Le società sono a caccia di testi scritti prima del 2022 da dare in pasto ai modelli perché sono sicuramente opera dell'intelletto umano. Ma poi le copie cartacee finiscono al macero

Nella bottega di Pieter de Vries, nel centro storico di Haarlem, il tempo si muove piano. Sessant'anni, olandese, de Vries vende mappe, stampe e illustrazioni che in buona parte risalgono al Cinquecento e al Seicento, con una parallela attività di libri rari: una storia di Roma stampata nel 1558, resoconti di viaggio settecenteschi, prime edizioni, volumi di storia naturale. In una giornata media vende un libro. I clienti entrano col contagocce, il telefono squilla di rado.

Per questo la mail arrivata a metà giugno gli è parsa subito fuori scala. La mittente si presentava come Nataly, per conto di una società chiamata 2077AI: un progetto di raccolta di libri in più lingue, soprattutto inglese, e in allegato l'elenco dei titoli cercati. Circa tremila. De Vries non ha nemmeno aperto il foglio di calcolo: nel commercio antiquario è già insolito che qualcuno voglia due copie dello stesso libro, figurarsi centinaia. Ha pensato a una truffa.

Non era così. Come ha ricostruito il Telegraph, e prima ancora la testata americana 404 Media, de Vries è uno delle centinaia di librai contattati quest'anno da società che rastrellano il mercato mondiale dell'usato per conto dell'industria dell'intelligenza artificiale. I volumi finiscono in scanner ad alta velocità che ne recidono il dorso; le pagine, una volta acquisite, vengono triturate.Ma perché i colossi della Silicon Valley sono a caccia di libri di carta? La risposta è un paradosso: dopo aver riversato in rete quantità sterminate di testo sintetico, quelle stesse aziende faticano a trovare materiale su cui addestrare i modelli di prossima generazione. È quello che gli addetti ai lavori chiamano "data wall" il muro dei dati. La verità è che servono ancora contenuti prodotti da esseri umani.I libri stampati prima del 2022, cioè prima della diffusione di massa dei modelli linguistici, sono, per pura ragione cronologica, privi di testo generato artificialmente. Sono «puliti». In rete si rischia di raccogliere materiale prodotto da altre macchine, innescando quello che i ricercatori chiamano «model collapse», il degrado progressivo di un modello che si nutre dei propri scarti. In più, negli ultimi anni sono comparsi strumenti che permettono agli autori contrari allo scraping di «avvelenare» i testi digitali, inserendo elementi pensati per sabotare l'addestramento: anche da questo la carta stampata prima del 2022 è immune, semplicemente perché è stata composta prima che quegli strumenti esistessero.Su queste operazioni ha costruito la propria offerta ISBNdb, società che gestisce quello che rivendica come il più grande database librario del mondo, l'archivio dei codici ISBN, i tredici numeri sotto il codice a barre di ogni volume in commercio. Per anni è stato uno strumento di magazzino per librerie e biblioteche; poi il sito ha cominciato a proporre ai laboratori di AI l'acquisto in blocco di libri fisici, da mille a un milione di copie per ordine. I libri, per essere scansionati e dati in pasto alle AI vengono privati della rilegatura, smembrati e tagliati con macchine idrauliche. E alla fine dell'operazione vengono distrutti. Le aziende non utilizzano più i pdf pirata: molti autori ed editori che lo hanno scoperto hanno denunciato e il rischio è dover pagare risarcimenti miliardari. Le aziende tecnologiche che acquistano enormi quantità di libri fisici ne diventano propietarie e di fatto possono farne quel che vogliono, compreso distruggerli. Ma perché lo fanno?Per addestrare un modello serve testo digitale, e un libro di carta va quindi scansionato: ma scansionare significa fare una copia, ed è esattamente ciò che il diritto d'autore vieta. Comprare il volume non risolve nulla, perché chi lo acquista diventa proprietario dell'oggetto e non dei diritti sul contenuto, può rivenderlo, prestarlo, buttarlo via, non fotocopiarlo. Negli Stati Uniti è però in vigore la controversa legge legata al copyright: la copia digitale derivante dalla scansione è considerata «fair use», ovvero può essere utilizzata per scopi come critica, commento, informazione giornalistica e insegnamento senza dover chiedere il permesso al titolare del copyright. Il libro cartaceo acquistato, quando digitalizzato, viene trasformato. Il file prende il posto della carta: viene distrutto perché se il volume resta sullo scaffale mentre il file viene conservato, le copie diventano due a fronte di una pagata. Non più una trasformazione ma una moltiplicazione. Per questo i libri vengono distrutti e non più "ricomposti" come sarebbe possibile fare. Ma quando si parla di opere antiche o fuori catalogo la distruzione diventa una perdita culturare enorme.