Et si le carburant des chatbots que vos équipes marketing testent chaque semaine n’était pas seulement « ouvert », mais qualifié en interne de vol à une échelle jamais vue ? Les pièces récemment dévoilées dans le procès intenté par le New York Times contre OpenAI et Microsoft bousculent le récit rassurant du fair use. Un cadre de Redmond a parlé d’un « vol de travail sans précédent dans l’histoire humaine ». Pour les fondateurs, les responsables de croissance et les rédactions digitales, ce n’est plus un débat théorique : c’est une question de trafic, de licences et de survie économique.

Le dossier, relaté notamment par TechCrunch, s’appuie sur des extraits longtemps caviardés. Ils décrivent un écosystème où l’on scrape, où l’on contourne des paywalls, où l’on retire les mentions de copyright, puis où l’on admet en privé que le produit final peut remplacer la source. Trois ans après le dépôt de la plainte, le débat juridique n’est toujours pas tranché. Les tribunaux ont souvent penché vers les arguments des laboratoires. Les documents internes, eux, racontent une autre histoire : celle d’une chaîne d’approvisionnement éditoriale mise en danger par l’outil même qu’elle a nourri.

Ce Que Les Documents Non Caviardés Changent Vraiment

Le procès n’est pas neuf. Ce qui l’est, c’est le niveau de détail désormais lisible. Attention toutefois : une partie des citations circule via le mémoire du Times, pas via les pièces originales encore sous scellés. Le contexte intégral manque parfois. Cela n’empêche pas de mesurer la tension entre le discours public sur l’innovation et les notes internes sur le risque systémique.

On y trouve trois fils conducteurs. Premier fil : l’ampleur du copiage. Les jeux de données d’entraînement intermédiaires d’OpenAI contiendraient plus de 91 692 copies d’œuvres du New York Times, du Daily News et du Center for Investigative Reporting. Un corpus dérivé de Common Crawl dépasserait les deux millions de documents issus de nytimes.com. Second fil : les méthodes d’acquisition, index Bing compris, projets internes baptisés Taxi et Mango, astuces pour passer les paywalls. Troisième fil : le langage des dirigeants eux-mêmes, qui parle de substitution, de menace existentielle et de « doom loop » pour le web.

Pour une audience startup, le message est clair. Si vous construisez un produit sur des modèles entraînés à grande échelle, vous héritez d’un risque juridique, réputationnel et commercial. Si vous publiez du contenu premium, vous êtes du mauvais côté de la boucle : moins de clics, moins de données fraîches, modèles moins performants, encore moins de clics.

« Le Plus Grand Vol De Travail De L’Histoire Humaine »

En janvier 2023, Brent Hecht, alors directeur de la science appliquée chez Microsoft, aurait qualifié le phénomène d’« astonishing theft of unprecedented proportions ». La formule la plus forte, reprise dans le dossier, va plus loin encore : le plus grand vol de travail jamais commis. Ce n’est pas un tweet d’activiste. C’est une formulation interne, dans une entreprise partenaire stratégique d’OpenAI et éditrice de Copilot.

It is highly unusual that an end-product threatens the economic foundations of its essential suppliers, but that is the situation we have created for our LLM business with respect to its content supply chain.

– Document interne Microsoft cité dans le mémoire, janvier 2024

Hecht décrit aussi une boucle infernale. Copilot, présenté comme un « answer engine », ferait chuter le taux de clics vers le domaine du Times jusqu’à 93 % par rapport à une recherche Bing classique. Moins de visites, moins de recettes, moins d’enquêtes produites, moins de matière de qualité pour les prochains entraînements. Le produit mange sa propre source.

Cette image devrait hanter tout responsable produit qui agrège du contenu tiers. Un assistant qui répond « trop bien » n’est plus un complément. Il devient un substitut. Or le test américain du fair use examine précisément le préjudice de marché. Admettre en interne que l’outil est substitutif, c’est offrir un argument en or à la partie adverse.

