Piratage illégal pour l'entraînement de l'IA : cas, procès et dilemmes

Le débat autour du « piratage illégal pour l'entraînement des IA » est devenu l'un des sujets les plus brûlants de la technologie contemporaine. En quelques années seulement, nous sommes passés de la fascination pour le pouvoir créatif des modèles génératifs à la prise de conscience que, derrière leurs capacités étonnantes, se cache une utilisation massive du travail d'autrui, souvent sans autorisation et, dans de nombreux cas, provenant de sources manifestement illicites. Le conflit entre innovation, droit d'auteur et éthique des affaires bat déjà son plein..

Au-delà du brouhaha ambiant, les données, les affaires et les décisions de justice commencent à se cristalliser, apportant de l'ordre – et aussi de la pression – à l'écosystème. D'un côté, les entreprises technologiques mettent en avant le caractère « transformateur » de la formation ; de l'autre, auteurs, éditeurs, maisons de disques et médias dénoncent des pratiques de copie systématiques, parfois issues de sites pirates, qui alimentent des produits valant des millions de dollars. La situation actuelle est complexe : il y a des acquittements partiels, des règlements à l'amiable de plusieurs millions de dollars et de multiples poursuites en cours..

Pourquoi parle-t-on de « piratage » dans la formation en IA ?

L'élément clé réside dans l'origine des données. Lorsqu'un modèle est entraîné sur des millions de textes, d'images, de vidéos ou de morceaux de musique, la source marque la limite légale : utiliser des œuvres acquises légalement n'est pas la même chose que les télécharger depuis des plateformes de téléchargement illégal. Les tribunaux ont commencé à faire une distinction explicite entre les sources licites et les copies illicites..

Des rapports récents font état d'ensembles de données massifs provenant de sites comme LibGen, Anna's Archive et Books3 — dans le cas des livres, beaucoup téléchargé via Torrent—, OpenSubtitles pour sous-titres des contenus audiovisuels, voire des compilations à grande échelle provenant du web comme Common Crawl. Bien que Common Crawl ne soit pas du « piratage » à proprement parler, son inclusion a suscité des inquiétudes car il n'existe aucune autorisation pour copier et redistribuer de grands volumes de contenu protégé par le droit d'auteur..

Des entreprises de premier plan, dont Apple, Anthropic, Meta et Microsoft, ont été impliquées dans l'utilisation de ces ensembles de données dans diverses enquêtes journalistiques et judiciaires. L'ensemble de données Books3, qui comprend plus de 196 000 livres extraits de Bibliotik.me, est devenu une étude de cas.

L'affaire Meta : téléchargements depuis des adresses IP d'entreprises et l'ombre du contenu pour adultes

L'un des incidents les plus marquants concerne Meta. Des lanceurs d'alerte affirment que des milliers de films pornographiques ont été téléchargés via des réseaux P2P à l'aide d'adresses IP d'entreprise, et que ces copies auraient pu servir à entraîner des modèles internes. L'entreprise dément ces allégations, affirmant que son règlement interdit l'utilisation de la pornographie dans la formation et évoquant un « usage personnel » par les employés ou les sous-traitants..

La plainte, déposée par des sociétés de production telles que Strike 3 Holdings et Counterlife Media, réclame des centaines de millions de dollars de dommages et intérêts pour le téléchargement illégal présumé de 2 369 films. Elle évoque également un « réseau secret » d’environ 2 500 adresses IP masquées, une allégation que le tribunal devra examiner. Selon les plaignants, le volume des téléchargements et leur évolution temporelle révéleraient bien plus qu'une simple consommation privée..

Meta a reconnu que des téléchargements de contenu pour adultes avaient eu lieu à partir d'adresses IP de l'entreprise, mais les attribue à un usage individuel : faible volume, environ 22 titres par an et par adresse IP, et activité dispersée entre les employés et les fournisseurs externes. Dans un cas précis, un entrepreneur a été retrouvé qui aurait envoyé des copies au domicile de son père, ce que l'entreprise cite comme preuve d'un usage personnel..

