Microsoft a qualifié le scraping de l’IA de « plus grand vol de travail de l’histoire » dans ses propres fichiers

Un scientifique de Microsoft a trouvé un nom pour ce que l’entreprise était en train de construire, et ce nom n’était pas flatteur. En examinant comment les grands modèles de langage apprennent du web ouvert, il a parlé « du plus grand vol de travail de l’histoire humaine ». La phrase était destinée à un usage interne. Elle est désormais une pièce à conviction devant un tribunal.

L’expression fait aujourd’hui figure de preuve accablante : un employé même du géant de l’IA qualifie le modèle économique de vol. Cette lecture est trop courte. Ce que les documents déclassifiés montrent en réalité, c’est une entreprise qui comprenait le mécanisme qu’elle monétisait, décrivait ce mécanisme en langage clair, et a néanmoins mis le produit sur le marché. Ce qui est intéressant n’est pas l’insulte, mais le schéma qui la sous-tend.

Le document appartient à Brent Hecht, directeur de la science appliquée chez Microsoft, et a surgi dans le procès pour droits d’auteur que The New York Times a intenté contre OpenAI et Microsoft. Hecht soutenait que l’entraînement de modèles sur des œuvres publiées sans rémunération équivalait à « un vol stupéfiant d’une ampleur sans précédent ». Une autre présentation interne allait plus loin dans la mécanique : elle avertissait que la stratégie de contenu IA de Microsoft avait enclenché une « boucle infernale » qui « nuirait à la fois à la performance de nos modèles et à l’ensemble du web ». Les grands modèles de langage, lit-on, sont « un produit qui détruit sa propre chaîne d’approvisionnement ».

Cette dernière phrase résume toute l’histoire en sept mots. Un chatbot qui répond à une question dans la boîte de recherche supprime la raison de cliquer sur la page dont il a appris. Moins de clics signifient moins de revenus pour les sites qui produisent les textes, donc moins de sites survivent, donc moins de textes humains frais pour le prochain modèle à entraîner. Microsoft n’a pas théorisé cette boucle de l’extérieur. Ses propres données l’ont mesurée : le moteur de réponses de Copilot a réduit les taux de clics vers le site du Times de jusqu’à 93 % par rapport à une recherche ordinaire.

Les pièces versées au dossier quantifient également le volet entrant de l’échange. Les données d’entraînement intermédiaire d’OpenAI contenaient plus de 91 000 exemplaires d’œuvres du Times, du Daily News et du Center for Investigative Reporting. Un jeu de données issu de Common Crawl transportait plus de deux millions de documents provenant du seul nytimes.com. Une collection baptisée Project Mango contenait au moins 160 000 œuvres uniques d’éditeurs de presse. Les documents décrivent des paywalls contournés et des mentions de droits d’auteur retirées du texte avant qu’il ne soit injecté.

Les propres dirigeants d’OpenAI n’étaient pas naïfs quant à l’effet. Nick Turley, qui dirige ChatGPT, est cité décrivant des produits « largement substituables » au journalisme et qualifiant ce changement de « menace existentielle » pour les éditeurs. C’est la même conclusion que Hecht a tirée, sous un autre intitulé de poste.

Voici pourquoi ce langage importe au-delà de l’embarras. Microsoft s’est distancié des propos, affirmant au tribunal que sa position réelle respecte le droit d’auteur, et aucune des deux entreprises n’a souhaité commenter la fuite. Mais une défense fondée sur le fair use repose en partie sur ce qu’une entreprise savait et avait l’intention de faire. Des documents dans lesquels ses propres scientifiques nomment le préjudice — vol, chaîne d’approvisionnement détruite, web vidé de sa substance — ne sont pas des opinions que l’entreprise peut simplement désavouer. Ils constituent des preuves que le mécanisme était compris avant d’être mis à l’échelle.

Le web sur lequel ces modèles ont appris a été bâti par des personnes qui supposaient un lecteur humain à l’autre bout. Les fichiers de Microsoft montrent qu’elle savait, par écrit, que ce lecteur était en train d’être éliminé du processus, et qu’elle a continué à construire.

Étiquettes: OpenAI, microsoft, AI training data, Brent Hecht, copyright lawsuits, The New York Times