Il existe une matière première que l’industrie ne sait plus produire et qu’elle va chercher au fond de la mer. L’acier coulé avant les essais nucléaires atmosphériques ignore les radionucléides déposés depuis dans les hauts fourneaux, et les fabricants de détecteurs sensibles découpent les navires sabordés avant 1945. Sa valeur tient à sa date de coulée.
Les laboratoires d’intelligence artificielle affrontent la version textuelle de ce problème, doublée d’une seconde pénurie. Il leur manque des écrits assez tenus pour redresser une prose devenue plate, et des traces de métier montrant comment un professionnel instruit un dossier. Deux circuits d’approvisionnement se sont ouverts, l’un sur les archives des entreprises liquidées, l’autre sur les livres d’occasion.
Deux affaires viennent de les rendre visibles. Le tribunal des faillites de New York a adjugé à Google, pour dix millions de dollars, le fonds documentaire interne de Spirit Airlines, et un document descellé en janvier 2026 a révélé sous le nom de projet Panama l’achat massif de livres papier par Anthropic, tranchés à la presse hydraulique avant numérisation. Le lot vendu, la contestation syndicale et la chaîne du livre forment un même dossier.
Une industrie qui a épuisé sa matière première
Une industrie ne produit jamais mieux que ce qu’elle consomme. Les modèles de langage ont consommé le web ouvert, moissonné des années par une poignée de laboratoires, gisement affligé de deux défauts symétriques. Le travail réel n’y figurait pas, nulle entreprise ne mettant en ligne ses procédures, et ce qui s’y trouvait relevait d’un registre plus oral que littéraire. Le premier vide retire une compétence aux modèles, le second une tenue d’écriture.
Depuis fin 2022, la toile s’est chargée des sorties que ces mêmes modèles y déversent, qu’aucun marquage ne trie. À chacun de ces manques répond un gisement, les archives d’exploitation pour le geste professionnel, les livres imprimés pour la langue. Anthropic et ses concurrents se procuraient des ouvrages sans les payer jusqu’en 2023 ; les plaintes des auteurs et des éditeurs ont fermé les bibliothèques pirates, laissant l’achat de papier pour unique voie licite. Les archives d’entreprise ne circulent qu’au fil des faillites, où des sociétés vivent de constituer ces corpus pour les laboratoires.
Dix millions de dollars pour les traces d’une compagnie morte
Ce que le lot contient et ce qu’il laisse dehors
Spirit Airlines, transporteur américain à bas coût, a arrêté ses vols le 2 mai 2026 après deux redressements en moins de deux ans : un premier chapitre 11 en novembre 2024, après l’échec judiciaire de sa fusion avec JetBlue, un second en août 2025. Au catalogue des actifs cédés, ses fichiers voisinent avec ses appareils et ses créneaux.
Le lot, intitulé « Deidentified Data », rassemble la messagerie des salariés, leurs échanges Teams, les agendas, les tableurs et les données d’exploitation : cent millions de messages sur quatre-vingt mille comptes, 516 dépôts de code source et 175 658 dossiers de personnel remontant à 1986. Les profils clients et les fichiers de fidélité en sont écartés.
Dans sa déclaration au tribunal, Google affecte ce contenu au développement de ses produits et à l’entraînement de ses modèles. De tels documents valent par la trace des gestes ordinaires, un tableur de recettes ou un fil Teams, et par la décision sous contrainte qu’ils laissent voir, avec ses arbitrages et ses reprises. Rien de tel sur le web : une entreprise en activité ne publie pas son travail courant, et seule une liquidation entrouvre des décennies de métier. La Federal Energy Regulatory Commission l’avait montré en versant au public, en 2003, les 619 446 courriels d’Enron.
Le gros et le détail
Mercor, battu à 7,5 millions de dollars, ne construit aucun modèle : il assemble des corpus professionnels en rémunérant des praticiens pour les documents produits chez leurs anciens employeurs. Un besoin unique se satisfait par deux circuits, l’achat en bloc à une entreprise morte et l’achat pièce à pièce à ceux qui y ont travaillé, le second butant sur ce que le droit du travail attribue à l’employeur. Un modèle appelé aux exceptions d’une compagnie aérienne doit bien avoir vu comment elles se règlent.