Le contexte est particulièrement délicat car ce n'est pas la première fois que Meta est confrontée à des accusations d'utilisation de matériel piraté pour la formation. IAL'utilisation de vastes corpus de livres téléchargés via Torrent a été dénoncée par le passé, une critique à laquelle l'entreprise a répondu de manière incohérente selon les procédures. Dans tous les cas, le fait que les adresses IP de l'entreprise apparaissent comme la source des téléchargements met l'entreprise dans une position délicate..

LibGen, Sci-Hub et le malaise universitaire : accès, éthique et conséquences

Parallèlement, la communauté universitaire connaît ses propres tensions. Certains chercheurs, même favorables à l'accès libre et familiers avec des plateformes comme Sci-Hub et LibGen, ont exprimé leur mécontentement de voir leurs travaux piratés inclus dans les ensembles de données d'entraînement de grandes entreprises technologiques. Le paradoxe est clair : ceux qui critiquent le modèle d'édition traditionnel voient d'un mauvais œil l'utilisation de leurs travaux sans autorisation pour créer des IA propriétaires..

Le problème sous-jacent est bien connu : même les meilleures bibliothèques ne possèdent pas tout ; un simple article peut coûter des dizaines de dollars, et un ouvrage universitaire des centaines. C’est pourquoi LibGen et Sci-Hub facilitent l’accès à la littérature depuis des années, notamment dans les contextes où les ressources sont limitées. Pour de nombreux auteurs, les citations – et non les droits d'auteur – constituent la véritable monnaie du monde universitaire ; le droit d'auteur fait souvent office de barrière..

La promotion du libre accès s'est intensifiée : revues sans abonnement, accords institutionnels prenant en charge les frais de publication et exigences des organismes financeurs en matière d'ouverture. Mais il demeure un privilège : toutes les universités, ni tous les pays, ne peuvent se le permettre. Il en résulte un ensemble disparate de droits, de coûts et d'autorisations que l'IA pousse à ses limites..

Vastes ensembles de données et sites mis en avant : Books3, OpenSubtitles, YouTube et bien d’autres.

Le rapport intitulé « Rapport sur le contenu piraté utilisé dans l’entraînement de l’IA générative » cite explicitement les dépôts et les ensembles de données qui ont alimenté des modèles récents. Outre LibGen et Books3, il mentionne OpenSubtitles.org pour les sous-titres audiovisuels, et des sites de streaming alternatifs comme Watchseries. Dans la vidéo, certains mannequins auraient utilisé du contenu YouTube sans l'autorisation des créateurs..

Des cas précis ont été révélés : Runway AI et son modèle vidéo Gen3-alpha ont été pointés du doigt pour l’utilisation présumée d’un logiciel permettant de copier des milliers de vidéos YouTube ; dans le domaine musical, Suno a été poursuivi par des maisons de disques américaines pour avoir diffusé des enregistrements protégés par le droit d’auteur sans autorisation. Suno a elle-même admis s'être entraînée avec « des dizaines de millions d'enregistrements » obtenus sur Internet, qui, selon le rapport, pourraient provenir de cyberlockers ou de BitTorrent..

Le débat autour de Common Crawl est complexe. Il ne s'agit pas d'un site pirate classique, mais son exploration et sa redistribution massive de textes web, y compris des articles de presse et des paroles de chansons, ne reposent pas sur des autorisations individuelles. Pour certains acteurs du secteur, ce dispositif ne correspond pas à l'usage « équitable » lorsque l'objectif est de former des modèles commerciaux..

Décisions de justice récentes : Anthropic, Meta et les limites de « l’utilisation équitable »

Des décisions importantes ont été prises aux États-Unis. Un juge a statué que la formation d'Anthropic, utilisant des millions de livres, pouvait relever de l'« usage loyal » en raison de sa finalité transformative, à condition que les ouvrages aient été obtenus légalement. Il s'agit de la première résolution majeure à examiner la question de la formation LLM et de l'utilisation équitable..

