Des documents judiciaires non caviardés révèlent que Microsoft a qualifié en privé le scraping d'IA de « plus grand vol de travail de l'histoire de l'humanité »
Sofia Marchetti· Correspondante industrie et régulation·
Sofia suit l'argent, les régulations et les plateformes qui façonnent ce que les créateurs peuvent faire.
Choisissez un compagnon et découvrez son avis sur cette histoire
Des documents judiciaires récemment descellés dans le cadre du procès en droit d'auteur intenté par le New York Times contre OpenAI et Microsoft révèlent qu'un dirigeant de Microsoft a décrit en privé le scraping de données d'IA comme « le plus grand vol de travail de l'histoire de l'humanité » — alors même que les deux entreprises constituaient des jeux de données d'entraînement à partir de contenus payants du Times.
Points clés
Les documents non caviardés dans l'affaire NYT c. OpenAI révèlent que Microsoft a caractérisé en interne le scraping de contenus d'éditeurs par l'IA comme un vol de travail à grande échelle.
Des e-mails internes de Microsoft et d'OpenAI ont également signalé une « boucle infernale » redoutée : les contenus générés par l'IA évincent les éditeurs de presse, ce qui priverait ensuite les futurs modèles d'IA de données d'entraînement de qualité.
Les deux entreprises ont scrapé des articles payants du New York Times pour leurs données d'entraînement, malgré ces avertissements internes.
Les documents mettent en lumière une tension structurelle qui touche chaque modèle d'image et de texte d'IA entraîné sur des œuvres créatives collectées sur le web — y compris les jeux de données qui sous-tendent les principaux générateurs d'images actuels.
L'affaire est en cours ; les documents descellés représentent une escalade significative dans le dossier de preuves contre les deux défendeurs.
La contradiction interne que Microsoft n'a pas pu caviarder
Les documents, rapportés par TechCrunch, montrent que de hauts responsables de Microsoft n'avaient aucune illusion sur ce que le scraping web à grande échelle signifiait sur le plan juridique ou éthique. La formulation d'un dirigeant — « plus grand vol de travail de l'histoire de l'humanité » — est frappante précisément parce qu'elle apparaît dans une correspondance interne, et non dans un acte judiciaire ou une déclaration publique destinée à un auditoire. C'est le genre de langage qui émerge lorsque les gens croient ne pas être observés.
Le cadrage de la « boucle infernale » est tout aussi éloquent. Selon Ars Technica, des e-mails internes avertissaient que les systèmes d'IA évincant les éditeurs de presse finiraient par détruire les pipelines de données de haute qualité dont ces mêmes systèmes dépendent — un cycle autodestructeur que les deux entreprises ont apparemment reconnu avant de poursuivre quand même.
Microsoft et OpenAI font face à une exposition juridique croissante alors que les documents non caviardés révèlent une conscience interne des enjeux éthiques du scraping.
Ce que cela expose sur l'économie des données d'entraînement
Pour quiconque développe des outils avec des générateurs d'images d'IA ou des modèles de texte, l'architecture juridique sous-jacente à ces outils a toujours été floue. Cette affaire clarifie considérablement le tableau. La même logique de scraping qui a aspiré des articles du Times a également alimenté les vastes jeux de données d'images — LAION, les dérivés de Common Crawl — qui ont entraîné Stable Diffusion, Midjourney et leurs successeurs. Lorsque Stability AI a fait face à une pression juridique similaire en 2023 de la part de Getty Images et d'un collectif d'artistes visuels, la défense de l'entreprise reposait en partie sur l'argument que le scraping était une pratique standard dans l'industrie. Ces documents de Microsoft suggèrent que les propres dirigeants de l'industrie savaient que cet argument avait ses limites.
Les enjeux pratiques pour l'entraînement des modèles d'images sont directs. Si les tribunaux statuent que le scraping de contenus payants ou protégés par le droit d'auteur sans licence constitue une violation — et que des aveux internes de « vol » ne plaident pas en faveur des défendeurs — la structure de coûts pour construire des modèles de pointe change. Les accords de licence deviennent obligatoires plutôt qu'optionnels, et ce coût se répercute en aval : dans la tarification des API, les niveaux d'abonnement aux plateformes, et les modèles accessibles aux créateurs.
La plateforme de remix musical IA sous licence entre Universal Music et ElevenLabs annoncée plus tôt cette année représente une version de ce à quoi ressemble une économie de modèles post-scraping — droits négociés en amont, revenus partagés. La question de savoir si les plateformes de génération d'images évoluent dans la même direction dépend largement de la façon dont cette affaire se résout.
Le basculement probatoire
Les documents non caviardés constituent une catégorie de documents différente des documents caviardés. Les tribunaux les descellent lorsqu'ils estiment que l'intérêt public l'emporte sur les revendications de confidentialité des défendeurs — un seuil qui signale lui-même un scepticisme judiciaire. L'équipe juridique du NYT dispose désormais, dans les propres mots des défendeurs, d'une reconnaissance que la conduite en cause a causé un préjudice.
« Le plus grand vol de travail de l'histoire de l'humanité. »
— Dirigeant de Microsoft, correspondance interne (via TechCrunch)
Pour les créateurs utilisant des outils d'IA construits sur des pipelines de données similaires, la question n'est plus de savoir si le risque juridique est théorique. Il s'agit de savoir à quelle vitesse les tribunaux avancent, et si les grandes plateformes — y compris celles qui alimentent la génération d'images par IA aujourd'hui — ont sécurisé suffisamment de données sous licence pour survivre à une décision défavorable. La prochaine audience de fond dans l'affaire NYT c. OpenAI déterminera si ces aveux internes survivent à une requête visant à limiter leur utilisation probatoire.