Anonymiser une archive sans rompre ses jointures
Un agent d’anonymisation désigné et payé par l’acheteur
Spirit s’était engagé à dépersonnaliser les enregistrements avant remise, en effaçant les noms. Le contrat confie l’opération à un tiers astreint à la définition de « deidentified » du California Consumer Privacy Act : mesures raisonnables, engagement public de ne pas réidentifier, même obligation reportée sur tout destinataire. Ce tiers doit recevoir l’agrément de l’acheteur ou être choisi par lui, et c’est l’acheteur qui le rémunère.
Le même contrat exige de maintenir la « referential integrity across the data set », les clés qui relient les jeux de données, sans quoi l’ensemble perd sa valeur. Or ces clés rapprochent un bulletin de paie, un agenda et un fil de discussion, donc recomposent une personne que plus aucun nom ne désigne. Depuis 2014, le droit européen jauge toute anonymisation à trois risques, dont celui de la corrélation.
Ce que le code des faillites protège, et qui il oublie
Le garde-fou fédéral ne joue que si le débiteur avait publié une politique interdisant le transfert d’informations personnellement identifiables, définies comme celles qu’un individu remet en obtenant un produit à des fins personnelles ou domestiques. Un salarié n’obtient pas un produit, il exécute un contrat de travail : la définition ne l’atteint pas, et l’ombudsman nommé au dossier renseigne le tribunal sans rien pouvoir bloquer.
La contestation des personnels de cabine et le rendez-vous du 9 septembre
Cette matière convoitée reste celle de personnes, et les personnels de cabine de Spirit ont attaqué la vente le 18 août. Sara Nelson, présidente internationale de l’AFA-CWA, syndicat qui représentait 5 500 navigants chez Spirit, a jugé l’opération « outrageous », craignant la reconstitution d’individus ou de petits groupes identifiables. L’objection réclame le rejet de la vente à moins d’en retirer dossiers de formation, pointages, paies et contenus Microsoft 365 les concernant.
L’enchère s’était tenue le 14 août, l’audience d’approbation étant fixée cinq jours plus tard ; le syndicat en a obtenu le report au 9 septembre. Trois issues restent ouvertes. Homologuer la vente en l’état poserait qu’une archive de travail se cède comme un moteur d’avion ; en retirer les données des navigants créerait une protection absente de la loi fédérale ; un protocole durci, sacrifiant une part des jointures, plafonnerait la valeur d’un corpus. L’acquéreur vise moins les documents que la possibilité de refaire le chemin des décisions dans un désordre organisé.
Une langue d’avant les machines
La seconde quête vise une avarie plus gênante, l’expression des modèles eux-mêmes, dont la chute part de peu haut. Depuis deux ans, les utilisateurs professionnels signalent que la prose des systèmes les plus répandus s’identifie, tourne en boucle et s’affadit ; nombre de rédactions et de directions de la communication imposent une réécriture humaine systématique. Les laboratoires disposeraient d’un indicateur plus direct, leurs interfaces enregistrant reprises, régénérations et demandes de réécriture, dont le volume dirait l’écart entre texte espéré et texte livré. Aucun document public n’atteste cette mesure.
L’effondrement de modèle et la nuance qu’on oublie
L’article de référence a paru dans Nature le 24 juillet 2024, précédé d’une prépublication de mai 2023, et nomme effondrement de modèle cet appauvrissement. Le phénomène commence par une dérive imperceptible, les queues de distribution se vident, puis l’éventail des formulations se resserre jusqu’à sauter aux yeux, dès lors que l’entraînement porte sur des textes issus de machines.
Le récit courant s’interrompt ici et manque l’essentiel. Un travail déposé en avril 2024 établit qu’accumuler les données synthétiques auprès des réelles, au lieu de les y substituer, borne l’erreur et fait disparaître l’effondrement. Chercher des textes antérieurs à 2022 n’est donc pas le remède obligé d’un mal inéluctable, mais une garantie de provenance, un label autant qu’une propriété technique.
