latribune.fr
Primavera de Filippi
DR
Par Primavera de Filippi (*)
Depuis l'arrivée des grands modèles de langage, la question des droits d'auteur sur les données d'entraînement soulève des questionnements et des contentieux importants. Alors que les procès s'accumulent, les développeurs d’IA avancent sous la menace permanente d'une jurisprudence adverse—une incertitude juridique qui ne fait du bien qu’aux juristes.
Mensch revendique que les créateurs et les développeurs d'IA ne doivent pas se positionner comme des adversaires, mais plutôt comme des alliés. D’une part, la qualité des modèles d'IA dépend de la qualité des données qui les alimentent. D’autre part, les créateurs de contenus ne peuvent pas ignorer une technologie qui redéfinit fondamentalement la manière dont leur travail est consommé. La question est de savoir comment cette alliance doit être opérationnalisée. Mensch lui-même présente sa proposition non pas comme un plan définitif, mais plutôt comme un point de départ pour une discussion constructive —et c’est précisément dans cet esprit que nous la prenons en considération.
Au début des années 2000, la directive sur la société de l'information a introduit une redevance sur les supports de copie — CD, disques durs, clés USB — redistribuée aux créateurs via les sociétés de gestion collective. Le principe est semblable à celui proposé par Mensch: ceux qui fabriquent ou commercialisent ces supports sont obligés de verser une contribution (reversée naturellement sur les acheteurs) qui ira alimenter un fond chargé de redistribuer ces redevances.
Le succès de cette solution est cependant questionnable, puisque les bénéficiaires sont surtout les grands catalogues et les maisons de disques disposant de fortes parts de marché. Les créateurs indépendants (dont les œuvres étaient pourtant également copiées et écoutées) ne perçoivent que des montants dérisoires. Le problème est dû principalement au fait que la redistribution est indexée sur la notoriété des artistes, plutôt que sur l'usage réel qui est fait de ces supports.
Appliquer le même modèle à l’IA risque de reproduire ce même biais. Les redevances seraient naturellement dirigées vers les détenteurs de catalogues les plus volumineux (grands éditeurs, agences de presse, majors culturelles) au détriment de ceux dont les contenus sont qualitativement précieux mais statistiquement insignifiants: un corpus juridique spécialisé, une base de données scientifiques, un fonds d'archives patrimoniales. Bien que ces contenus n'occupent pas une grande part de marché, ils sont souvent déterminants pour la qualité des réponses des modèles d'IA, aussi bien dans le contexte de l’entraînement que de l’inférence.
L’actualité qui compte pour vous, chaque jour dans votre boîte mail.
Or, la proposition de Mensch se distingue du modèle de la redevance pour copie privée sur un point important. Il ne s’agit pas de redistribuer les fonds aux ayants droit au prorata de leur contribution réelle aux modèles, car —au-delà de la complexité à évaluer les contributions respectives de chaque ayants droit— les rémunérations qui en résulteraient seraient beaucoup trop infimes pour justifier ce travail d’évaluation. Mensch propose alors d'utiliser la somme de ces redevances pour investir dans la création de nouveaux contenus et pour soutenir les secteurs culturels européens. C'est un objectif louable, mais qui ne répond pas directement à la question de la compensation individuelle des créateurs dont les œuvres ont nourri les modèles existants.
De plus, contrairement à la copie numérique qui concurrençait directement les ventes de CD ou de DVDs, l'entraînement des IAs sur des œuvres de l’esprit génère des services nouveaux qui ne se substituent pas nécessairement aux œuvres originales. Cette dimension d'usage génératif et non-concurrent complique la justification juridique et économique d'une redevance obligatoire à ce stade.
Le droit d’auteur protège les œuvres artistiques et littéraires contre leur reproduction non autorisée, quel qu’en soit le format. Or, il convient de préciser que l'entraînement des IA ne représente pas, en tant que tel, une violation du droit d'auteur. Le contentieux ne porte que sur la reproduction de ces œuvres lors de leur ingestion dans des modèles d’IA — un acte qui est soumis, en Europe, à un mécanisme d'opt-out permettant aux ayants droit de s'y opposer si besoin.
La réglementation qui qualifie le data mining comme une exception au droit d’auteur a été introduite à l’époque où les moteurs de recherche étaient perçus comme apportant de la valeur non seulement aux internautes mais aussi aux détenteurs de contenus. En effet, lorsque Google indexe le web, le moteur de recherche renvoie vers les sources originales, générant du trafic et donc, potentiellement, aussi des revenus publicitaires ou des abonnements. C'est sur cette prémisse que s’est fondée l'économie numérique depuis vingt ans.
Les IA génératives changent la donne: elles sont entraînées sur des quantités massives de données pour apprendre à générer des nouveaux contenus, sans renvoyer les utilisateurs vers les sources originelles. Ainsi, les détenteurs de contenus n'en tirent aucun bénéfice —ni direct ni indirect. Être ingéré par une IA n'a pas la même valeur que d’être indexé par un moteur de recherche. C'est cette divergence qui rend nécessaire la construction d'un nouveau modèle économique, et qui justifie la réflexion ouverte par Mensch sur comment réaligner les intérêts des créateurs et des développeurs d'IA.
Mais la proposition de Mensch se focalise essentiellement sur l’entraînement des IAs, sans aborder la question de l'inférence. L'entraînement est un processus qui permet d’ingérer des grands volumes de données au sein d’un modèle IA. Une fois le modèle entraîné, il est difficile de reconstituer quelles données ont contribué aux capacités du modèle. Une logique de redevance collective est donc particulièrement adaptée à ce cas de figure.
L'inférence fonctionne autrement. Par exemple, dans le cas des LLMs, les systèmes dits RAG (Retrieval-Augmented Generation) interrogent des bases de données en temps réel pour aider les modèles à formuler une réponse. Chaque requête est traçable et attribuable à une source précise: si un LLM s’appuie sur un RAG pour répondre à une question, il est possible d’identifier exactement quel document a été consulté, et dans quel contexte il a été utilisé. Cette traçabilité signifie que l’on peut désormais rémunérer au prorata de l'usage réel.
Le Parlement Européen a d'ailleurs reconnu cette distinction dans sa résolution de mars 2026. Alors que, pour l'entraînement, un mécanisme d'opt-out peut suffire ; pour les RAGs et l'inférence en temps réel, le consentement explicite des ayants droit est nécessaire. Il appartient maintenant à la Commission européenne de tirer les conséquences pratiques de la résolution du Parlement.
La proposition de Mensch ouvre un débat qui ne peut plus être différé. L'Europe a l'opportunité de construire un cadre juridique innovant, permettant aux IAs de se nourrir de la richesse culturelle et scientifique européenne, tout en garantissant des revenus aux ayant-droits.
Et bien que Mensch anticipe une coexistence potentielle de cette redevance avec des mécanismes de licence directe, la dynamique économique pointe dans une autre direction: pourquoi investir dans une infrastructure de compensation directe, quand la conformité juridique a déjà été acquise par le paiement d’une redevance ?
Ainsi, pour encourager le développement de mécanismes de licences plus granulaires (en complément, ou en supplément de la redevance IA) trois recommandations concrètes s'imposent pour l’Europe:
_____
(*) Primavera De Filippi, Directrice de la Recherche chez Alien Intelligence, directrice de recherche au CNRS à Paris, associée à la faculté du Berkman-Klein Center for Internet & Society à Harvard. Ses recherches portent sur les défis et les opportunités juridiques de la blockchain et de l’IA.
latribune.fr