Note : le même juge a précisé que la constitution d’une bibliothèque à partir de matériel de formation piraté — comme cela aurait été fait dans les premières étapes — n’est pas couverte par le droit d’« utilisation équitable ». Anthropic fait face à une procédure judiciaire distincte à cet égard, avec des amendes potentielles de plusieurs millions de dollars. La ligne rouge du tribunal est claire : origine légale oui, piratage non.

Meta a également remporté une victoire partielle dans une autre affaire : treize auteurs renommés n’ont pas réussi à démontrer un préjudice économique suffisant et l’affaire a été classée sans suite, mais cette décision ne légalise pas de manière générale l’utilisation d’œuvres protégées par le droit d’auteur pour entraîner leurs modèles. Le juge lui-même a souligné la portée limitée de la décision et a précisé qu'il ne s'agissait pas d'un recours collectif..

Avant ces déclarations, il n'y avait qu'un seul précédent mineur, celui de Thomson Reuters contre la start-up Ross, dans lequel la décision était défavorable à l'utilisation légitime, bien que cette décision fasse l'objet d'un appel. Les nouveaux critères établis dans l'affaire Anthropic donnent le ton pour ce qui va se passer devant les tribunaux..

Recours collectifs et règlements : l’affaire Anthropic et sa véritable portée

Le 19 août 2024, trois auteurs américains ont porté plainte contre Anthropic pour avoir entraîné des modèles avec des livres sans autorisation, dont beaucoup auraient été téléchargés depuis LibGen et Pirate Library Mirror (PiLiMi). Le nombre d'ouvrages détectés a incité un tribunal fédéral californien à transformer l'affaire en recours collectif. L’objectif : faciliter l’adhésion de tous les auteurs et éditeurs potentiellement concernés..

En septembre 2025, l'information a été divulguée : un accord préliminaire d'une valeur de 1.500 milliard de dollars. Il prévoyait une compensation moyenne par projet, la suppression des données illicites et des modèles entraînés avec celles-ci, ainsi qu'un mécanisme de réclamation qui restait à valider. Le juge William Alsup a exigé plus de transparence : une liste complète des livres et des détails sur leur distribution avant toute approbation finale..

Cependant, sa portée est limitée. L'accord ne concernerait que moins de 500 000 œuvres, contre 7 millions que l'entreprise technologique aurait téléchargées. De plus, il ne prend en compte que les œuvres enregistrées auprès du Bureau du droit d'auteur des États-Unis, excluant ainsi des milliers d'auteurs étrangers. Sont également exclues les utilisations provenant de sources ou de canaux légaux autres que les sites pirates..

Le calendrier procédural s'étend jusqu'en 2026, avec des périodes prévues pour les notifications, l'envoi des coordonnées des auteurs, les options d'exclusion ou de réintégration et le dépôt des réclamations. Ce n'est qu'à la fin que les montants par projet et par demandeur seront calculés, et ce, si le juge l'approuve..

Affaire RIAA contre Suno et accusation de « piratage de flux vidéo »

Dans l'industrie musicale, la RIAA, représentant Universal, Sony et Warner, a porté plainte contre Suno pour utilisation non autorisée d'enregistrements afin d'entraîner son intelligence artificielle. La situation s'est envenimée lorsque l'association a également accusé YouTube de pratiques de « stream ripping ». contournement des mesures de protection technologiques. Avec cet amendement, les indemnisations pourraient exploser : jusqu’à 2 500 $ pour chaque acte de contournement et 150 000 $ pour chaque œuvre contrefaite..

