Alors que le Bureau européen de l’IA doit rendre public prochainement son projet de modèle de résumé du contenu utilisé pour entraîner les modèles d’IA à usage général, la France n’a pas encore fixé sa doctrine. Plusieurs rapports représentants des intérêts opposés ont été publiés afin de nourrir la position française qui va être portée à Bruxelles. Le CSPLA, d’un côté, milite pour un résumé « complet en termes de contenu », sans révéler les techniques utilisées alors que, d’un autre côté, les représentants des développeurs de système d’IA font valoir que les données utilisées sont sources de valeurs et les divulguer créeraient une distorsion de concurrence avec les modèles hors de l’UE. La France se trouve donc dans une situation schizophrénique entre la défense du secteur de la création et le soutien à une industrie de l’IA française qui a besoin de données de qualités. Reste désormais à concilier des intérêts qui s’opposent.
Les modèles d’apprentissage profond nécessitent de vastes quantités de données pour leur entraînement. Pour ce faire, ils recourent fréquemment à la technique du scraping sur internet afin d’accéder aux informations librement accessibles en ligne. Or, c’est cette pratique qui est dénoncée par les ayants droit et créateurs d’œuvres de l’esprit.
La directive européenne du 17 avril 2019 avait autorisé la fouille de texte (datamining), à des fins de recherche scientifique ou à des contenus dont l’accès est licite. Dans ce dernier cas, la directive avait prévu un droit d’opposition (opt-out) pour les ayants droit. Avec l’explosion de l’IA générative, les ayants droit ont été nombreux à mettre en œuvre cette faculté. Mais force est de constater le peu d’effectivité de l’opt-out. Et, en l’absence d’un principe de transparence des sources, le droit d’opposition reste théorique. Pour obtenir la rémunération ou l’indemnisation des titulaires de droit sur les œuvres ayant servi de sources aux modèles d’IA en cas d’atteinte au droit d’auteur, encore faut-il pouvoir rapporter la preuve de leur utilisation. Mais comment identifier les œuvres qui ont servi de données d’entraînement ? D’où la question de la transparence de la part des développeurs de modèles de fondation qui a fait l’objet d’un débat houleux lors de l’adoption du règlement européen relatif à l’intelligence artificielle (RIA).
L’Europe a fini par créer un régime de transparence inédit dans le monde pour garantir l’effectivité du droit d’opposition, en offrant aux titulaires de droits une plus grande visibilité sur l’utilisation de leurs œuvres à des fins d’apprentissage de l’IA. L’article 53 du RIA impose aux fournisseurs de modèles de mettre en place une politique visant à respecter le droit d’auteur et les droits voisins mais aussi à rédiger « un résumé suffisamment détaillé du contenu utilisé pour entraîner le modèle d’IA à usage général » qui doit être mis « à la disposition du public ».
Le 18 novembre dernier, la Commission européenne a publié un projet de code de pratiques pour les modèles d’intelligence artificielle généraliste (GPAI) élaboré par le Bureau de l’IA qui impose aux fournisseurs de GPAI de documenter et de rendre accessibles les informations relatives aux données utilisées pour l’entraînement, le test et la validation de leurs modèles. Le code précise que cette transparence doit inclure la nature des données utilisées (textes, images, vidéos, autres contenus protégés), les sources des données, y compris leur provenance et les modalités d’acquisition.
Une question demeure néanmoins
en suspens : celle de savoir si les fournisseurs doivent divulguer chaque œuvre utilisée individuellement. Il revient au Bureau européen de l’intelligence artificielle d’élaborer la typologie des informations et le modèle de résumé à publier par les fournisseurs de modèles d’IA. Et c’est là où les choses se compliquent. Pour permettre aux ayants droit de disposer d’informations suffisantes pour exercer leur droit d’opposition, le règlement prévoit que ces exigences soient équilibrées, à la fois techniquement faisables, à la portée des fournisseurs de modèles d’IA à usage général sans leur faire supporter une charge excessive, compatibles avec la protection des secrets d’affaires et des informations commerciales confidentielles.
Ce cadre posé, chacun essaie de faire valoir ses intérêts. En avril dernier, le CSPLA avait confié une « mission flash » à Alexandra Bensamoun, professeur des universités, afin de « préciser la portée des dispositions de l’article 53, 1, d, et de proposer un modèle de résumé qui nourrira les positions de la France au niveau européen ». Le rapport remis le 9 décembre 2024 recommande une approche par type de contenus. Pour les données protégées, seraient considérées comme essentielles les URLs des sites internet dans lesquels les données ont été récupérées ainsi que la date de ces opérations de récupération. Les bases d’entrainements devraient aussi être suffisamment documentées (notamment sur les identifiants uniques) et le résumé devrait contenir des informations pratiques telles que le contact de référence ou l’existence d’accords commerciaux le cas échéant. Ce résumé public doit permettre d’identifier l’utilisation potentielle d’une œuvre ou d’un contenu protégé, mais pas de détailler comment ce contenu a été utilisé ni les données protégées par le secret des affaires. « Autrement dit, la liste précise d’ingrédients peut être rendue publique, mais pas la recette », relève le CSPLA.
France Digitale, qui représente les start-up, estime de son côté que « le législateur n’a pas souhaité imposer aux fournisseurs de modèles d’IA à usage général de révéler de manière exhaustive chacune de leurs sources ».