En tant qu’entreprise d’intelligence artificielle à l’origine de ChatGPT, OpenAI semble avoir une soif inextinguible de données sur lesquelles entraîner son modèle populaire, données qu’elle obtient en grande partie en aspirant le web. L’entreprise a maintenant commencé à négocier des accords de licence avec des producteurs de contenus afin d’exploiter leurs contenus en ligne et de contourner ainsi les questions morales, éthiques et juridiques qui entourent le scraping du web.
Ces négociations se déroulent dans un paysage Internet en pleine évolution, où la valeur des contenus médiatiques a considérablement augmenté, les articles, les images et les vidéos constituant une grande partie du carburant indispensable à l’essor de l’IA générative. Les désaccords sur la manière dont les développeurs d’IA accèdent aux contenus médiatiques font l’objet d’un vaste bras de fer impliquant des questions juridiques épineuses, des technologies complexes et des sommes d’argent considérables. Les parties prenantes des deux camps suivent attentivement la situation pour déterminer si la nouvelle approche de l’entreprise portera ses fruits et si elle méritera d’être reproduite.
- À RETENIR
- Le scraping du web par l’IA est-il légal ?
- Comment fonctionne la technologie de scraping du web par l’IA ?
- Comment évolue le marché du scraping du web par l’IA ?
- Les producteurs de contenus négocient-ils leur propre disparition ?
- En conclusion : l’octroi de licences de contenus d’IA aura des répercussions considérables
À RETENIR
- •OpenAI et d’autres développeurs d’IA générative ont conçu leurs modèles en aspirant agressivement le web, dans un cadre juridique ambigu. (Aller à la section)
- •Après avoir suscité de nombreux procès en raison de l’aspiration non autorisée du web, OpenAI opère désormais une transition vers des négociations de licence avec les producteurs de contenus. (Aller à la section)
- •Les questions relatives à l’exploration du web par l’IA restent sans réponse, et l’issue de cette affaire aura de profondes répercussions sur l’avenir du secteur des médias. (Aller à la section)
Le scraping du web par l’IA est-il légal ?
OpenAI a lancé ChatGPT en novembre 2022, suscitant une grande publicité et beaucoup d’attention. Alors qu’une multitude d’applications concurrentes ont suivi, nombre d’acteurs des médias ont commencé à poser une question évidente : où ces développeurs d’IA ont-ils obtenu l’océan de données nécessaire pour alimenter et entraîner leurs modèles ? La réponse, bien sûr, est que les entreprises d’IA générative aspirent le web de manière agressive — certains diraient même téméraire. Leurs robots affamés parcourent Internet jour et nuit pour en extraire des informations.
Ayant lourdement investi dans leurs contenus, les producteurs de contenus — notamment les auteurs, les artistes, les blogueurs, les musiciens et de nombreux médias — éprouvent un profond sentiment de propriété à leur égard. Alors que les questions de droit d’auteur se multiplient, un déluge de procès est désormais en cours, notamment plusieurs affaires très médiatisées :
- Getty Images contre Stability AI : Le collectif de photographes et la banque d’images Getty Images accuse Stability AI d’avoir porté atteinte à plus de 12 millions de photographies, y compris à leurs légendes et métadonnées.
- The New York Times contre Microsoft : The New York Times affirme que des millions de ses contenus ont été utilisés pour créer les grands modèles de langage de Copilot de Microsoft et de ChatGPT d’OpenAI. Microsoft est un investisseur majeur d’OpenAI et a droit à une part des bénéfices de la division à but lucratif d’OpenAI.
- Concord Music Group, Inc contre Anthropic PBC : Plusieurs grands éditeurs de musique affirment qu’Anthropic a utilisé des paroles pour entraîner le LLM Claude et qu’Anthropic a supprimé les informations de gestion des droits d’auteur (CMI) de ce matériel.
À la suite de poursuites judiciaires, OpenAI a signé des accords avec environ une douzaine d’éditeurs, notamment Vox, The Atlantic, Dotdash Meredith, qui publie de nombreux titres consacrés aux technologies, à la finance et à la santé, ainsi que Condé Nast, qui publie Wired, The New Yorker et Vanity Fair. Ces accords semblent reconnaître qu’il est temps de modifier le processus d’exploration du web par l’IA.
Après tout, créer des applications d’IA générative offre un potentiel de revenus spectaculaire : OpenAI est désormais valorisée à 157 milliards de dollars US. Avec de tels enjeux financiers, il n’est pas surprenant que l’entreprise ait décidé que des contrats signés constituaient une meilleure stratégie de croissance à long terme.
Comment fonctionne la technologie de scraping du web par l’IA ?
Les éditeurs utilisent de plus en plus des technologies de blocage pour empêcher les scrapers d’IA d’accéder à leurs contenus sans autorisation. L’outil privilégié par les sites pour ce blocage est le protocole d’exclusion des robots, ou robots.txt, qui peut être configuré pour exclure n’importe quel robot d’exploration d’IA en fonction de son nom, notamment le GPTBot d’OpenAI.
Reuters Institute for the Study of Journalism a rapporté qu’à la fin de 2023, 48 % des sites très en vue bloquaient GPTBot, tandis que 24 % bloquaient le robot d’exploration web de Google dédié à l’IA. Les sites d’actualité étaient beaucoup plus susceptibles de bloquer GPTBot que les autres sites populaires : 79 % aux États-Unis, contre seulement 20 % sur les marchés étrangers. Les publications d’information historiques issues de la presse papier étaient davantage susceptibles de bloquer GPTBot que les médias d’actualité nés sur le web.
