Milioni di libri fatti a pezzi per addestrare l'intelligenza artificiale: suona come un'immagine retorica. Non lo è: descrive un'operazione materiale che avviene davvero, e che consiste nel privare i volumi della rilegatura per passarli in uno scanner ad alta velocità.
Il libro fisico, dopo, non esiste più come oggetto. Restano le pagine sciolte e il file.
Perché si fa così
La ragione è tecnica e riguarda la qualità della digitalizzazione.
Scansionare un libro rilegato significa aprirlo, appoggiarlo, fotografare due pagine per volta, gestire la curvatura verso il dorso che deforma il testo. È lento e produce immagini imperfette.
Tagliare il dorso trasforma il volume in una risma di fogli sciolti, che uno scanner con alimentatore automatico processa in pochi minuti, con pagine perfettamente piane e testo leggibile senza correzioni.
La differenza in termini di velocità e qualità è tale che, quando si tratta di digitalizzare grandi quantità, la seconda strada è l'unica praticabile.
Perché servono i libri
I modelli linguistici vengono addestrati su enormi quantità di testo, e non tutti i testi hanno lo stesso valore.
Il materiale disponibile in rete è abbondante ma disomogeneo: contiene errori, ripetizioni, linguaggio approssimativo, testi generati automaticamente da altri sistemi.
I libri hanno caratteristiche opposte. Sono stati scritti da qualcuno, corretti da qualcun altro, rivisti da un editor, controllati da un correttore di bozze. Contengono ragionamenti lunghi, strutture argomentative complete, prosa curata.
È materiale di qualità superiore, e questo lo rende particolarmente ricercato.
La questione dei diritti
Qui il quadro si complica, e le posizioni sono contrapposte.
Chi acquista un libro ne acquista la copia, non i diritti sul contenuto. Digitalizzare per uso personale è una cosa; usare quel testo per addestrare un sistema che poi genererà altri testi è una questione diversa, su cui la normativa non offre risposte univoche.
Nel mondo anglosassone sono in corso da tempo cause promosse da autori ed editori. Nell'Unione Europea la discussione si intreccia con le norme sul mercato unico digitale e sulle eccezioni per l'estrazione di testi e dati.
Nessuno di questi contenziosi ha prodotto finora un principio consolidato.
Il fronte europeo
In parallelo si è aperta una vertenza che riguarda i contenuti giornalistici.
Trecento quotidiani francesi hanno chiesto l'intervento dell'autorità antitrust contro le sintesi generate automaticamente dai motori di ricerca, sostenendo che sottraggano traffico e valore agli editori che quei contenuti li producono.
Il tema è diverso da quello dei libri ma la logica è la stessa: contenuto prodotto da qualcuno, utilizzato da altri per generare un servizio, senza che il produttore riceva nulla.
Le società tecnologiche hanno cominciato a rispondere offrendo agli editori strumenti di controllo, come la possibilità di essere indicizzati senza cedere i contenuti ai sistemi generativi.
Cosa comporta per i lettori
Un lettore potrebbe chiedersi in cosa lo riguardi. Ci sono due conseguenze concrete.
La prima è economica. Se i libri hanno un valore come materiale di addestramento, quel valore dovrebbe in qualche misura tornare a chi li ha scritti. In un settore dove gli autori guadagnano già poco per copia venduta, la questione non è marginale.
La seconda riguarda cosa leggeremo. Un mercato in cui generare testi costa quasi nulla si riempie rapidamente, e un lettore che deve distinguere fra libri scritti e libri prodotti ha un problema pratico che oggi non ha strumenti per risolvere.
Il caso degli ordini sospetti
A questo si aggiunge un fenomeno segnalato in Europa e ancora poco chiaro: ordini di dimensioni anomale arrivati ad alcune librerie, con il sospetto che dietro ci siano acquisti massivi destinati proprio alla digitalizzazione.
Ne parliamo a parte negli ordini enormi e improvvisi nelle librerie europee. Se confermato, indicherebbe che il materiale non viene reperito solo attraverso accordi con gli editori, ma anche comprando normalmente sul mercato — con il vantaggio, per chi acquista, di non dover negoziare nulla.
Non è la prima volta
La digitalizzazione massiva di libri ha un precedente importante, ed è utile ricordarlo.
Negli anni Duemila un grande progetto di scansione delle biblioteche universitarie americane produsse anni di contenziosi con autori ed editori, risolti solo in parte e dopo lungo tempo.
Quella vicenda riguardava però un obiettivo diverso: rendere i libri consultabili e ricercabili. Il testo veniva digitalizzato per essere mostrato, sia pure in estratti.
Qui l'obiettivo è opposto: il testo non verrà mai mostrato a nessuno. Serve a modificare i parametri di un sistema, e dopo l'addestramento non è più recuperabile come tale.
È una differenza che complica l'applicazione delle categorie giuridiche esistenti, costruite intorno all'idea di riproduzione e distribuzione.
Cosa si può fare
Sul piano individuale, poco. Sul piano di settore, alcune direzioni sono già visibili.
Le clausole contrattuali sono cambiate: molti editori hanno introdotto disposizioni specifiche sull'uso dei testi per l'addestramento, e gli autori più informati le negoziano.
Le organizzazioni di categoria stanno lavorando su sistemi di licenza collettiva, che consentirebbero l'uso dei testi a fronte di un compenso, come già avviene per altri diritti.
Nessuna di queste soluzioni è operativa su larga scala, e nel frattempo la digitalizzazione continua. È probabilmente il caso più chiaro, nel mondo del libro, di una tecnologia arrivata prima delle regole.
Il paradosso della qualità
C'è un aspetto della vicenda che vale la pena registrare.
I libri sono materiale pregiato per l'addestramento proprio perché sono stati curati: scritti da qualcuno, corretti, rivisti da professionisti. È quel lavoro editoriale a renderli preziosi.
Se quel lavoro venisse meno — perché scrivere non è più sostenibile, perché il mercato si riempie di testi prodotti automaticamente — verrebbe meno anche il materiale su cui i sistemi si addestrano.
È una dipendenza che raramente viene messa in evidenza, e che rende l'interesse alla sopravvivenza dell'editoria di qualità meno unilaterale di quanto sembri.