La défense de Suno repose sur le principe de « l'usage loyal », mais l'accusation de contournement technologique complique la situation. Dans ce genre d'affaires, de nombreuses entreprises privilégient un accord à l'amiable afin de limiter les dommages et l'incertitude. L'expérience d'Anthropic et son accord de plusieurs millions de dollars apparaît comme un avertissement pour le secteur..

Condé Nast, les journaux et le procès contre Cohere

Autre litige pertinent : Condé Nast et plusieurs éditeurs de journaux ont porté plainte contre Cohere pour utilisation non autorisée présumée de leur contenu dans la formation et les résultats de leurs systèmes. Les éditeurs demandent la reconnaissance de la valeur de leur catalogue éditorial et l'arrêt de son exploitation sans licence..

Ce type de poursuites judiciaires renforce l'idée que les textes journalistiques ne sont pas un « matériau gratuit » destiné à alimenter des modèles commerciaux, et que les entreprises d'IA doivent négocier des accords et payer des licences. Cela confirme une tendance : le passage d'une politique du « tout est permis » à une gestion proactive des droits.

Politique et contrôle : l'épisode des « responsables de l'administration Trump »

Le contexte politique n'est pas neutre non plus. Il a été rapporté que des responsables de l'administration Trump se sont rendus dans une agence gouvernementale quelques jours avant de limoger son directeur, qui venait de publier un rapport sur l'utilisation de documents protégés par le droit d'auteur pour l'entraînement de l'IA. Cet épisode illustre que la définition des limites de la formation ne se fait pas de manière isolée, mais au milieu d'intérêts et de pressions..

L’évolution de la réglementation dépendra, dans une large mesure, de ces dynamiques : rapports techniques, influence politique, sensibilité des juges et capacité de négociation entre les grandes entreprises technologiques et les détenteurs de droits. Ce qui constitue aujourd'hui une jurisprudence émergente pourrait devenir demain un cadre stable..

Propriété intellectuelle : du monopole temporaire aux actions ordinaires

Il convient de rappeler la finalité de la propriété intellectuelle : il s’agit d’un droit de nature particulière, limité dans le temps, qui vise à encourager la création et à rémunérer équitablement l'auteur pendant une période raisonnable (sa vie et 70 ans). Après cette période, l'œuvre entre dans le domaine public et contribue au patrimoine culturel commun..

Aucun créateur ne travaille en vase clos : écrivains, cinéastes ou peintres se forment en lisant, en observant et en étudiant leurs prédécesseurs. Le parallèle avec l’apprentissage automatique est évident, mais l’enjeu crucial réside dans l’accès légitime aux œuvres. La différence réside dans les limites : quelles utilisations sont raisonnables, quelle rémunération est appropriée et à quel moment la ligne est franchie pour basculer dans le piratage..

Dans l'affaire « Anthropic », un tribunal a noté que la formation à partir de livres acquis légalement et numérisés manuellement pouvait constituer un usage légitime, mais que l'utilisation de copies piratées ne l'était pas. Cette limite contribue à orienter les politiques commerciales et à façonner les futures décisions judiciaires..

L'affaire New York Times contre OpenAI et le précédent Thomson Reuters contre Ross

Le litige entre le New York Times et OpenAI (avec Microsoft), où il est décidé si l'ingestion massive d'articles de journaux pour entraîner des modèles comme ChatGPT viole des droits ou relève de l'« utilisation équitable ». L'issue de cette affaire sera décisive pour la presse et pour le marché de l'IA..

Pour rappel, le litige entre Thomson Reuters et Ross s'est conclu en première instance contre l'utilisation équitable, bien que cette décision fasse l'objet d'un appel. Le paysage juridique n'est pas monolithique ; chaque secteur (livres, presse, musique, audiovisuel) défend sa propre doctrine.