Wordfreq et la mesure de la contamination
L’ampleur du phénomène se lit dans l’arrêt du projet wordfreq, qui relevait la fréquence des mots dans plus de quarante langues et que ses responsables ont fini par abandonner, l’usage humain ne se distinguant plus du texte automatique. Son document d’adieu, en septembre 2024, avance une seconde cause, la fermeture des interfaces de Twitter et la vente des archives de Reddit. La contamination a érigé 2022 en critère d’achat, les acquéreurs préférant les ouvrages antérieurs à la diffusion grand public des modèles, tenus pour vierges de texte de machine : la rareté se compte en date plutôt qu’en volume, et des fonds d’occasion sans cote y gagnent une utilité industrielle.
Le projet Panama et la presse hydraulique
La destruction comme condition de la légalité
Anthropic mène ces achats en volume industriel depuis 2024, sous un nom de code que la justice a exhumé. Une pièce interne descellée en janvier 2026 devant une juridiction fédérale présente le projet Panama comme l’entreprise de « numériser destructivement tous les livres du monde », et la même page porte un aveu : « nous ne voulons pas que l’on sache que nous y travaillons ». Le Washington Post, détenteur de ces pièces, chiffre à des dizaines de millions de dollars l’achat d’ouvrages auprès de revendeurs dont Better World Books et le britannique World of Books.
Un prestataire assurait la numérisation, sa chaîne sectionnant les reliures sous presse hydraulique avant que les feuillets ne défilent devant une imagerie industrielle. Le geste heurte alors qu’il fonde la légalité de l’opération : le juge William Alsup a admis le 23 juin 2025 que scanner un exemplaire acheté équivaut à un changement de format, l’original cessant d’exister. La même ordonnance a refusé l’usage loyal à sept millions de livres tirés de bibliothèques pirates.
Les traces à l’autre bout de la chaîne
La Radio Télévision Suisse a repéré en 2026 les effets du dispositif chez des libraires allemands, qui enregistraient des commandes automatisées entre trois et cinq heures du matin, comportement observé ensuite aux États-Unis, en Espagne, en Nouvelle-Zélande et au Royaume-Uni. Le quotidien espagnol eldiario.es a trouvé chez le revendeur Zoom Books des pages, retirées depuis, annonçant l’achat de livres d’occasion pour nourrir des algorithmes. 404 Media rapporte des commandes par centaines de milliers passées derrière des intermédiaires, et a suivi le 17 août 2026 un traceur glissé dans un livre rare jusqu’à un entrepôt Amazon de Las Vegas.
Meta, Google et OpenAI procéderaient à des achats comparables, selon le Washington Post. Aucune pièce descellée ne l’établit, à la différence du projet Panama, ce qui commande la réserve : une pratique de filière trahirait une contrainte partagée plutôt qu’une stratégie isolée. Seule Amazon a reconnu se procurer des livres par des canaux commerciaux, sans dire ce qu’elle en fait.
Les archives de Spirit livrent une compétence, l’ordre dans lequel un métier se déroule. Les livres antérieurs à 2022 livrent une langue, la façon dont une pensée s’écrit lorsque aucune machine ne l’a devancée. Un modèle nourri des seules archives saurait instruire un dossier sans savoir le rédiger, et l’inverse tient : deux gisements, deux finalités, dont aucune ne remplace l’autre.
Deux propriétés communes commandent le reste. Des humains ont produit ces matières à des fins étrangères à l’entraînement, ce qui fait leur qualité ; elles sont finies, ce qui fait leur prix. Le stock des livres parus avant 2022 ne s’agrandira plus, et les archives d’une entreprise ne s’ouvrent qu’au hasard d’un accident, faillite, cession ou départ de salariés. La somme versée mesure cette rareté plus que l’usage attendu : vingt-deux créneaux de la même liquidation, à LaGuardia, valaient environ 87 millions de dollars, quand le lot de données, à dix millions, fut le seul actif contesté.
