Contexte juridique
Dans le cadre d’une action collective intentée par le New York Times, le Center for Investigative Reporting et la Authors Guild, Microsoft a remis à un expert mandaté par les plaignants 8,2 millions de logs de conversations générées par Copilot. Ces logs ont été sélectionnés parce qu’ils contenaient des mots‑clés associés aux sites des éditeurs, ce qui les rendait les plus susceptibles de contenir du texte protégé. L’objectif de la remise était de permettre une analyse quantitative de la fréquence de reproduction de contenus sous copyright.
Microsoft sollicite un jugement sommaire afin de clore rapidement le litige, en soutenant que la faible proportion de reproductions constitue une preuve de l’usage loyal du matériel source dans le cadre de l’entraînement des grands modèles de langage (LLM).
Analyse des logs fournis
Sur les 8,2 M de conversations, 59 545 (moins de 1 %) contenaient au moins seize mots identiques à ceux d’articles du NYT ou d’autres sources d’actualité. Un examen plus strict, recherchant au moins trente mots communs, n’a identifié que 24 réponses. Parmi les 212 livres évalués, seules 10 présentaient des correspondances, et le Center for Investigative Reporting a relevé 51 cas de « substantial overlap » avec ses propres travaux. Ces chiffres montrent que la majorité des échanges de Copilot ne reproduisent pas de passages étendus.
La méthodologie repose sur un comptage de mots consécutifs, ce qui ne capture pas les paraphrases ou les reformulations sémantiques. Ainsi, même si le nombre de correspondances exactes est faible, le modèle peut générer du contenu dérivé qui échappe à cette mesure.
Implications techniques et arguments de fair use
Les LLM comme ceux utilisés par Copilot sont entraînés sur de vastes corpus incluant des textes protégés. Le processus d’entraînement implique la construction d’une représentation statistique des séquences de tokens, sans stockage explicite des passages originaux. Microsoft argue que le résultat – un système qui répond à des requêtes d’une façon généralement différente du texte source – satisfait le critère de transformation requis pour le fair use.
Cependant, la capacité du modèle à « regurgiter » des fragments exacts, même rares, soulève la question de la frontière entre transformation et copie. La présence de 59 545 occurrences de seize mots ou plus indique que le modèle a mémorisé des séquences suffisamment fréquentes pour les reproduire, ce qui pourrait être interprété comme une extraction non autorisée selon la jurisprudence actuelle.
Limites de l’évaluation
Les données fournies par Microsoft sont filtrées pour maximiser la probabilité de contenir du texte protégé, ce qui biaise l’échantillon à la hausse. De plus, le critère de « au moins 16 mots » ne tient pas compte du contexte sémantique ; un même groupe de mots peut apparaître dans plusieurs articles sans constituer une violation. L’absence de mesures sur les paraphrases, les résumés ou les réponses générées à partir de connaissances implicites du modèle laisse une zone d’incertitude importante.
En l’absence de transparence complète sur le corpus d’entraînement et les filtres appliqués, l’interprétation des chiffres reste partielle. Les juges devront donc évaluer non seulement la fréquence des reproductions exactes, mais aussi le risque systémique que représente la capacité d’un LLM à reproduire du contenu protégé, même de façon sporadique.
