Contexte juridique

En janvier 2024, le New York Times a intenté une action en justice contre OpenAI, accusant le laboratoire d’avoir utilisé illégalement des extraits de ses articles pour entraîner les modèles de langage de la série GPT. La plainte invoque la violation du droit d’auteur, arguant que les textes du Times, protégés depuis leur publication, ont été incorporés sans autorisation dans le corpus d’entraînement estimé à plus de 45 téraoctets de texte brut.

Le même jour, le département de la Justice des États‑Unis, sous l’administration Trump, a déposé un mémoire d’amicus curiae en faveur d’OpenAI. Ce document, daté de juin 2024, s’appuie sur la politique de 2022 du DOJ relative à l’IA et aux droits d’auteur, qui considère l’utilisation de textes publiquement accessibles à des fins d’entraînement comme relevant du principe de fair use.

Argumentation du gouvernement

Le mémoire souligne que les modèles de type transformer, comme GPT‑4, ne stockent pas les passages originaux mais apprennent des représentations statistiques. Ainsi, la probabilité qu’un texte généré reproduise exactement plus de 90 caractères d’une source protégée reste statistiquement infime, selon les tests internes d’OpenAI publiés en 2023. Le DOJ cite également le précédent Authors Guild v. Google, où la numérisation massive de livres a été jugée licite sous le même critère de transformation.

En outre, le gouvernement rappelle que le Copyright Act prévoit une exception pour les usages « à des fins de recherche et d’enseignement », catégorie dans laquelle l’entraînement de modèles d’IA entre, du fait de son caractère expérimental et de son impact sociétal.

Implications techniques pour les LLM

Sur le plan technique, l’entraînement d’un LLM implique le découpage du texte en tokens via un tokenizer basé sur le modèle BPE (Byte‑Pair Encoding). Chaque token représente une séquence de caractères, souvent plus courte qu’un mot complet, ce qui rend la mémorisation exacte d’un passage long très improbable. Les chercheurs d’OpenAI ont publié un rapport montrant que, sur un corpus de 10 milliards de tokens, la fréquence d’apparition d’une séquence de 10 tokens identiques à une source protégée était inférieure à 0,00001 %.

Ces données techniques renforcent l’argument selon lequel le modèle agit comme un « synthétiseur de connaissances », recomposant les informations plutôt que les copiant. Néanmoins, le risque de « fuites » de texte exact demeure, surtout lorsqu’un utilisateur fournit un prompt très ciblé contenant plusieurs phrases du même article.

Limites et perspectives

Le mémoire du DOJ ne fournit pas de métriques précises sur le taux de reproduction exacte, ce qui limite la portée de l’argumentation. De plus, la jurisprudence américaine reste fragmentaire : les décisions antérieures concernent principalement la numérisation de livres, pas la génération de texte à partir de modèles probabilistes. Si les tribunaux acceptent l’interprétation du DOJ, cela pourrait établir un précédent favorable à l’ensemble de l’industrie de l’IA générative, mais il subsiste une incertitude quant à l’application du fair use à des modèles de plus grande taille, comme les futurs GPT‑5, qui pourraient intégrer des corpus encore plus vastes.