Toute organisation détient ces deux matières, son archive d’exploitation et ses fonds antérieurs à 2022, désormais pourvues d’une valeur marchande indéniable, et aucun contrat courant ne dit ce qu’elles deviennent lors d’une cession, d’une liquidation ou d’un changement d’hébergeur. Ce silence rencontrera d’abord une décision de justice, le tribunal des faillites de New York devant statuer le 9 septembre : ce qu’il retiendra fera précédent sur ce qu’un corpus d’entreprise emporte en changeant de mains. Rares sont les comités de direction à s’être demandé à qui reviennent les traces de leur activité le jour où ils n’y seront plus.
Aller plus loin
C’est au niveau des numéros de docket que le dossier se lit, et l’analyse Google wins bankrupt Spirit Airlines data for $10 million restitue le contenu du lot, la clause d’intégrité référentielle, les standards imposés à l’agent d’anonymisation et le calendrier de la vente.
La preuve que la définition américaine de l’information personnelle est trop étroite tient dans le texte de S.1916, Don’t Sell My DNA Act, déposé au Sénat le 22 mai 2025, qui ajoute l’information génétique à la définition du code des faillites après l’affaire 23andMe : le Congrès répare catégorie par catégorie.
La grille disant pourquoi retirer les noms ne suffit pas figure dans l’avis 05/2014 sur les techniques d’anonymisation du groupe de l’article 29, adopté le 10 avril 2014, qui juge toute anonymisation à l’aune de l’individualisation, de la corrélation et de l’inférence. Garantir les jointures par contrat revient à garantir le deuxième.
Le chiffre qui manque à l’argumentaire syndical est établi par Estimating the success of re-identifications in incomplete datasets using generative models, paru dans Nature Communications le 23 juillet 2019, où quinze attributs démographiques rendent uniques 99,98 % des habitants du Massachusetts, même dans des jeux très lacunaires.
Ce qu’un employeur français peut légalement conserver est fixé par le référentiel des durées de conservation des données de gestion des ressources humaines publié par la CNIL le 2 avril 2026, dont la lecture rend saisissante l’existence de dossiers de salariés ouverts en 1986 dans un lot mis en vente.
Le geste de la presse hydraulique cesse d’être une brutalité gratuite à la lecture de l’ordonnance sur l’usage loyal rendue dans Bartz contre Anthropic le 23 juin 2025, qui ne valide la numérisation d’un exemplaire acheté que parce que l’original disparaît, une copie remplaçant l’autre au lieu de s’y ajouter.
Le dossier déborde le seul cas Anthropic depuis que 404 Media a publié, le 17 août 2026, We Tracked a Shipment of Rare Books. It Ended at an Amazon AI Training Facility, enquête où un traceur glissé dans un livre rare mène à un entrepôt de Las Vegas où des salariés tranchent les reliures.
La référence que chacun cite sans la nommer est AI models collapse when trained on recursively generated data, paru dans Nature le 24 juillet 2024, où la disparition des queues de distribution précède le moment où la dégradation se voit.
Le contrepoint que le récit de l’effondrement omet presque toujours tient dans Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data, qui montre qu’accumuler les données synthétiques à côté des réelles borne l’erreur et supprime l’effondrement. La ruée sur les textes anciens y perd son caractère de fatalité.
Le miroir public du projet Panama se documente enfin dans Institutional Books 1.0, publié le 10 juin 2025 par l’Institutional Data Initiative de la bibliothèque de droit de Harvard, qui réunit 983 004 volumes du domaine public en plus de 250 langues. Rien n’y est détruit et rien n’y est caché.
Lus ensemble, ces documents déplacent la question. Le débat porte moins sur la légitimité d’entraîner un modèle que sur la solidité de deux promesses : celle d’une anonymisation qui laisse intactes les clés permettant de recomposer une personne, et celle d’une raréfaction qui justifierait tous les moyens quand la science en discute les prémisses et que des corpus licites existent. Entre les deux se glisse l’absence de règle sur le sort d’une archive de travail lorsque l’entreprise qui l’a produite disparaît.