Microsoft et OpenAI : le scraping IA comme vol de contenus

Des documents judiciaires déclassifiés dans le procès en cours pour violation du droit d’auteur opposant le New York Times à OpenAI et Microsoft révèlent l’ampleur interne des pratiques de collecte de données utilisées pour entraîner les modèles d’intelligence artificielle. Introduit il y a trois ans, ce litige gagne en importance avec la publication de courriers et de communications internes attestant que les dirigeants des deux entreprises étaient pleinement conscients des impacts économiques de leurs technologies sur les éditeurs de presse. Selon ces pièces, des cadres dirigeants de Microsoft, dont le directeur des sciences appliquées Brent Hecht, ont qualifié le scraping massif de contenus en ligne de plus grand vol de travail de l’histoire. Du côté d’OpenAI, les échanges internes confirment que des responsables comme Nick Turley jugeaient leurs produits d’intelligence artificielle comme une menace existentielle pour les journalistes, tout en reconnaissant que les chatbots agissent comme des substituts directs aux sites d’information. Le président d’OpenAI, Greg Brockman, a également admis que les modèles sont particulièrement performants pour restituer l’actualité. Ces aveux viennent contester l’argument du fair use, souvent invoqué par les entreprises technologiques pour justifier l’utilisation non licenciée d’œuvres protégées lors de l’entraînement des algorithmes. Le test juridique exige notamment que l’usage ne nuise pas au marché de l’œuvre originale. Or, les données internes partagées montrent que le moteur de réponse Copilot de Microsoft a provoqué une chute de 93 % des clics vers les articles du New York Times par rapport aux recherches traditionnelles sur Bing. Un document de Microsoft décrit cette situation comme une boucle vicieuse susceptible de dégrader à la fois la qualité des modèles et le fonctionnement global du web, menaçant les fondements économiques des fournisseurs de contenus. Le président de Microsoft, Satya Nadella, avait d’ailleurs déclaré sous serment que tout contenu placé derrière un mur payant devait faire l’objet d’une licence. Il a précisé que, s’il avait su qu’OpenAI avait utilisé des textes payants sans autorisation, il aurait exigé la réentraînement des modèles. Les documents détaillent par ailleurs les méthodes employées pour constituer ces jeux de données d’entraînement. Les entreprises auraient massivement extrait des articles depuis l’index de Bing, via des projets nommés Project Taxi et Project Mango. Les fichiers de formation contiendraient ainsi plus de 91 000 copies de publications du New York Times et du Center for Investigative Reporting, ainsi que plus de 2 millions de documents issus de Common Crawl. Des employés d’OpenAI auraient même proposé des techniques pour contourner les murs payants, une méthode validée par Brockman. Par ailleurs, les chercheurs auraient systématiquement supprimé les mentions de droits d’auteur des données avant leur intégration dans les modèles, craignant que l’IA ne les diffuse aux utilisateurs. Alors qu’un mémoire a récemment été déposé par l’administration Trump en faveur de l’usage non licencié des contenus pour l’entraînement des intelligences artificielles, ces nouvelles pièces judiciaires soulignent les tensions croissantes entre l’innovation technologique et la protection du travail journalistique. Les avocats du quotidien y voient une preuve que les pratiques actuelles nuisent directement au marché éditorial. Ni OpenAI ni Microsoft n’ont fourni de commentaire à la presse. Le tribunal devra désormais arbitrer entre ces éléments techniques et juridiques dans un dossier qui pourrait redéfinir les règles de la propriété intellectuelle à l’ère numérique.