Fair Use : La Ligne Officielle Et Les Contradictions Internes

Les laboratoires répètent que l’entraînement transforme l’œuvre : on n’affiche pas le journal, on apprend des régularités statistiques. Plusieurs juges ont accueilli cette lecture avec bienveillance. Début septembre, une contribution de l’administration Trump a même plaidé en faveur de l’usage non licencié pour entraîner des LLM. Le droit n’est donc pas figé, et il penche souvent du côté industriel.

Les extraits non caviardés tapent pourtant sur le critère le plus fragile : l’effet sur le marché de l’œuvre originale. Nick Turley, responsable de ChatGPT, aurait écrit que les éditeurs font face à une « menace existentielle », que les produits sont « largement substitutifs » et le seront davantage à mesure qu’ils s’améliorent. Greg Brockman aurait jugé les modèles « excellents pour l’actualité ». Satya Nadella aurait reconnu sous serment qu’une conversation avec un chatbot peut remplacer le passage par le site source.

Anything that is paywalled should be licensed by anyone who wants to use it… for grounding or training.

– Satya Nadella, déposition 2026 selon le dossier

Le PDG de Microsoft ajoute que, s’il avait su qu’OpenAI s’était entraîné sur des contenus derrière paywall, il aurait exigé un réentraînement. Cette phrase est explosive. Elle reconnaît une norme : le paywall implique une licence. Elle reconnaît aussi une faille de gouvernance entre partenaire et laboratoire. Pour les directions juridiques de scale-up, c’est le type de déclaration que l’on annote en rouge dans un data room.

Comment Les Données Aurait Été Collectées

Le mémoire décrit une mécanique industrielle. OpenAI aurait livré l’intégralité du corpus GPT-3 à Microsoft, qui s’en serait servi pour évaluer l’intégration commerciale des modèles. En retour, Microsoft aurait fourni des données via Project Taxi et Project Mango. Mango aurait rassemblé au moins 160 903 œuvres uniques des éditeurs plaignants.

L’index Bing apparaît comme un réservoir commode. Common Crawl, dépôt ouvert de crawls web, aurait livré des millions d’articles. Les ensembles WebText et WebText2 auraient surpondéré la presse. Rien de tout cela n’est nouveau dans le principe : tout le monde sait que les LLM ont bu le web. Ce qui est nouveau, c’est la granularité chiffrée et l’accusation de contournement délibéré.

Un échange interne est particulièrement cité. Le chercheur Nick Ryder aurait mentionné un « hack » pour contourner le paywall du Times. Brockman aurait répondu : « ah nice. » Qu’il s’agisse d’une blague de slack ou d’une instruction opérationnelle, le ton ne aide pas la thèse du bon père de famille technologique.

Autre geste délicat : retirer les mentions de copyright avant l’entraînement, parce que l’on « ne voudrait pas que le modèle les recrache » aux utilisateurs. Sur le plan produit, c’est du bon sens. Sur le plan juridique, cela ressemble à une conscience du problème. On efface le signal de propriété précisément pour que le système ne trahisse pas son régime d’alimentation.

Pourquoi Les Médias Parlent De Menace Existentielles

Le journalisme d’enquête coûte cher. Il se finance par l’abonnement, la publicité, les licences B2B, parfois les dons. Un moteur de réponses qui reformule l’essentiel d’un article coupe la visite. Si le taux de clic s’effondre de façon aussi brutale que le chiffre Microsoft de 93 %, le modèle économique se fissure. Ce n’est pas une métaphore marketing. C’est une courbe d’acquisition inversée.

Les plaignants ne sont pas seuls. Partout, les éditeurs négocient, attaquent ou ferment des robinets robots.txt. Certains signent des accords. D’autres misent sur le blocage agressif. D’autres encore tentent de vendre des API « clean » pour le grounding, c’est-à-dire l’ancrage des réponses dans des sources à jour. Le marché de la licence éditoriale pour l’IA devient un segment à part entière, encore mal pricé.

Steven Lieberman, conseil du New York Daily News, affirme que les preuves montrent qu’OpenAI et Microsoft savaient que la pratique était fautive. Les deux entreprises n’ont pas répondu aux sollicitations de TechCrunch au moment de la publication. Le silence n’est pas une preuve. Il laisse toutefois le récit des plaignants occuper la place.