Les données de l’entreprise canadienne de détection de l’IA Originality AI laissent penser que le succès d’OpenAI dans la conclusion d’accords réduit le niveau de blocage. En 2024, le pourcentage des principaux sites d’actualité nationaux qui bloquent GPTBot est passé d’un pic de près de 90 % à un peu plus de 50 %.
Des hordes de robots d’IA continuent d’explorer le web, et les développeurs d’IA qui ont besoin de données récoltent inlassablement des contenus médiatiques, avec ou sans autorisation. Certains propriétaires de sites affirment qu’il y a tellement de robots d’IA qui explorent leurs sites que cela produit le même effet qu’une attaque DDoS. Cette foule constante de trafic supplémentaire non humain augmente les coûts d’hébergement d’un site et peut même ralentir les temps de chargement.
Comment évolue le marché du scraping du web par l’IA ?
Signe des revenus potentiels du nouveau marché des contenus, l’entreprise de réseaux et de sécurité web Cloudflare a récemment annoncé son intention de lancer une place de marché permettant aux producteurs de contenus en ligne de vendre l’accès aux robots d’exploration web d’IA. Pour soutenir ce marché, l’entreprise a lancé un outil gratuit appelé AI Audit, qui permet aux sites web de contrôler la manière dont leurs pages sont exploitées par les développeurs de modèles d’IA.
L’outil comprendra une fonctionnalité permettant aux producteurs de contenus de fixer eux-mêmes leur tarif pour les fournisseurs d’IA, ainsi qu’un tableau de bord affichant aux propriétaires de sites la fréquence à laquelle certaines pages sont explorées, ce qui pourrait renforcer leur position dans les négociations.
Bien que Cloudflare ait pris les devants avec ses projets de place de marché, il est probable que d’autres initiatives visent à standardiser l’octroi de licences de contenus aux robots d’exploration web d’IA. Les petits sites spécialisés disposant de vastes réserves de contenus y trouveront une utilité particulière, puisqu’ils ne disposent pas de spécialistes de la finance en interne pour négocier les conditions de licence.
Les producteurs de contenus négocient-ils leur propre disparition ?
Le fait que les négociations de licence se déroulent simultanément aux procès en cours suggère que le processus comporte de nombreux paramètres et ne manque pas de confusion. L’intérêt des fournisseurs d’IA est évident — accéder à une riche source de contenus —, mais les producteurs de contenus n’ont pas révélé publiquement les bénéfices qu’ils tirent de l’octroi de licences de contenus aux fournisseurs d’IA.
Dans un e-mail adressé à toute l’entreprise, le PDG de Condé Nast, Roger Lynch, a évoqué les « turbulences persistantes au sein du secteur de l’édition » en discutant de l’accord et déclaré que les changements apportés à la recherche Google avaient créé de nouveaux défis en matière de revenus pour les éditeurs.
« Notre partenariat avec OpenAI commence à compenser une partie de ces revenus, ce qui nous permet de continuer à protéger et à investir dans notre journalisme et nos projets créatifs », a écrit Lynch.
On peut supposer que cela signifie qu’une forme de partage des bénéfices sera prévue dans les accords de licence. Ces accords créent toutefois un flux direct des contenus les plus récents et de la meilleure qualité produits par les organisations médiatiques de premier plan vers les modèles d’IA générative. Ces outils d’IA deviendront donc d’autant plus sophistiqués, actuels et même élégants dans leurs résultats.
Pour le moment, le rapport de force évolue en faveur des producteurs de contenus, les procès pouvant contraindre les fournisseurs d’IA à verser des sommes considérables. Cependant, les prochaines versions des robots d’IA atteindront une fonctionnalité stupéfiante, puisque les LLM suivent une courbe de croissance exponentielle qui progresse à des intervalles toujours plus courts, alimentée par les dernières puces de processeurs. Cela signifie que, paradoxalement, les plateformes d’IA générative entreront en concurrence plus agressive avec les producteurs de contenus qui leur accordent aujourd’hui des licences, grâce aux contenus de ces derniers.
En conclusion : l’octroi de licences de contenus d’IA aura des répercussions considérables
Les nombreuses questions liées au scraping du web par l’IA traversent une période de changements rapides : les enjeux juridiques, les licences et les aspects techniques évoluent tous simultanément, chacun jouant un rôle important dans la définition des relations entre les médias et l’IA. Le principal moteur de cette situation est la rareté des données de qualité. Les professionnels du secteur aiment à dire que les développeurs d’IA générative « arrivent à court de données à explorer », ce qui signifie que tous les contenus publics et librement accessibles ont déjà été explorés — et très probablement certains contenus protégés par le droit d’auteur également. Cette rareté des données augmente les enjeux pour les développeurs d’IA générative, un groupe qui dispose des financements nécessaires pour obtenir des licences de données auprès de producteurs de contenus de tous niveaux. Même si l’issue définitive de cet octroi de licences reste incertaine, il est évident que le résultat de ce processus aura un impact immense sur l’avenir des médias et sur toutes les formes de circulation de l’information dans les années à venir.
Lisez notre guide sur la gouvernance et les politiques liées à l’IA pour découvrir tout ce qu’il faut savoir sur l’utilisation responsable de l’intelligence artificielle.