Près de 400 journaux ont déposé une action collective contre OpenAI et Microsoft. La procédure est arrivée devant le tribunal de New York le 24 juin. Pour ceux qui développent avec des modèles de langage, donc, l’affaire revêt une grande importance. Après tout, elle touche à la base de tout: les données d’entraînement.
Ci-dessous, comprenez les arguments, le risque juridique et les effets pratiques sur votre travail.
Les journaux qui soutiennent l’accusation contre OpenAI et Microsoft
La coalition réunit des éditeurs propriétaires de centaines de médias locaux et régionaux. Selon la requête, les entreprises ont parcouru les sites de façon systématique. Puis, elles ont copié des articles et des reportages sur leurs propres serveurs. Ensuite, ce matériel a alimenté l’entraînement des grands modèles de langage. De plus, les auteurs affirment que les informations protégées par le droit d’auteur ont été retirées. C’est pourquoi l’action parle d’appropriation directe de contenu.
L’argument économique est également direct. Ces produits ont généré des milliards de valeur sur le marché. Or, selon l’action, aucun centime n’est revenu aux rédactions. Ainsi, les éditeurs demandent des indemnités et des mesures pour bloquer de nouvelles utilisations.
Pourquoi le fair use est devenu le cœur du litige
OpenAI maintient une défense cohérente. Selon l’entreprise, les modèles utilisent des données publiques et respectent le principe du fair use. Autrement dit, l’entraînement transformerait le contenu, plutôt que de simplement reproduire le matériel. Pour le développeur, ce point est décisif. Après tout, le concept de fair use soutient une grande partie de l’écosystème actuel. Si le tribunal accepte cette thèse, le processus d’entraînement restera pratiquement intact. En revanche, si la Justice exige une licence, le scénario change considérablement.
Comment la décision affecte ceux qui construisent avec des LLMs
Le risque principal n’est pas abstrait. En pratique, il concerne le coût et l’accès aux données. Aujourd’hui, entraîner un modèle dépend de volumes importants de texte. Cependant, une décision en faveur des journaux pourrait rendre cet accès payant. En conséquence, la licence entrerait dans le coût de tout projet sérieux. De plus, des ensembles de données qui semblaient libres gagneraient une couche juridique. Ainsi, la traçabilité de l’origine des données ne serait plus optionnelle.
À noter: un mouvement parallèle se dessine. Google et Meta signent déjà des accords avec des médias dans plusieurs pays. Par conséquent, le licensing apparaît comme une pratique de marché, et non comme une exception.
Entraînement et RAG: la frontière que les tribunaux doivent encore définir
Ici réside une distinction technique importante. Entraîner un modèle avec un texte diffère de consulter ce texte en temps réel. En entraînement, le contenu pénètre les poids du modèle. Alors que dans le cadre du RAG, il n’apparaît que au moment de la requête. Cette différence peut sembler subtile. Toutefois, elle peut peser lourd devant le tribunal.
Pour le développeur, la leçon est claire. Tout d’abord, enregistrez l’origine de chaque source. Ensuite, différenciez ce qui entre dans l’entraînement de ce qui entre dans la récupération. Enfin, traitez l’attribution et la citation comme une exigence, et non comme un détail.
Ce qui change dans votre pipeline à partir de maintenant
La controverse est encore loin d’être terminée. Néanmoins, certains usages prennent déjà du sens. Voyons où concentrer l’attention.
Tout d’abord, cartographiez l’origine des données. Documentez chaque jeu de données et chaque crawler. Ainsi, vous pourrez répondre rapidement à tout questionnement. Ensuite, respectez les signaux de blocage. Robots.txt et les termes d’usage reviennent au cœur du débat. Ignorer ces signaux augmente le risque. Troisièmement, envisagez des sources sous licence. Aujourd’hui, apparaissent des jeux de données avec une licence claire et une chaîne de droits définie. Par conséquent, ils réduisent l’exposition juridique de votre produit.
Le message pour ceux qui développent
La procédure des journaux ne décide pas de l’avenir à elle seule. Toutefois, elle signale une direction ferme. De plus en plus, l’origine des données devient partie intégrante de l’architecture. En résumé, l’ère des données gratuites et sans traçabilité est en train de se terminer. Par conséquent, ceux qui documentent l’origine aujourd’hui gagnent un avantage demain. En effet, dans ce nouveau cadre, des données propres et licenciées deviennent un véritable différenciateur compétitif.
Suivez notre profil sur Instagram!
