Des cadres de Microsoft et d’OpenAI se seraient inquiétés de la manière dont les modèles de langage comme ChatGPT ont été entraînés, en particulier à partir de millions d’articles de presse récupérés sur le web. Selon un dirigeant de Microsoft, cette pratique constituerait « le plus grand vol de travail de l’histoire humaine ». Cette formule, rapportée dans un contexte de tensions croissantes autour des droits d’auteur, illustre le malaise qui entoure la collecte de données à grande échelle pour l’intelligence artificielle.
Une déclaration lourde de sens sur l’entraînement de ChatGPT
Le dirigeant de Microsoft n’a pas été identifié publiquement, et les conditions exactes de cette prise de parole restent floues. La phrase citée n’est accompagnée d’aucun document officiel ni d’un enregistrement vérifiable. Elle suggère néanmoins que, en interne, certains responsables technologiques reconnaissent les problèmes posés par l’utilisation massive de contenus journalistiques sans autorisation explicite.
Le scraping, ou aspiration automatisée de pages web, est une pratique courante pour constituer les corpus d’entraînement des modèles d’IA. Dans le cas de ChatGPT, des volumes considérables de textes en ligne, dont des articles de presse, ont été utilisés. Les éditeurs n’ont généralement pas été consultés, et aucun mécanisme de rémunération ou d’opt-out simple n’existait au moment des premiers entraînements.
Un conflit qui s’étend aux médias et aux ayants droit
Les inquiétudes exprimées en interne font écho à plusieurs procédures engagées par des éditeurs de presse et des auteurs contre les entreprises d’IA. Celles-ci estiment que l’utilisation de leurs contenus pour entraîner des modèles génératifs constitue une violation du droit d’auteur, ou à tout le moins une exploitation déloyale. Les entreprises technologiques, de leur côté, invoquent souvent l’exception de fouille de textes et de données ou le caractère transformatif de l’usage.
La déclaration attribuée à un cadre de Microsoft n’a pas de valeur juridique en soi, mais elle alimente le débat public. Elle donne à penser que certains acteurs majeurs du secteur sont conscients de la fragilité de leur position, même s’ils n’ont pas modifié publiquement leurs pratiques de collecte.
Conséquences concrètes pour les créateurs de contenu
Les éditeurs de presse se trouvent dans une situation délicate : leurs contenus contribuent à améliorer des systèmes qui peuvent ensuite générer des textes concurrents ou réduire le trafic vers leurs sites. Plusieurs médias ont tenté de bloquer les robots d’aspiration, avec des résultats variables. D’autres négocient des accords de licence avec les laboratoires d’IA, mais ces arrangements restent opaques et inégalement répartis.
Pour les journalistes et les auteurs, l’enjeu est double. D’une part, la protection de leur travail et de leurs revenus ; d’autre part, la transparence sur les données utilisées pour entraîner les modèles. La déclaration du cadre de Microsoft pourrait renforcer les demandes de traçabilité et de rémunération, mais aucune mesure concrète n’a été annoncée à ce stade.
Ce qui est confirmé et ce qui reste incertain
Le seul fait confirmé est l’existence d’inquiétudes internes chez Microsoft et OpenAI concernant le scraping de millions d’articles de presse pour entraîner ChatGPT. La phrase exacte attribuée au cadre de Microsoft, son identité, la date et le contexte de la déclaration restent non vérifiés. Il n’existe aucune annonce officielle de changement de politique, ni de Microsoft ni d’OpenAI, concernant la collecte ou l’utilisation de contenus protégés.
En l’absence de documents publics ou de prises de position officielles, il est prudent de considérer cette information avec réserve. Le débat sur la légalité et l’éthique du scraping pour l’IA générative demeure ouvert, et les prochaines décisions judiciaires ou réglementaires pourraient en modifier les termes.
