Wikimedia réclame une interprétation nuancée du fair use pour les LLM

Contexte juridique

Dans le cadre du procès intenté par The New York Times contre OpenAI, la Wikimedia Foundation a déposé un amicus brief le vendredi, sans prendre parti pour l’une ou l’autre des parties. L’enjeu porte sur l’application du fair use aux grands modèles de langage (LLM) lorsqu’ils sont entraînés sur des œuvres protégées. La Fondation souligne que les positions actuelles tendent à une interprétation « overbroad » du fair use, ce qui pourrait soit restreindre l’accès des Wikipédiens à des outils d’IA, soit ouvrir la voie à une utilisation non‑licenciée de contenus protégés.

Position de Wikimedia

Wikimedia affirme que les sites de la fondation constituent l’une des sources de données les plus critiques pour l’entraînement des IA. En même temps, ces systèmes siphonnent du trafic, affaiblissant les communautés qui maintiennent les pages. La fondation précise que les services comme ChatGPT reproduisent parfois du texte sous licence Creative Commons sans respecter les obligations de l’attribution ou de la diffusion sous la même licence. Elle propose un compromis : le simple scraping de sites web ne devrait pas être considéré comme une violation, alors que la restitution directe de passages aux utilisateurs, qui supprime l’engagement du lecteur avec l’œuvre originale, devrait nécessiter une licence.

Implications techniques et opérationnelles

Les LLM utilisent des corpus massifs pour apprendre des représentations statistiques. Selon le brief, l’entraînement sur des œuvres sous licence CC, même sans attribution explicite, pourrait être justifié par le fair use lorsqu’il produit « quelque chose de nouveau et différent ». En revanche, la génération de réponses qui reproduisent mot à mot le texte original constitue une substitution et ne satisfait pas le critère de transformation. OpenAI décrit ces reproductions comme un « rare bug », tandis que Microsoft, dans un dépôt de septembre, indique que Copilot reproduit rarement des phrases complètes, ce qui, selon elle, ne compromet pas le caractère transformateur de l’entraînement.

Wikimedia souligne également les usages bénéfiques des LLM pour la communauté : détection de vandalisme, identification de violations de droits d’auteur, repérage d’articles à améliorer. Ces fonctions reposent sur l’analyse du texte existant, mais ne nécessitent pas la restitution intégrale d’un article complet aux utilisateurs finaux.

Perspectives et limites

Un jugement qui ne tiendrait pas compte des nuances du fair use pourrait menacer la viabilité de la connaissance libre en limitant l’accès à des outils d’aide à l’édition ou en incitant les fournisseurs d’IA à éviter toute utilisation de données publiques. En revanche, un verdict favorable aux éditeurs pourrait pousser les acteurs de l’IA à ignorer les exigences de licence, fragmentant ainsi le flux d’information entre auteurs humains et modèles automatisés. La Fondation appelle les tribunaux à distinguer clairement l’étape d’entraînement (où le texte est absorbé de façon agrégée) de l’étape de génération (où le texte est restitué), afin de préserver à la fois l’innovation technique et le modèle de collaboration open‑source qui sous‑tend Wikipedia.