Les modèles d’intelligence artificielle générative (ChatGPT, Claude, Gemini, etc.) reposent sur des quantités colossales de textes, d’images et d’autres contenus produits par des humains : livres, articles de presse, sites web, forums, œuvres littéraires et journalistiques. Ces données sont collectées massivement, souvent sans consentement préalable ni rémunération des auteurs et éditeurs. Pour de nombreux créateurs et observateurs, cette pratique s’apparente à un pillage à l’échelle industrielle, transformant l’IA en l’un des plus grands « voleurs » de données de l’histoire numérique.
Une collecte massive et souvent opaque
Les entreprises d’IA entraînent leurs modèles sur des datasets géants issus du web (Common Crawl et équivalents), de bibliothèques de livres (y compris des sources pirates comme LibGen ou Pirate Library Mirror) et de contenus médiatiques. Des millions de livres, d’articles et d’œuvres protégées ont ainsi servi de matière première. Dans l’affaire Bartz v. Anthropic, le tribunal a jugé que l’entraînement lui-même pouvait relever du fair use américain dans certains cas, mais a estimé que le téléchargement et la conservation de millions de copies piratées violaient le droit d’auteur. Anthropic a finalement conclu un règlement record de 1,5 milliard de dollars, soit environ 3 000 dollars par œuvre pour près de 500 000 titres.
Des dizaines d’autres procès sont en cours ou ont été jugés de façon contrastée : le New York Times contre OpenAI et Microsoft, des actions d’auteurs contre Meta, des litiges sur les images (Getty Images) ou la musique. Les tribunaux américains ont rendu des décisions divergentes sur le fair use ; certains estiment l’entraînement transformateur, d’autres soulignent l’absence de compensation et le risque de substitution du marché. En Europe, la directive sur le droit d’auteur (exceptions de text and data mining) et l’AI Act imposent des obligations de transparence et le respect des opt-out, mais l’application reste complexe et contestée.
Le résultat est le même pour la plupart des créateurs individuels : leurs textes, reportages ou livres alimentent des systèmes qui génèrent ensuite des contenus concurrents ou de substitution, sans qu’ils perçoivent la moindre redevance. Les modèles sont conçus pour éviter la reproduction verbatim, ce qui rend la preuve d’utilisation difficile et le « vol » moins visible que le piratage classique, mais le préjudice économique (perte de trafic, de ventes, de licences) est réel pour la presse et l’édition.
Des solutions émergentes, encore inégales
Face à cette situation, plusieurs pistes ont été explorées ou mises en œuvre :
- Accords de licence directs : OpenAI a signé des contrats avec de grands groupes (News Corp, estimé à plus de 250 millions de dollars sur cinq ans ; Financial Times, Axel Springer, Associated Press, The Atlantic, etc.). Ces deals permettent l’utilisation pour l’entraînement et/ou l’affichage avec attribution. Reddit a monétisé ses données auprès de Google et OpenAI. Ces accords profitent surtout aux gros acteurs ; les indépendants en sont souvent exclus.
- Modèles de paiement à l’usage ou au crawl : Des plateformes comme Cloudflare (Pay Per Crawl, à partir de 0,001 dollar par page), TollBit ou ProRata proposent de facturer les bots IA ou de partager les revenus selon la contribution réelle d’un contenu à une réponse. Perplexity a expérimenté des programmes de redistribution (Comet Plus). Ces mécanismes visent à remplacer le scraping gratuit par des micropaiements ou des partages de revenus.
- Licences opt-in pour les auteurs : HarperCollins a proposé à des auteurs de non-fiction une licence limitée (environ 2 500 à 5 000 dollars par titre, souvent partagés 50/50 avec l’éditeur) pour l’entraînement, avec opt-in explicite. C’est un pas vers le consentement, même si les montants et les conditions (durée, usage ultérieur des modèles) restent discutés par les guildes d’auteurs.
- Réglementation et transparence : L’AI Act européen exige des fournisseurs de modèles general-purpose un résumé public des données d’entraînement et le respect des réservations de droits (opt-out). Des standards machine-readable (comme Really Simple Licensing) et des registres d’opt-out sont en discussion. Aux États-Unis, les class actions et les règlements créent une pression économique.
- Approches techniques et alternatives : Destruction des copies piratées (comme dans le règlement Anthropic), détection d’« isotopes » informationnels pour prouver l’utilisation de données non autorisées, génération de données synthétiques, ou entraînement sur des corpus exclusivement licenciés.
Un équilibre encore fragile
Ces solutions montrent que le modèle « tout est gratuit car public » est en train d’être remis en cause. Pourtant, elles restent partielles : la majorité des contenus web et de nombreux livres continuent d’être utilisés sans compensation claire ; les deals favorisent les grandes organisations ; la jurisprudence est instable ; et les coûts de transaction pour les petits créateurs restent élevés. Les défenseurs de l’IA avancent que le fair use et l’innovation justifient un usage transformateur, et que les modèles créent de la valeur nouvelle. Les critiques répondent que sans rémunération ni contrôle, on externalise le coût de la création sur les auteurs, journalistes et artistes tout en concentrant les bénéfices chez quelques entreprises technologiques.
Le débat n’est pas clos. Pour que l’IA ne soit plus perçue comme le plus grand voleur de données, il faudra probablement une combinaison de licences systématiques, de transparence réelle, de mécanismes de redistribution et d’une clarification juridique durable. Sinon, le risque est double : appauvrissement des sources de contenus de qualité dont l’IA a besoin, et perte de confiance des créateurs.
