OpenAI et Microsoft poursuivis pour utilisation non autorisée de contenus journalistiques

Contexte juridique

Le Seattle Times et Newsday ont déposé une plainte contre OpenAI et Microsoft, accusant les deux sociétés d’avoir intégré leurs articles dans les jeux de données d’entraînement des modèles d’IA sans autorisation. La plainte réclame la destruction de toutes les copies des articles, des ensembles de données d’entraînement et des modèles qui les contiennent. Cette action s’ajoute à une série de recours similaires intentés par le New York Times, Ziff Davis, Merriam‑Webster et Encyclopedia Britannica. Au total, près de 400 journaux locaux ont déjà engagé des procédures contre OpenAI et Microsoft, invoquant une perte de revenus d’abonnements liée à la capacité des chatbots à fournir des réponses sans passer par les sites d’origine.

Mécanismes d'entraînement des modèles

Les modèles de langage d’OpenAI sont entraînés sur d’immenses corpus textuels collectés à partir du web. Le processus consiste à extraire des pages HTML, à nettoyer le balisage, puis à tokeniser le texte avant de le présenter au réseau de neurones. Aucun mécanisme de filtrage sélectif n’est public pour exclure spécifiquement les articles de presse sous licence. Ainsi, les articles du Seattle Times et de Newsday peuvent avoir été ingérés automatiquement, sans vérification de droits d’auteur. Une fois les données intégrées, elles sont transformées en vecteurs numériques et incorporées dans les poids du modèle ; la suppression de l’information originale nécessite la ré‑entraînement complet du modèle ou la modification des poids, ce qui est techniquement complexe.

Implications techniques et limites

La demande de destruction des copies soulève plusieurs questions techniques. Premièrement, les modèles ne conservent pas les textes bruts, mais des représentations distribuées qui ne permettent pas d’isoler directement un article. En pratique, la suppression totale exigerait de reconstruire le jeu de données d’entraînement, d’éliminer les passages incriminés, puis de ré‑entraîner le modèle à partir de zéro, un processus coûteux en calcul et en temps. Deuxièmement, même après un tel ré‑entraînement, les modèles peuvent générer des phrases similaires à celles des articles originaux, du fait de la généralisation statistique inhérente aux réseaux de neurones. Cette capacité rend difficile la preuve de reproduction exacte, mais les plaintes se fondent sur des cas où les réponses du chatbot reproduisent mot à mot des passages publiés. Enfin, la responsabilité de Microsoft découle du fait que le produit Copilot s’appuie sur la même architecture d’OpenAI ; la chaîne de dépendance technique implique que toute violation de droits d’auteur attribuée à OpenAI se répercute sur les services Microsoft qui utilisent ces modèles.