Le aziende di intelligenza artificiale stanno acquistando (e distruggendo) tonnellate di libri di carta

Mentre il dibattito pubblico sull’intelligenza artificiale si concentra sulle violazioni del copyright digitale e sul web scraping indiscriminato, dietro le quinte si sta consumando una prassi tanto pragmatica quanto paradossale: la distruzione fisica dei libri di carta.

Per alimentare e addestrare i nuovi Large Language Model (LLM) con dati privi di errori e di altissima qualità, diverse aziende tech e fornitori di dati specializzati stanno acquistando migliaia di libri fisici per poi macerarli o sminuzzarli durante il processo di scansione ad alta velocità.

Il fenomeno del “Book Cropping”: perché la carta batterà il digitale

Potrebbe sembrare un controsenso nell’era dell’informazione digitale, ma le scansioni fisiche dirette presentano vantaggi enormi per gli sviluppatori di IA:

• Purezza del dato: I file PDF reperiti online o gli e-book piratati contengono spesso errori di formattazione, watermark, conversioni OCR imperfette e metadati corrotti.

• Diritti d’autore e tracciabilità: Acquistare regolarmente copie fisiche sul mercato (nuove o usate) fornisce una pezza d’appoggio legale nell’acquisizione del materiale, aggirando le restrizioni dei DRM degli e-book commerciali.

• Volume e rarità: Moltissimi volumi accademici, manuali tecnici e saggi storici out-of-print esistono unicamente in formato cartaceo e non sono mai stati digitalizzati prima d’ora.

Per scansionale in modo ultra-rapido (migliaia di pagine al giorno), lo spetto rilegato dei libri viene letteralmente ghigliottinato (tecnica nota come destructive scanning o book cropping). Le singole pagine sciolte vengono poi inserite in scanner ad altissima risoluzione per essere convertite in testo puro tramite OCR avanzati e infine mandate al macero.

📚 SCHEDA TECNICA E RETROSCENA

• Settore: Data Sourcing per IA, Modelli Linguistici (LLM)

• Pratica: Destructive Scanning / Book Cropping (Taglio della rilegatura)

• Obiettivo: Ottenere dataset di testo puro e ad alta fedeltà privi di DRM

• Materiale Coinvolto: Saggistica, manuali tecnici, volumi fuori catalogo, libri usati

• Punto Critico: Distruzione irreversibile della copia fisica e contesi sul copyright

Il mercato segreto del dataset fisico

Questa corsa all’oro del testo stampato ha creato un vero e proprio mercato parallelo. Intere librerie dell’usato, magazzini di rimanenze ed editori accademici si vedono recapitare ordini d’acquisto cumulativi per migliaia di volumi da parte di intermediari specializzati nel recupero dati per il settore AI.

Se da un lato l’operazione permette di digitalizzare e rendere “leggibile” per le macchine una conoscenza altrimenti destinata all’oblio nei magazzini, dall’altro solleva forti perplessità etiche e ambientali tra bibliotecari, collezionisti ed editori, basiti fronte all’immagine di montagne di libri trasformate in poltiglia di carta dopo essere state scansionate.

✂️ ANATOMIA DEL DESTRUCTIVE SCANNING

• Acquisto: Inoltro di ordini massivi per volumi cartacei usati o fuori catalogo.

• Preparazione: Rimozione della copertina e taglio netto della rilegatura a lama.

• Digitalizzazione: Scansione ad alta velocità e conversione OCR in testo puro.

• Eredità: Distruzione del libro fisico ma salvataggio del dato nel dataset dell’IA.

Il giudizio di Geek Club Italia

Ci troviamo di fronte a una delle immagini più distopiche e affascinanti della nostra epoca: macchine del futuro che divorano fisicamente la carta del passato per imparare a pensare come gli umani. Se da un lato il destructive scanning solleva interrogativi sulla conservazione fisica del sapere, dall’altro dimostra come la parola stampata su carta rimanga ancora oggi lo standard aureo definitivo per la qualità dell’informazione.

Fonti ufficiali

• AI Data Sourcing & Data Processing Industry Reports

• International Association of Scientific, Technical and Medical Publishers Archives