Ce Que Cela Change Pour Une Startup Produit Ou Marketing

Vous n’êtes pas OpenAI. Vous n’entraînez pas un frontier model. Pourtant le sujet vous concerne. Vos outils de rédaction, vos agents support, vos synthèses concurrentielles reposent souvent sur des API dont l’origine des données reste opaque. Un durcissement judiciaire ou contractuel se répercutera en prix, en latence, en clauses d’indemnisation.

Voici une grille pragmatique pour les COMEX et les CMO qui ne veulent pas attendre le verdict final.

• Cartographier quels modèles et quels RAG touchent du contenu payant ou journalistique.
• Exiger de vos fournisseurs une traçabilité minimale des corpus et des opt-out éditeurs.
• Préférer, pour le grounding, des licences explicites plutôt qu’un crawl « on verra bien ».
• Mesurer si votre assistant cannibalise vos propres pages organiques, comme Copilot le ferait pour Bing.
• Préparer un plan B si un réentraînement forcé ou une interdiction sectorielle survient.

Le marketing de contenu n’échappe pas à la boucle. Si Google, Bing et les chatbots répondent à la place de vos articles, votre stratégie SEO « 3 000 mots et backlinks » perd de la surface utile. Il faudra concevoir des formats que la machine ne peut pas avaler sans friction : données propriétaires, communautés, événements, outils interactifs, preuves sociales live.

La Boucle Infernale Du Web Et Des Modèles

Hecht parle d’un doom loop qui dégraderait à la fois les modèles et le web. L’intuition est simple. Les LLM ont besoin de texte humain dense, vérifié, original. Si ce texte n’est plus financé, le web se remplit de pages générées, recyclées, pauvres. La génération suivante s’entraîne sur ce bruit. La qualité chute. Les utilisateurs se plaignent. On scrape encore plus fort ce qui reste de premium. La spirale s’accélère.

Les chercheurs parlent déjà de model collapse lorsque trop de données synthétiques polluent le mélange. Les éditeurs parlent de désert informationnel. Les marketeurs voient des SERP instables et des citations d’auteur fantômes. Tout le monde décrit le même objet sous un angle différent : une économie de l’attention qui ne paie plus assez ceux qui produisent le signal.

Microsoft le dit presque tel quel : il est rare qu’un produit fini menace les fondations économiques de ses fournisseurs essentiels. Dans le logiciel classique, l’éditeur paie l’infrastructure, les licences, parfois les data providers. Ici, une partie du « data provider » n’a jamais signé. Le déséquilibre est structurel.

Emploi, Création Et « Vol De Travail »

Un document Microsoft évoque un risque réel que l’IA générative perturbe l’emploi de ceux-là mêmes qui ont produit les données d’entraînement. Journalistes, photographes, développeurs open source, illustrateurs, enseignants : la liste des métiers « scrapés » dépasse la presse. Le mot vol n’est pas juridiquement établi. Il est politiquement puissant.

Pour les équipes RH et les fondateurs, deux lectures coexistent. Lecture optimiste : l’IA augmente le rédacteur, accélère le brief, industrialise la variante A/B. Lecture pessimiste : elle capte la valeur en amont et redistribue mal. Les pièces du procès nourrissent la seconde lecture, même si elles ne la prouvent pas au sens pénal.

Le débat éthique ne doit pas masquer le débat de pricing. Si le travail créatif est un input industriel, il doit apparaître dans le compte de résultat des laboratoires, comme le calcul GPU. Tant que cet input reste gratuit par défaut, la tentation du over-scraping demeure. Les accords ponctuels avec quelques titres prestige ne règlent pas le sort des milliers de sites de niche qui alimentent aussi les crawls.

Licences, Paywalls Et Gouvernance Des Partenariats

La phrase de Nadella sur le paywall dessine une doctrine simple : ce qui est fermé doit être licencié, pour l’entraînement comme pour le grounding. Reste à définir « fermé ». Un mur d’abonnement ? Un robots.txt ? Des CGU ? Un header paywall-status ? Les crawlers historiques n’ont pas toujours respecté ces signaux avec la même ferveur.

