Devant un tribunal fédéral de New York, dix-sept éditeurs de presse accusent OpenAI de garder sous clé les preuves de ce qui a nourri ChatGPT. Le dossier a beau se plaider sur le terrain du droit d’auteur, il finit par buter sur une question que toute l’industrie préfère laisser dans l’ombre : peut-on encore savoir ce qui a servi à entraîner un modèle ?
Deux affaires imbriquées dans un même dossier
La première affaire est celle que l’on connaît. Depuis 2023, The New York Times poursuit OpenAI et Microsoft, accusés d’avoir aspiré des millions d’articles pour bâtir leurs technologies. Le quotidien soutient que les outils d’OpenAI peuvent reproduire son contenu textuellement, le résumer de près et imiter son style. Les deux entreprises rejettent en bloc ces accusations. Ziff Davis, maison mère de CNET, a ouvert son propre front en 2025, affirmant qu’« OpenAI a copié et monétisé [son] contenu sans autorisation, à une échelle massive ».
La seconde affaire est plus récente, et plus révélatrice. La coalition d’éditeurs a déposé une motion demandant au juge de sanctionner OpenAI, cette fois sans viser Microsoft, pour avoir retenu des éléments de preuve : les jeux de données ayant servi à l’entraînement et les journaux de sortie de ses modèles. Le reproche n’est plus seulement d’avoir copié. C’est d’empêcher qu’on le vérifie.
Deux pièces à conviction que réclament les éditeurs
Au centre de la motion, deux objets techniques : les jeux de données d’entraînement (les corpus de textes ingérés par le modèle), et les journaux de sortie (les output logs, ces traces qui enregistrent ce que le modèle a produit). Les éditeurs y voient la pièce à conviction décisive : de quoi établir, ligne à ligne, si des textes protégés sont entrés dans la machine et en ressortent. Retenir ces éléments, c’est priver l’accusation de sa seule preuve directe. Sans les jeux de données, il faut deviner ; avec eux, on démontre.
L’avocat du New York Daily News, Steven Lieberman, a résumé l’enjeu sans détour : la démarche vise, selon lui, à sanctionner OpenAI pour avoir dissimulé et détruit des preuves de la façon dont ChatGPT a été entraîné à partir de contenus journalistiques. Du côté de Ziff Davis, l’avocat Lance Koonce affirme que l’entreprise a « menti à plusieurs reprises » sur sa capacité à fouiller ses propres corpus. OpenAI, de son côté, conteste toute faute et nie tout acte répréhensible.
Un corpus d’entraînement, c’est l’ADN d’un modèle
C’est ici que l’affaire déborde le droit d’auteur. Un grand modèle de langage n’est pas un logiciel dont on lit le code source pour comprendre ce qu’il fait. Ce qu’il « sait », ses biais, ses angles morts, ses reproductions parfois mot pour mot, tout cela découle d’abord de ce qu’on lui a donné à ingérer. Le corpus d’entraînement est l’ADN du système. Sans lui, expliquer le comportement du modèle relève de la lecture dans le marc de café.
D’où la portée du bras de fer. Si un laboratoire peut, au cœur d’une procédure judiciaire, se déclarer incapable de retrouver ce qu’il a lui-même utilisé, alors la traçabilité des données d’entraînement n’est plus une garantie technique. Elle devient une politesse que le fournisseur accorde, ou non, selon ce qui l’arrange. Et une garantie qui dépend du bon vouloir de celui qu’elle est censée contrôler n’en est pas une.
L’audit de l’IA se joue dans ce dossier
Mettez les deux discours en regard. D’un côté, l’industrie promet des modèles « sûrs », « alignés », dont on maîtriserait finement le comportement. De l’autre, une entreprise qui affirme ne pas pouvoir interroger ses propres jeux de données quand un juge l’exige. Les deux positions ne tiennent pas ensemble. On ne peut pas prétendre auditer un système dont on refuse d’exposer les fondations.
Pour quiconque déploie ces modèles en production, la leçon est concrète. Les obligations de conformité qui se profilent se heurteront à la même opacité si les fournisseurs restent seuls maîtres de ce qu’ils veulent bien montrer. L’AI Act européen (le règlement de l’Union européenne sur l’intelligence artificielle) impose déjà de documenter les données d’entraînement. Exiger un résumé du corpus, une politique de rétention des logs, une clause d’auditabilité inscrite dans les contrats : ces demandes cessent d’être théoriques le jour où elles décident d’un procès.
Derrière le procès, la survie économique de la presse
Reste le décor économique, qui explique la virulence du combat. Les éditeurs voient leur audience se déplacer vers des réponses générées qui court-circuitent le clic. Certaines estimations évoquent une chute de trafic de 60 % pour les petits titres, et une analyse anticipe une baisse de plus de 40 % d’ici 2029. Le droit d’auteur devient l’arme d’une bataille de survie. À la même période, Anthropic a soldé un litige comparable sur ses données d’entraînement en versant 1,5 milliard de dollars à des auteurs, le plus gros accord du genre aux États-Unis : le contentieux déborde largement le seul cas OpenAI.
Mais la ligne de faille décisive passe ailleurs. Que les éditeurs gagnent ou perdent leur procès en contrefaçon, la question de la traçabilité, elle, ne s’effacera pas. Un modèle dont personne ne peut inspecter la matière première n’est pas seulement un risque juridique pour son éditeur. C’est un objet qu’aucun régulateur, aucun client, aucun chercheur ne peut vraiment tenir pour responsable de ce qu’il produit. La bataille se mène au nom des articles volés ; son verdict, lui, dira si l’on garde le droit de regarder sous le capot des IA.
