Si tratta di una pratica già emersa negli ultimi anni, ma che secondo l’indagine starebbe assumendo dimensioni sempre più rilevanti con la crescita della domanda di dati destinati all’addestramento dell’intelligenza artificiale.
Il ruolo di ISBNdb
Tra le realtà citate nell’inchiesta compare anche ISBNdb, piattaforma che raccoglie informazioni bibliografiche su oltre cento milioni di libri.
Secondo la ricostruzione pubblicata da 404 Media, l’azienda avrebbe iniziato a offrire servizi specifici per clienti del settore AI interessati all’acquisto di grandi quantità di libri cartacei.
Diversi rivenditori indipendenti avrebbero segnalato un improvviso aumento degli ordini, spesso caratterizzati dall’acquisto simultaneo di centinaia o migliaia di titoli senza particolari criteri legati agli autori, agli argomenti o alle case editrici. Un comportamento che lascia pensare a operazioni finalizzate principalmente alla raccolta di dati piuttosto che alla distribuzione tradizionale dei libri.
Un nuovo fronte nel dibattito sul copyright
La ricerca di dati di qualità arriva mentre le aziende di intelligenza artificiale continuano ad affrontare numerose controversie legali sull’utilizzo di opere protette dal diritto d’autore.
Negli ultimi mesi diverse società sono finite al centro di procedimenti giudiziari legati all’impiego di libri, musica, immagini e altri contenuti durante l’addestramento dei modelli.
L’acquisto regolare di copie cartacee potrebbe sembrare una soluzione per ridurre alcune criticità, ma il tema resta complesso. Possedere fisicamente un libro non implica automaticamente il diritto di utilizzarne il contenuto per creare dataset destinati all’addestramento di sistemi di intelligenza artificiale, un aspetto che continua a essere oggetto di dibattito sia sul piano giuridico sia su quello editoriale.
C’è anche una questione culturale
Oltre agli aspetti tecnologici e legali, l’indagine evidenzia un possibile effetto collaterale che riguarda la conservazione del patrimonio librario.
Secondo alcuni esperti, la crescente domanda di libri da parte delle aziende AI potrebbe ridurre la disponibilità di opere rare, fuori catalogo o difficili da reperire. Se migliaia di copie venissero acquistate per essere digitalizzate e archiviate all’interno di database privati, alcuni testi potrebbero diventare ancora meno accessibili per lettori, collezionisti e biblioteche.
Al momento non esistono dati che indichino un impatto significativo sul mercato librario, ma il fenomeno viene osservato con attenzione da editori e studiosi.
La qualità dei dati diventa la nuova sfida dell’intelligenza artificiale
L’interesse crescente verso i libri cartacei dimostra come, nell’era dell’intelligenza artificiale, la disponibilità di dati non sia più l’unico problema. Oggi conta soprattutto la loro qualità. Con Internet sempre più popolato da contenuti prodotti automaticamente, trovare testi originali scritti da esseri umani sta diventando una risorsa strategica.
È probabile che questa tendenza continui nei prossimi anni, spingendo le aziende a cercare nuove fonti di informazioni affidabili. Allo stesso tempo, crescerà il confronto su come bilanciare innovazione, tutela del diritto d’autore e conservazione del patrimonio culturale, in un settore destinato a influenzare sempre di più il futuro dell’intelligenza artificiale.