Les partenariats labo-géant tech ajoutent une couche. Microsoft investit, distribue, intègre. OpenAI entraîne, itère, pousse le produit. Qui contrôle le corpus ? Qui a le droit d’exiger un réentraînement ? Qui porte le risque si un juge décide que 91 000 copies, ce n’est plus du fair use ? Les clauses de ces alliances vont devenir un objet d’étude pour les fonds et les boards.

Les startups qui revendent de l’IA « wrappée » devraient relire leurs contrats API. Indemnisation IP, droit de regard sur les données, obligation d’informer en cas de contentieux majeur : ces lignes, souvent survolées, peuvent décider d’une levée ou d’un deal enterprise. Les acheteurs corporates posent déjà la question. Ils la poseront plus fort après cette salve de citations.

Le Terrain Juridique Reste Mouvant

Il serait malhonnête de conclure à une défaite certaine des laboratoires. Le fair use américain est un test à plusieurs facteurs, pas un slogan. L’usage transformateur, la nature de l’œuvre, la quantité copiée, l’effet marché : chaque volet se discute. Des décisions récentes ont été accueillantes pour l’entraînement. Le brief politique en faveur d’OpenAI montre que l’enjeu dépasse deux parties privées. Il touche la compétitivité nationale dans la course aux modèles.

En Europe, le rapport de forces n’est pas identique. Le droit d’auteur, les exceptions text and data mining, le règlement sur l’IA et les obligations de transparence des corpus dessinent un autre échiquier. Une entreprise qui vend des deux côtés de l’Atlantique ne peut pas copier-coller sa doctrine US. Elle doit versionner sa compliance comme elle versionne son produit.

Le procès du Times n’est qu’un nœud dans un filet plus large : auteurs, artistes, code, musique, photos. Chaque verticale testera le même dilemme. Peut-on apprendre sans autoriser ? Peut-on répondre sans remplacer ? Peut-on citer sans payer ? Les réponses divergeront selon les juridictions et selon que le produit affiche ou non des extraits reconnaissables.

Implications Pour La Communication Digitale Et Le SEO

Les équipes acquisition vivent déjà le basculement vers les réponses zéro clic. L’IA conversationnelle aggrave le phénomène. Si un Copilot ou un ChatGPT suffit, pourquoi cliquer ? Le contenu reste utile, mais comme matière première invisible. Être la source citée dans une réponse n’équivaut pas à recevoir la session, l’email, le lead.

Il faut donc inventer des métriques d’influence machine : fréquence de citation dans les réponses, part de voix dans les outils d’assistants, présence dans les index que les RAG d’entreprise avalent. En parallèle, il faut protéger ce qui convertit vraiment : démonstrations, calculateurs, communautés Slack, essais gratuits, événements physiques. Le texte public devient un appât. La valeur se déplace derrière une relation.

Les marques média qui réussiront mixeront trois leviers : licence de corpus aux laboratoires sérieux, produits d’abonnement que l’IA ne clone pas, et formats propriétaires. Celles qui ne miseront que sur le volume SEO classique se feront manger deux fois : par les modèles et par les fermes de contenu synthétique.

Ce Que Les Fondateurs Devraient Surveiller Les Prochains Mois

Le calendrier judiciaire peut faire bouger les valorisations. Un jugement sévère sur le préjudice de marché renchérirait le coût d’entraînement. Un jugement large sur le fair use accélérerait encore la course. Entre les deux, des transactions. Les montants de ces deals donneront un prix de référence au token journalistique, aujourd’hui fantôme.

Surveillez aussi les standards techniques. Signaux d’opt-out plus robustes, protocoles de paiement au crawl, filigranes, registres de provenance. L’industrie adore les standards quand le risque juridique devient cher. Les startups d’infrastructure data ont là un débouché : certification de corpus, filtres copyright, pipelines « publisher safe ».

Enfin, surveillez le discours des dirigeants. Les slack internes finissent en pièces. La culture « move fast » laisse des traces écrites. Former les équipes à ne pas célébrer un contournement de paywall n’est pas de la prude compliance. C’est de l’hygiène de contentieux. Le « ah nice » d’un fil interne peut valoir des millions en audience médiatique, comme l’illustre le récit publié par TechCrunch.