Stabilité de l'IA, Midjourney, DeviantArt et Getty : le point de vue des arts visuels

Les arts visuels sont au cœur du conflit. La plainte collective déposée par Sarah Andersen, Kelly McKernan et Karla Ortiz contre Stability AI, Midjourney et DeviantArt accuse ces entreprises de contrefaçon directe et indirecte pour avoir utilisé des millions d'images dans leurs programmes d'entraînement. Parallèlement, Getty Images a porté plainte contre Stability AI pour avoir copié plus de 12 millions de photographies, ainsi que leurs légendes et métadonnées, sans autorisation..

Outre Getty, il est allégué que des milliards d'images ont été extraites de sites web pour constituer des ensembles de données d'entraînement. L’impact économique et moral sur les créateurs et les banques d’images a posé aux juges des questions inédites..

Impact économique, prestige et coût du « non-paiement »

Du point de vue de l'économie créative, l'utilisation massive d'œuvres sans licence transfère la valeur des auteurs et des détenteurs de droits vers les plateformes technologiques qui monétisent les résultats et les services. Les développeurs acquièrent des avantages concurrentiels ; les créateurs, en revanche, subissent des pertes et une perte de contrôle..

Le règlement préliminaire de 1.500 milliard dans l'affaire Anthropic est historique et dissuasif : il envoie un message clair selon lequel ce qui est « bon marché » (éviter les licences) peut finir par coûter très cher. Les juges et les organismes de gestion tels que CEDRO avertissent qu'un modèle commercial basé sur des copies piratées ne peut être normalisé..

Il est également souligné que, pour les grandes entreprises technologiques, il peut être moins coûteux de payer des amendes ponctuelles que d'intégrer les détenteurs de droits dans leur chaîne de valeur. Si cette logique s'enracine, elle décourage la créativité et compromet la pérennité culturelle..

Que doivent faire les entreprises technologiques et les détenteurs de droits ?

Du point de vue de l'IA : audit des sources de données, documentation des processus, séparation claire des contenus légitimes de toute trace de piratage et négociation des licences – individuelles ou collectives – avec les éditeurs, les maisons de disques, les médias et les banques d'images. La transparence, la traçabilité et les accords proactifs sont désormais une question de conformité, et non plus seulement de réputation..

Du côté des titulaires de droits : renforcer les registres et les systèmes d’identification pour prouver la propriété et faciliter la gestion des licences, promouvoir les répertoires ouverts lorsque cela est approprié et participer à des actions collectives en cas de dommages massifs. Il est également essentiel de promouvoir des modèles d'accès ouvert durables là où cela est pertinent..

Certains cabinets d'avocats et associations professionnelles recommandent de mettre en place des mécanismes clairs d'adhésion/de désadhésion, des étiquettes de données pour la formation et des clauses contractuelles spécifiques sur l'IA dans les accords de publication et d'enregistrement. Cette ingénierie juridique préventive permet d'éviter les litiges et d'accélérer l'innovation responsable..

En résumé, le secteur évolue vers une coexistence entre formation légitime et respect des droits. L'innovation n'a pas besoin de piratage ; elle a besoin de règles claires, de données propres et d'accords équitables..

La situation révèle plusieurs certitudes : l’origine des données est la ligne rouge, le « fair use » ne protège pas contre le piratage, les juges exigent de la transparence et des règlements à l’amiable de plusieurs millions de dollars sont déjà envisagés. Quiconque souhaite former des IA compétitives et durables devra organiser ses référentiels, acquérir les licences appropriées et accepter que le talent d'autrui — livres, presse, musique, images, vidéos — a un prix et mérite d'être respecté..

Article connexe:

Roja Directa est condamnée à payer 31,6 millions d'euros à Mediapro pour piratage sportif

Isaac

Écrivain passionné par le monde des octets et de la technologie en général. J'aime partager mes connaissances à travers l'écriture, et c'est ce que je vais faire dans ce blog, vous montrer toutes les choses les plus intéressantes sur les gadgets, les logiciels, le matériel, les tendances technologiques et plus encore. Mon objectif est de vous aider à naviguer dans le monde numérique de manière simple et divertissante.