La société The New York Times Company a déposé une plainte contre OpenAI et Microsoft en décembre 2023, alléguant que ces entreprises avaient utilisé des millions d'articles de presse protégés par le droit d'auteur pour entraîner leurs grands modèles de langage sans autorisation ni compensation. L'affaire, officiellement intitulée The New York Times Company v. Microsoft Corporation and OpenAI, Inc., porte sur la question de savoir si l'utilisation de textes protégés par le droit d'auteur dans l'entraînement de systèmes d'intelligence artificielle générative constitue un usage équitable en vertu du droit d'auteur américain. L'issue pourrait établir un précédent quant à la manière dont les entreprises d'intelligence artificielle gèrent les documents protégés dans leurs ensembles de données d'entraînement.
Le Times affirme que ChatGPT d'OpenAI et les produits Copilot propulsés par Azure de Microsoft reproduisent des portions substantielles de ses articles, soit mot pour mot, soit en paraphrase proche, souvent sans attribution appropriée. La plainte cite de nombreux exemples où les modèles produisent des passages quasi identiques issus des reportages du Times, y compris des contenus derrière un paywall. OpenAI a répondu en invoquant une défense d'usage équitable, arguant que l'entraînement sur des textes accessibles au public est transformateur et ne remplace pas les œuvres originales. Microsoft, en tant qu'investisseur principal et distributeur d'OpenAI, est également nommé comme défendeur.
Contexte de la plainte
La plainte a été déposée le 27 décembre 2023 devant le tribunal de district des États-Unis pour le district sud de New York. Le Times demande des dommages-intérêts légaux et une injonction, y compris la destruction de tous les poids de modèles et ensembles de données d'entraînement ayant incorporé son contenu. Ce dépôt fait suite à des mois de négociations infructueuses entre le Times et OpenAI concernant un accord de licence. Le Times aurait cherché une compensation pour l'utilisation de ses archives de plus de 100 millions d'articles, mais les parties n'ont pas pu trouver un accord.
L'affaire est l'un des nombreux litiges très médiatisés impliquant des entreprises d'IA. En juillet 2023, des auteurs comme Sarah Silverman et Christopher Golden ont poursuivi OpenAI et Meta pour des réclamations similaires. La plainte du Times est notable car elle implique une grande organisation de presse disposant de ressources juridiques substantielles et d'un intérêt commercial clair à protéger son contenu. L'issue pourrait affecter la manière dont les éditeurs de presse et autres créateurs de contenu interagissent avec les développeurs d'IA.
L'argument d'usage équitable d'OpenAI
La défense d'OpenAI repose sur la doctrine de l'usage équitable, codifiée à la section 107 de la loi américaine sur le droit d'auteur. L'entreprise soutient que l'entraînement d'un modèle sur des textes protégés est un usage transformateur - cela crée une nouvelle fonction (prédire le prochain jeton dans une séquence) plutôt que de reproduire l'expression originale. OpenAI affirme que le processus d'entraînement ne stocke pas de copies du texte source mais apprend plutôt des schémas statistiques et des relations entre les mots. L'entreprise souligne la capacité de son modèle à générer des textes originaux sur un large éventail de sujets comme preuve qu'il ne se contente pas de régurgiter ses données d'entraînement.
OpenAI met également en avant le bénéfice public de sa technologie. L'entreprise soutient que les grands modèles de langage permettent la recherche, l'éducation et l'expression créative, et que restreindre l'entraînement sur des textes accessibles au public étoufferait l'innovation. OpenAI a noté qu'elle fournit un mécanisme de désinscription pour les propriétaires de sites web qui ne souhaitent pas que leur contenu soit utilisé dans l'entraînement, bien que le Times n'ait pas utilisé ce mécanisme avant de déposer la plainte. L'entreprise soutient en outre que les articles du Times sont des reportages factuels, qui bénéficient d'une protection plus faible du droit d'auteur que les œuvres créatives, et que les modèles n'utilisent que les faits et idées sous-jacents, pas l'expression originale.
Les réclamations de droit d'auteur du Times
Le Times rétorque que l'usage équitable ne s'applique pas car l'utilisation d'OpenAI est commerciale et concurrence directement les propres produits du journal. La plainte allègue que ChatGPT et Copilot peuvent générer des résumés d'articles du Times suffisamment détaillés pour remplacer la lecture de l'original, détournant ainsi le trafic et les revenus publicitaires du site du Times. Le journal affirme également que les modèles reproduisent ses articles mot pour mot dans certains cas, ce qui dépasse tout usage transformateur.
Le Times souligne la nature « mosaïque » de son contenu - les articles individuels font partie d'un produit éditorial plus large qui inclut le contexte, l'analyse et le journalisme d'investigation. Le journal soutient que reproduire même des portions de ce contenu sape sa valeur. La plainte note également qu'OpenAI a accordé des licences pour du contenu d'autres éditeurs, y compris Axel Springer et l'Associated Press, ce qui suggère que l'entreprise reconnaît la nécessité d'une autorisation lors de l'utilisation de documents protégés. Le Times soutient que son refus de licence ne devrait pas être contourné par une réclamation d'usage équitable.
Précédents juridiques et interprétations
L'analyse de l'usage équitable dans cette affaire s'appuiera probablement sur plusieurs précédents clés. Dans Authors Guild v. Google (2015), la deuxième cour d'appel a jugé que la numérisation par Google de millions de livres pour son index de recherche était un usage équitable transformateur car elle fournissait des extraits et des fonctionnalités de recherche sans reproduire les livres en entier. OpenAI citera probablement cette affaire pour soutenir que son usage est similairement transformateur. Cependant, le Times pourrait distinguer Google Books en notant que cela ne concurrençait pas les livres eux-mêmes, alors que ChatGPT peut générer du contenu qui concurrence les articles de presse.
