Contexte juridique
Des mémoires déposés dans le cadre du procès intenté par le New York Times contre OpenAI révèlent que le directeur de Microsoft a qualifié le processus de collecte massive de textes par les modèles d’intelligence artificielle de « vol le plus important du travail humain de l’histoire ». Le texte de ces mémoires indique que le NYT accuse OpenAI d’avoir utilisé, sans autorisation, des articles protégés par le droit d’auteur pour entraîner ChatGPT, un grand modèle de langage (LLM) dont la version la plus récente compte plusieurs centaines de milliards de paramètres.
Mécanisme du scraping d’entraînement
Les LLM sont entraînés à partir de jeux de données composés de textes accessibles en ligne. Le processus de « scraping » consiste à extraire automatiquement ces contenus via des scripts qui parcourent le web, récupèrent les pages HTML et les stockent sous forme de corpus. Les mémoires précisent que les scripts de collecte de OpenAI ont parcouru des sites d’actualités, des blogs et des bases de données publiques, amassant ainsi des « trillions de tokens ». Aucun chiffre exact n’est fourni, mais la description souligne l’ampleur du volume et l’absence de filtres de licence avant l’ingestion dans le modèle.
Implications pour les éditeurs
Le chef de OpenAI, Sam Altman, a qualifié ChatGPT d’« menace existentielle » pour les éditeurs, arguant que la capacité du modèle à reproduire des passages d’articles pourrait réduire le trafic vers les sites d’origine et impacter les revenus publicitaires. Le procès du NYT met en avant le risque de perte de valeur économique du contenu journalistique, car les modèles peuvent générer des réponses similaires sans renvoyer les lecteurs aux sources originales. Cette situation soulève la question de la rémunération des créateurs et de la viabilité du modèle économique basé sur le droit d’auteur.
Limites et perspectives
Les documents juridiques n’indiquent pas de métriques précises sur le pourcentage de texte protégé présent dans le corpus d’entraînement, ce qui rend difficile l’évaluation quantitative du préjudice. De plus, les LLM utilisent des techniques de « tokenisation » qui fragmentent le texte, compliquant l’identification directe d’une œuvre protégée. Les experts juridiques soulignent que la législation actuelle ne prévoit pas de cadre clair pour le réutilisation massive de données à des fins d’apprentissage automatique. En attendant une éventuelle réforme, les entreprises pourraient adopter des filtres de licence ou des accords de partage de revenus pour atténuer les tensions entre innovation IA et droits d’auteur.