Une Lecture Nuancée Pour Ne Pas Céder Au Procès D’Intention

Scraping n’égale pas automatiquement vol au sens pénal. Beaucoup de chercheurs ont travaillé sur des dumps ouverts, des licences permissives, des archives scientifiques. Common Crawl n’a pas été conçu comme un butin. Les modèles ont aussi avalé du code sous licence, des forums, des notices, du domaine public. Réduire toute l’IA générative à un hold-up efface cette complexité.

Inversement, nier le préjudice parce que « tout le monde scrape depuis 1995 » est paresseux. L’échelle a changé. La substitution a changé. Le produit final parle comme un média, résume comme un média, concurrence un média. Les notes internes de Microsoft et d’OpenAI le reconnaissent avec une clarté que les communiqués évitent.

La position adulte consiste à séparer trois couches. L’entraînement statistique. L’affichage d’œuvres reconnaissables. Le remplacement économique de la source. On peut défendre la première, encadrer la deuxième, compenser la troisième. C’est moins sexy qu’un slogan. C’est plus opérable pour un législateur, un juge ou un board.

Checklist Pour Les Équipes Qui Utilisent Déjà Des LLM

Plutôt qu’attendre une jurisprudence universelle, agissez sur ce que vous contrôlez.

• Documentez vos sources RAG et interdisez le collage d’articles payants non licenciés.
• Ajoutez des citations cliquables quand votre produit reformule de l’actualité.
• Négociez des clauses IP avec vos fournisseurs de modèles, y compris le scénario réentraînement.
• Testez l’impact de vos propres chatbots sur le trafic de votre blog et de votre centre d’aide.
• Budgetisez une ligne « licences contenu » dans le COGS de votre produit IA.
• Sensibilisez produit et growth : un hack de paywall n’est pas une anecdote de standup.

Ces gestes ne vous immunisent pas. Ils montrent toutefois une diligence que les tribunaux, les clients enterprise et les investisseurs savent lire. Dans un marché où la confiance se monétise, la provenance des données devient un argument de vente, au même titre que la latence ou le prix au million de tokens.

Au-Delà Du Procès : Reconstruire Un Contrat Web

Le web des années 2000 reposait sur un deal implicite. Tu crawles, tu indexes, tu envoies du trafic. L’éditeur monétise la visite. L’IA conversationnelle casse ce deal : elle garde l’utilisateur. Si personne ne réécrit le contrat, deux extrêmes nous attendent. Un web fermé, hérissé de murs, pauvre pour les modèles. Ou un web ouvert, épuisé, où seuls les plateformes captent la marge.

Des voies médianes existent. Fenêtres d’exploration payantes. Partage de revenus lié aux citations. Datasets coopératifs d’éditeurs. Modèles spécialisés entraînés uniquement sur corpus consentants, vendus plus cher aux entreprises qui refusent le risque. Le luxe, demain, ce ne sera pas seulement le modèle le plus grand. Ce sera le modèle dont on peut raconter l’origine sans rougir.

Les pièces du Times ne ferment pas le débat. Elles l’éclairent d’une lumière crue. Quand un acteur central de l’industrie emploie le mot vol, même en interne, le marché doit écouter. Pas pour lyncher l’innovation. Pour la doter d’une comptabilité honnête du travail humain qu’elle encapsule.

Conclusion : Payer Le Signal Ou Hériter Du Bruit

Le scraping à l’échelle des LLM a rendu possibles des produits extraordinaires. Il a aussi révélé un angle mort : on a industrialisé l’apprentissage sans industrialiser la contrepartie. Les chiffres de copies, la chute de clic, les formules sur la menace existentielle et le « ah nice » du paywall composent un récit que les marques tech ne pourront plus balayer d’un slide fair use.

Pour l’écosystème startups, marketing et media, la leçon est double. Construisez comme si la provenance allait être auditée. Publiez comme si la visite n’était plus garantie. Ceux qui traiteront le contenu comme une commodité gratuite récolteront tôt ou tard soit un procès, soit un web trop pauvre pour entraîner quoi que ce soit de crédible. Ceux qui inventeront le contrat suivant — licence, citation, partage de valeur — tiendront le haut de la chaîne, là où se décide encore le prix de l’information vraie.