Un autre précédent pertinent est l'affaire de 2023 Thomson Reuters v. Ross Intelligence, où un tribunal a jugé que l'utilisation des notes de jurisprudence de Reuters pour entraîner un outil de recherche juridique en IA n'était pas un usage équitable. Cette décision, bien que non contraignante dans la deuxième cour d'appel, suggère que les tribunaux peuvent examiner plus strictement l'entraînement en IA lorsque le résultat concurrence l'œuvre originale. Le Times soutiendra probablement que son affaire est plus proche de Ross Intelligence que de Google Books car ChatGPT est conçu pour répondre à des questions avec du contenu de presse, concurrençant directement le cœur de métier du Times.
Aspects techniques des données d'entraînement
L'affaire soulève également des questions techniques sur la manière dont les modèles de apprentissage automatique stockent et récupèrent l'information. Les modèles d'OpenAI sont basés sur l'architecture transformeur, qui utilise des mécanismes de attention multi-têtes pour traiter le texte. Pendant l'entraînement, le modèle ajuste des milliards de paramètres pour minimiser l'erreur de prédiction sur un corpus massif de texte. OpenAI n'a pas divulgué le contenu complet de ses ensembles de données d'entraînement, mais la plainte du Times allègue que ses articles apparaissent dans les données d'entraînement en raison de la capacité des modèles à reproduire des passages spécifiques.
OpenAI soutient que le modèle ne contient pas de copies du texte au sens traditionnel - les paramètres encodent des relations statistiques, pas des chaînes exactes. Cependant, des chercheurs ont démontré que les grands modèles de langage peuvent mémoriser et reproduire de longs passages de leurs données d'entraînement, surtout lorsque ces passages apparaissent plusieurs fois ou sont distinctifs. Le Times a fourni des exemples de ChatGPT produisant des citations quasi verbatim de ses articles, ce qui suggère que la mémorisation se produit. Le tribunal pourrait devoir déterminer si cette mémorisation constitue une reproduction en vertu du droit d'auteur.
Réactions de l'industrie et implications
La plainte a suscité des réactions dans les industries technologique et éditoriale. Certains éditeurs, y compris News Corp et Gannett, ont exprimé leur soutien à la position du Times, tandis que d'autres ont poursuivi des accords de licence avec des entreprises d'IA. OpenAI a signé des accords avec plusieurs éditeurs, y compris la société mère de Politico, Axel Springer, et le Financial Times, pour utiliser leur contenu dans l'entraînement et l'affichage. Ces accords suggèrent que certains éditeurs voient de la valeur à s'associer avec des entreprises d'IA plutôt qu'à intenter des poursuites.
Les chercheurs en IA ont exprimé des inquiétudes qu'une décision défavorable puisse entraver les progrès dans le domaine. Beaucoup soutiennent que l'entraînement sur des ensembles de données vastes et diversifiés est essentiel pour construire des modèles capables, et qu'exiger des licences individuelles pour chaque œuvre protégée serait impraticable. Certains ont proposé des cadres alternatifs, comme un système de licence obligatoire ou une organisation collective de droits pour les données textuelles. L'affaire pourrait également affecter le développement international de l'IA, alors que d'autres pays observent comment les tribunaux américains équilibrent la protection du droit d'auteur avec l'innovation technologique.
Issues possibles et calendrier
Au début de 2025, l'affaire est en phase de découverte, les deux parties échangeant des preuves sur les données d'entraînement et les sorties des modèles. Aucune date de procès n'a été fixée, et les experts juridiques s'attendent à ce que l'affaire prenne plusieurs années à se résoudre, atteignant potentiellement la Cour suprême. Le tribunal pourrait rendre un jugement sommaire sur la question de l'usage équitable avant le procès, ce qui pourrait restreindre les questions ou résoudre entièrement l'affaire.
Plusieurs issues sont possibles. Le tribunal pourrait juger que l'usage d'OpenAI est équitable, permettant à l'entreprise de continuer à entraîner sur des textes protégés sans autorisation. Alternativement, le tribunal pourrait conclure que l'usage n'est pas équitable, obligeant potentiellement OpenAI à payer des dommages-intérêts et à obtenir des licences pour le contenu du Times. Un terrain d'entente pourrait impliquer une décision selon laquelle certains usages sont équitables tandis que d'autres ne le sont pas, selon le degré de reproduction et l'impact commercial. L'affaire pourrait également être réglée à l'amiable, comme beaucoup de litiges très médiatisés sur le droit d'auteur, avec OpenAI payant des frais de licence au Times et acceptant certaines restrictions sur la reproduction de son contenu.
La décision aura probablement des conséquences considérables pour l'industrie de l'IA. Une décision contre OpenAI pourrait forcer d'autres entreprises, y compris Anthropic et Google DeepMind, à modifier leurs pratiques d'entraînement. Cela pourrait également affecter le développement de modèles open source, qui reposent sur des textes accessibles au public. À l'inverse, une décision en faveur d'OpenAI pourrait encourager les entreprises d'IA à continuer d'utiliser des documents protégés sans autorisation, conduisant potentiellement à davantage de litiges de la part des créateurs de contenu. L'affaire représente un test fondamental de la manière dont le droit d'auteur s'adapte aux nouvelles technologies, et son issue façonnera la relation entre les développeurs d'IA et les producteurs de contenu pour les années à venir.