Nel 2024, i giganti dell’intelligenza artificiale stanno tornando alle origini: milioni di libri cartacei, prelevati dal mercato dell’usato, diventano le nuove fonti per addestrare i loro modelli. Non è una scelta casuale. Dietro c’è un problema che cresce da tempo: i contenuti digitali, sempre più “inquinati” da testi generati dalle stesse AI, rischiano di creare un loop pericoloso. Un circolo vizioso dove l’intelligenza artificiale si autoalimenta, perdendo qualità e originalità. Così, si torna a cercare materiale autentico, scritto a mano dall’uomo, prima dell’era digitale che ha saturato il web di dati “contaminati”.
Digitali? Troppo “contaminati”: perché si torna ai libri veri
Negli ultimi anni, il web si è riempito di contenuti scritti o modificati da intelligenze artificiali. Blog, articoli, post e immagini spesso non sono più opera di persone, ma di algoritmi che scrivono da soli. Questo ha messo in difficoltà chi sviluppa AI: “come si fa a insegnare a una macchina usando testi prodotti da altre macchine?” Il rischio è che si perda precisione, originalità e profondità, perché si finisce per ripetere errori o semplificazioni.
Il risultato è una specie di eco digitale che mina la qualità dei modelli più avanzati, soprattutto quelli linguistici, dove è cruciale avere testi ricchi e vari. Da qui nasce la caccia a fonti più affidabili, capaci di offrire contenuti puliti e autentici. I libri stampati, quelli scritti prima che l’AI entrasse nelle nostre vite digitali, sono diventati un vero e proprio tesoro di testi originali, senza tracce di intelligenze artificiali.
Come si compra e si digitalizza l’usato per l’AI
Le aziende dell’AI stanno investendo molto nell’acquisto di grandi stock di libri usati, spesso attraverso intermediari che lavorano sui mercati dell’usato in tutto il mondo. Questi libri, presi da biblioteche, librerie o collezioni private, vengono digitalizzati. Ma non sempre con la massima cura: spesso le pagine vengono scansionate in massa per estrarre il testo, e molti volumi finiscono rovinati o distrutti.
Il motivo è semplice: comprare libri usati costa meno rispetto all’acquisto di diritti digitali originali, e la scansione rapida permette di avere subito a disposizione grandi quantità di dati. Poi si usa il riconoscimento ottico dei caratteri per trasformare le pagine in testi leggibili e indicizzabili. Così si crea un enorme archivio utile per addestrare i modelli, con la garanzia che quei testi non siano “contaminati” da intelligenze artificiali precedenti.
Miliardi di investimenti per tornare al cartaceo
Digitalizzare libri cartacei non è una novità, ma negli ultimi anni il ritmo si è accelerato grazie a investimenti enormi da parte delle aziende tecnologiche. Alcune società leader dell’intelligenza artificiale hanno speso centinaia di milioni di dollari per comprare e digitalizzare intere collezioni. Sanno bene che la qualità dei dati è il cuore di modelli linguistici robusti e affidabili.
Questa scelta fa parte di una strategia più ampia: diversificare le fonti per compensare la saturazione dei contenuti digitali tradizionali. Oltre ai libri, si guarda anche a archivi storici, riviste, manoscritti e pubblicazioni scientifiche per trovare materiale di valore. L’obiettivo è costruire una base solida, fatta di testi rigorosi e umani, su cui far crescere le intelligenze artificiali.
Il rovescio della medaglia: quale futuro per il patrimonio culturale?
Dietro questa corsa ai libri c’è un tema delicato: la tutela del patrimonio culturale. Molti volumi, dopo la digitalizzazione, vengono sacrificati fisicamente. L’obiettivo principale non è conservare le copie originali, ma estrarre in fretta i dati per alimentare i modelli di AI. Questo apre il dibattito su come proteggere le opere letterarie e garantire l’accesso pubblico a questi materiali.
Alcune collezioni rischiano di scomparire dal patrimonio materiale senza che autori o istituzioni ricevano un giusto riconoscimento, culturale o economico. D’altro canto, la digitalizzazione permette di far circolare testi rari o fuori stampa, mettendoli a disposizione di ricercatori, appassionati e sviluppatori. È un equilibrio fragile tra progresso tecnologico e salvaguardia dei beni culturali, che richiede confronto tra aziende, enti culturali e società civile.
Il processo in corso nel 2024 segna una svolta importante nel rapporto tra intelligenza artificiale e conoscenza scritta, con effetti che vanno ben oltre la tecnica, fino a toccare il cuore della nostra cultura.