Le procès pour violation de droit d'auteur intenté par le New York Times contre OpenAI et Microsoft s'est enrichi le 17 septembre d'un nouveau document descellé. Il s'agit d'un mémoire juridique déposé par le Times, jusque-là archivé dans une version caviardée ; la version intégrale, désormais publiée, cite mot pour mot les propos d'un cadre de Microsoft lors d'une présentation interne de janvier 2024.
L'auteur de ces propos est Brent Hecht, directeur des sciences appliquées chez Microsoft. Selon la citation reprise dans le mémoire, il décrivait l'entraînement des grands modèles sur des contenus journalistiques en ces termes :
"an astonishing theft of unprecedented proportions" / "the largest theft of labor in human history"
Un vol étonnant, d'une ampleur sans précédent, peut-être le plus grand vol de travail de l'histoire de l'humanité.
Le mémoire indique également que Hecht avait prévenu OpenAI que vérifier dans le système quels contenus provenaient de plaignants comme le Times pourrait constituer une « dissimulation accidentelle » (accidental cover up).
Les chiffres avancés dans le mémoire
La partie du Times détaille dans le mémoire la composition de plusieurs jeux de données, tous établis à partir des pièces obtenues lors de la procédure de discovery :
- Un jeu de données d'entraînement intermédiaire d'OpenAI contient plus de 91 692 copies d'œuvres du New York Times, du Daily News et du Center for Investigative Reporting ;
- Un jeu de données dérivé de Common Crawl contient plus de 2 millions de fichiers issus de nytimes.com ;
- Un jeu de données au nom de code Project Mango rassemble au moins 160 903 œuvres distinctes provenant d'organes de presse.
L'agence AFP avance un autre total : OpenAI aurait collecté plus de 10 millions d'articles, dont près d'un tiers provenant du New York Times. Ce chiffre repose sur un mode de calcul différent des précédents ; c'est le texte du mémoire qui fait foi.
Les accusations distinguent trois procédés : contourner les murs payants pour collecter du contenu, effectuer un scraping à grande échelle via l'indexation de Bing, et supprimer les mentions de droit d'auteur avant d'intégrer le contenu à l'entraînement. Ce dernier point correspond à une clause distincte du droit d'auteur américain ; s'il est avéré, le calcul des dommages et intérêts diffère de celui d'une simple contrefaçon par copie.
La réaction des deux entreprises
Un porte-parole de Microsoft a déclaré à l'AFP que les propos de Hecht relevaient de « l'opinion personnelle d'un salarié » et ne représentaient pas la position de l'entreprise. TechCrunch précise dans son article que ni OpenAI ni Microsoft n'ont répondu aux demandes de commentaires. À l'heure de la publication, aucune des deux entreprises ne s'est exprimée publiquement sur l'ampleur des jeux de données, les murs payants ou la suppression des mentions de droit d'auteur, et Hecht lui-même n'a pas non plus réagi.
Où en est la procédure après trois ans
Le procès a été engagé par le Times en décembre 2023 devant le tribunal fédéral du district sud de New York, avant que les plaintes du Daily News et du Center for Investigative Reporting n'y soient jointes. Ce site rapportait en juin que l'éditeur du Times, Sulzberger, avait publiquement accusé les entreprises d'IA de « voler ouvertement les contenus » — une déclaration venant alors du côté du journal ; cette fois, le poids de l'affaire tient au fait que l'accusation provient de documents internes d'un salarié du camp adverse.
Parmi les procès similaires, celui qui est allé le plus loin est le recours collectif des auteurs contre Anthropic. Le juge y avait séparé l'entraînement sur des livres achetés légalement du téléchargement depuis des bibliothèques piratées ; ce second cas de figure avait directement mené à des dommages et intérêts, aboutissant à un règlement d'environ 1,5 milliard de dollars. Dans l'affaire du Times, les accusations portent surtout sur la collecte de contenus payants et la suppression des mentions de droit d'auteur, ce qui se rapproche davantage de la partie défavorable de l'affaire Anthropic que de la simple question de savoir si l'entraînement relève du fair use.
Quant au poids que le juge accordera à cette présentation, le mémoire lui-même n'y répond pas. Il prouve seulement qu'une telle opinion existe en interne chez Microsoft ; démontrer que les deux entreprises ont agi en connaissance de cause dépendra de l'échange de preuves et du procès à venir. Aucune date d'audience n'a pour l'instant été annoncée.
Sources : TechCrunch, Washington Post, CocoLoop, AFP, Futurism ; le mémoire juridique intégral du New York Times confirme la citation de Hecht et les trois jeux de données, la déclaration du porte-parole de Microsoft reprend la citation de l'AFP.