
«Avec des données d'internet» cesse peu à peu d'être une réponse. Ce que disent les audits, la loi et les tribunaux sur la provenance des données avec lesquelles on entraîne l'IA.
Sagelix
Sagelix
Image générée par intelligence artificielle.
Pendant des années, la réponse à «avec quoi cela a-t-il été entraîné ?» a été «avec des données d’internet». Cette réponse cesse peu à peu d’être valable, pour des raisons que l’on peut documenter.
Même les données organisées n’arrivent pas avec leur licence
Un audit a examiné plus de 1 800 jeux de données textuelles, de ceux que l’on utilise pour entraîner et ajuster des modèles. Dans les dépôts les plus utilisés, plus de 70 % n’indiquaient pas sous quelle licence ils étaient distribués, et plus de 50 % l’indiquaient mal (Longpre et al., 2024).
Il ne parle pas de contenu collecté sans ordre. Il parle de collections préparées et publiées pour être réutilisées. Même là, on ne sait pas avec quelle autorisation le contenu arrive.
Ceux qui publient retirent leur autorisation
Une autre étude a examiné 14 000 domaines web présents dans trois grands corpus d’entraînement. En une seule année, plus de 28 % des sources les plus importantes et les mieux entretenues de l’un d’eux ont fait l’objet de restrictions. Si l’on regarde les conditions d’utilisation de chaque site, 45 % de ce corpus est déjà soumis à des restrictions (Longpre et al., 2024b). C’est un travail que nous avons consulté sous forme de prépublication.
Internet n’est donc pas une source neutre. Une part croissante de ceux qui y écrivent a dit non.
La loi et les tribunaux posent déjà la question
- Europe. Depuis août 2025, les fournisseurs de modèles à usage général doivent avoir une politique de respect du droit d’auteur et publier un résumé suffisamment détaillé du contenu utilisé pour l’entraînement (règlement sur l’IA, article 53). La Commission a publié en juillet 2025 le modèle de ce résumé, qui demande d’énumérer les principales collections de données et d’expliquer les autres sources. L’obligation incombe à celui qui fabrique le modèle de base, pas à celui qui construit un produit par-dessus.
- États-Unis. Un tribunal a approuvé en juillet 2026 un accord de 1,5 milliard de dollars entre une entreprise d’IA et des auteurs de livres, d’environ 3 000 dollars par œuvre, avec l’obligation de détruire les copies provenant de deux bibliothèques pirates. Ce qui a été payé, c’est l’origine du matériel. L’information vient de la guilde des auteurs, qui est partie intéressée.
- Allemagne. Un tribunal de Munich a jugé en novembre 2025 que mémoriser des paroles de chansons à l’intérieur d’un modèle porte atteinte au droit de reproduction. Le jugement n’est pas définitif, et nous le connaissons par le résumé d’un cabinet d’avocats, pas par le texte original.
Le cadre n’est pas arrêté. L’Office du droit d’auteur des États-Unis constate qu’il existe déjà des systèmes entraînés uniquement avec des œuvres sous licence ou du domaine public. Dans le même temps, il admet que la croissance du marché des licences ne prouve pas qu’il soit viable de tout mettre sous licence à grande échelle.
Pourquoi il importe qu’il y ait une personne derrière
Il y a une raison technique en plus de la raison juridique. Entraîner des modèles avec du contenu généré par d’autres modèles produit des défauts qui s’accumulent et ne se corrigent pas, et les auteurs de ce travail concluent que les données provenant de personnes réelles auront de plus en plus de valeur (Shumailov et al., 2023).
Il existe aussi des preuves que le matériel d’un domaine précis améliore les résultats dans ce domaine : entraîner uniquement avec du texte biomédical a donné des gains substantiels par rapport au fait de partir d’un modèle général (Gu et al., 2021). Cette étude compare des textes, pas des connaissances apportées par des professionnels.
De bonnes sources ne garantissent pas des réponses justes
Il convient de ne pas exagérer.
- Des outils juridiques construits sur des sources professionnelles se sont trompés entre 17 % et 33 % des fois, et leurs auteurs concluent que ce que promettaient les fournisseurs était exagéré (Magesh et al., 2024).
- Un modèle général bien dirigé a dépassé des modèles médicaux spécialisés à des examens de type QCM (Nori et al., 2023).
- Nous n’avons trouvé aucune étude qui compare, dans un produit réel, des connaissances apportées par des professionnels chevronnés avec des données du web.
Avoir une provenance claire ne fait pas qu’un système réponde juste. Cela permet de savoir d’où vient ce qu’il dit, et avec quelle autorisation.
Ce que cela signifie pour qui apporte ce qu’il sait
Ce qui change, c’est la question. On va demander à un produit d’IA, de la part de ses clients et de plus en plus devant les tribunaux, de dire d’où sort ce qu’il affirme. Un savoir dont l’auteur est identifié et dont l’autorisation d’utilisation est écrite peut y répondre ; un savoir recueilli sans plus, non.
Chez Sagelix, chaque volume porte le nom du professionnel qui l’a apporté, et chaque achat laisse enregistrée l’autorisation d’utilisation avec ses conditions.
Sources
- Longpre et al. (2024). «A large-scale audit of dataset licensing and attribution in AI». Nature Machine Intelligence 6. Prépublication
- Longpre et al. (2024b). «Consent in Crisis: The Rapid Decline of the AI Data Commons». arXiv:2407.14933
- Règlement (UE) 2024/1689, article 53. Texte
- Commission européenne (2025). Modèle pour le résumé public du contenu d’entraînement
- Authors Guild (2026). Note sur l’approbation de l’accord dans Bartz v. Anthropic
- CMS (2025). Résumé du jugement du Landgericht München I, 42 O 14139/24
- U.S. Copyright Office (2025). «Copyright and Artificial Intelligence, Part 3: Generative AI Training», version préalable à la publication
- Shumailov et al. (2023). «The Curse of Recursion». arXiv:2305.17493
- Gu et al. (2021). «Domain-Specific Language Model Pretraining for Biomedical NLP». arXiv:2007.15779
- Magesh et al. (2024). «Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools». arXiv:2405.20362
- Nori et al. (2023). «Can Generalist Foundation Models Outcompete Special-Purpose Tuning?». arXiv:2311.16452


