Contexte juridique
Le New York Times, accompagné du New York Daily News, du Chicago Tribune et de l’Orlando Sentinel, a déposé une plainte contre Brave Software. La plainte, relayée par Reuters, accuse Brave d’avoir fourni du contenu protégé par le droit d’auteur à plusieurs sociétés d’intelligence artificielle, dont Anthropic, Perplexity, Mistral, xAI et Cohere. En parallèle, le même document reproche à Brave d’avoir permis à ses utilisateurs de franchir les paywalls des éditeurs sans autorisation, via la fonction « Paywall blocker ».
Les éditeurs soutiennent que Brave n’a jamais sollicité de licence, n’a jamais rémunéré les ayants droit et a même mis en place des mesures techniques pour empêcher les éditeurs de bloquer l’accès à leurs sites. Le New York Times précise que la société a ignoré « des demandes répétées de cessation », justifiant ainsi le recours à la justice.
Mécanismes de scraping et de contournement
Brave exploite un index de sites web, appelé « Brave Index », qui agrège le contenu des pages visitées par ses utilisateurs. Selon la plainte, cet index est vendu sous forme d’abonnement aux entreprises d’IA, qui l’utilisent pour « répondre à des requêtes spécifiques » ou pour entraîner leurs modèles. Le processus de collecte repose sur le même moteur de rendu que le navigateur, capable de charger les pages, d’exécuter les scripts et d’extraire le texte affiché.
Le « Paywall blocker » fonctionne en bloquant les scripts de détection de paiement et en masquant les éléments DOM qui restreignent l’accès. Cette technique, courante dans les extensions de contournement, repose sur l’interception des requêtes réseau et la suppression des cookies de suivi, ce qui empêche les serveurs de reconnaître un visiteur comme abonné. En pratique, l’utilisateur voit la version complète de l’article, que Brave peut ensuite indexer et redistribuer.
Implications pour l’entraînement des IA
Les modèles de génération de texte nécessitent d’énormes volumes de données textuelles. L’accès à un index actualisé « en temps réel » représente un avantage compétitif pour les fournisseurs d’IA, car il garantit la fraîcheur du corpus et la couverture de sites d’actualité. Cependant, l’utilisation de contenu non licencié expose les entreprises à des risques de violation du droit d’auteur, notamment lorsqu’elles reproduisent intégralement des articles protégés.
Techniquement, l’intégration d’un tel flux de données implique la mise en place de pipelines d’ingestion, de nettoyage et de tokenisation. Si le contenu provient d’une source non autorisée, chaque étape doit être auditée pour éviter la diffusion de texte protégé dans les réponses générées, ce qui pourrait entraîner des poursuites supplémentaires contre les fournisseurs d’IA.
Limites et perspectives
La plainte ne fournit pas de chiffres quant au volume exact de contenu extrait ni aux revenus générés par la vente du Brave Index. Cette absence de données empêche d’évaluer précisément l’impact économique pour les éditeurs. De plus, Brave n’a pas commenté les allégations, ce qui laisse incertain le degré de conformité de ses mécanismes de contournement avec les standards de l’industrie.
Sur le plan technique, les éditeurs pourraient renforcer leurs protections en adoptant des techniques de rendu côté serveur ou en utilisant des signatures de trafic pour identifier et bloquer les agents de scraping. En revanche, toute mesure trop restrictive risquerait de nuire à l’expérience utilisateur légitime, créant un dilemme entre protection du contenu et accessibilité du web.
