Quand vous posez une question à ChatGPT, le texte produit ne sort pas de nulle part. Le modèle a ingéré des milliards de pages web, de livres et d’articles pour apprendre à formuler des réponses. Parmi ces données, une part significative est protégée par le droit d’auteur. C’est précisément ce point qui alimente des procès sur plusieurs continents et pousse les législateurs à réagir.
Entraînement de ChatGPT : ce que le modèle absorbe réellement
Pour comprendre le problème, il faut revenir au mécanisme de base. Un modèle de langage comme ChatGPT est entraîné sur un corpus massif de textes. OpenAI n’a jamais publié la liste complète de ces sources, mais des procédures judiciaires et des analyses indépendantes ont mis en évidence la présence de livres sous copyright, d’articles de presse et de code source protégé.
A lire aussi : Quel est le but premier d’un chatbot en intelligence artificielle ?
Le modèle ne stocke pas ces textes mot pour mot comme une base de données. Il en extrait des schémas statistiques (quels mots suivent quels mots, dans quel contexte). La nuance est capitale sur le plan juridique : reproduire un texte et en déduire des probabilités linguistiques, ce n’est pas la même chose aux yeux de toutes les juridictions.
A lire aussi : Quel est le problème concernant les bases de données relationnelles ?
Vous avez déjà remarqué que ChatGPT peut réciter presque parfaitement certains passages connus ? C’est ce phénomène de mémorisation involontaire qui pose le plus gros problème. Quand le modèle restitue un extrait quasi verbatim d’une oeuvre protégée, la frontière entre analyse statistique et reproduction devient très mince.
Décisions de justice récentes sur les données d’entraînement et le droit d’auteur
Les tribunaux commencent à tracer des lignes. Trois affaires récentes illustrent la diversité des approches selon les pays.
En Allemagne, le tribunal régional de Munich a rendu une décision en novembre 2025 dans l’affaire GEMA contre OpenAI. Le tribunal a considéré que la restitution quasi verbatim de paroles protégées constitue une reproduction au sens du droit d’auteur. Il a distingué l’analyse de données autorisée par l’exception de fouille de textes (text and data mining) et l’incorporation persistante d’un texte dans les paramètres du modèle lorsque celui-ci peut le restituer. Cette décision est susceptible d’appel.
Aux États-Unis, la cour d’appel fédérale du neuvième circuit a confirmé en septembre 2026 le rejet d’une action fondée sur le DMCA contre GitHub, Microsoft et OpenAI, concernant Copilot et Codex. Le tribunal a jugé que la suppression d’informations de gestion des droits (notices de licence, attributions d’auteur) lors de l’entraînement ne suffisait pas à fonder une action en contrefaçon. Le droit d’auteur et la protection des informations de gestion des droits restent deux fondements distincts.
En Inde, un tribunal a adopté une position plus favorable à l’entraînement des modèles, tout en distinguant clairement l’entraînement classique de la génération augmentée par récupération (RAG), une technique où le modèle va chercher du contenu en temps réel. Le tribunal a précisé que son analyse portait sur une phase provisoire et non sur un jugement définitif.
Ce que ces décisions révèlent
Aucun consensus mondial n’existe. L’Allemagne sanctionne la restitution, les États-Unis rejettent certaines bases juridiques sans fermer la porte à d’autres, et l’Inde distingue selon la technique utilisée. Pour un créateur dont l’oeuvre a servi à l’entraînement, le pays où il agit en justice change radicalement ses chances de succès.
Règlement européen sur l’IA et obligation de transparence sur les données
L’Union européenne a choisi une approche réglementaire plutôt que purement judiciaire. Le règlement européen sur l’intelligence artificielle (AI Act) impose désormais aux fournisseurs de modèles d’IA à usage général une obligation spécifique : rendre compte des données utilisées pour l’entraînement.
Concrètement, cela signifie qu’un éditeur comme OpenAI devra fournir un résumé suffisamment détaillé des contenus exploités. L’objectif est double :
- Permettre aux titulaires de droits d’auteur de vérifier si leurs oeuvres ont été utilisées, et d’exercer leur droit d’opposition (opt-out) prévu par la directive européenne sur le droit d’auteur
- Donner aux autorités de régulation un levier de contrôle sur la conformité des pratiques d’entraînement
- Obliger les entreprises d’IA à documenter leurs sources au lieu de se retrancher derrière le secret industriel
Cette obligation vise directement la question centrale : sur quelles données le modèle a-t-il été formé ? Tant que la réponse restait opaque, les ayants droit ne pouvaient pas agir efficacement.
Fouille de textes, mémorisation et restitution : trois étapes juridiques distinctes
Un raccourci fréquent consiste à traiter l’entraînement d’un modèle comme un bloc unique. Les tribunaux et les textes de loi découpent en réalité le processus en étapes, chacune avec son propre régime juridique.
- La collecte et l’analyse (fouille de textes et de données) : en Europe, une exception au droit d’auteur autorise cette pratique sous conditions, notamment que l’ayant droit n’ait pas exprimé d’opposition (opt-out)
- La mémorisation dans les paramètres du modèle : c’est le point soulevé par la décision de Munich, qui considère que l’incorporation persistante d’un texte dépasse le cadre de la simple analyse
- La restitution au moment de la génération : quand le modèle produit un texte identique ou très proche d’une oeuvre protégée, la contrefaçon devient plus facilement caractérisable
Pourquoi cette distinction compte-t-elle ? Parce qu’un modèle qui analyse sans mémoriser ne pose pas le même problème qu’un modèle capable de réciter un poème entier. Le risque juridique augmente à chaque étape, de la collecte à la restitution.
Le cas particulier du RAG
La génération augmentée par récupération fonctionne différemment. Le modèle ne se contente pas de ses paramètres internes : il va chercher du contenu dans une base externe au moment de répondre. Le tribunal indien a distingué cette technique de l’entraînement classique, car elle implique un accès direct et en temps réel à des contenus potentiellement protégés.
La réponse à la question initiale n’est donc pas un simple oui ou non. ChatGPT a bien été formé sur des données protégées par le droit d’auteur. Les décisions judiciaires en cours et le cadre réglementaire européen redessinent progressivement les limites de ce qui est autorisé, en fonction de la technique employée et du degré de restitution du contenu original.
