DeepSeek a-t-il copié OpenAI ? Ce que révèlent vraiment les accusations

L’ascension fulgurante de DeepSeek, jeune entreprise chinoise dont les modèles ont attiré l’attention par leurs performances et leur coût annoncé, a déclenché une autre bataille : celle de l’origine des capacités de ces systèmes. OpenAI et Microsoft examinent des soupçons d’utilisation indue des services d’OpenAI par des entités liées à DeepSeek. David Sacks, conseiller de la Maison-Blanche chargé de l’intelligence artificielle et des cryptomonnaies, a lui aussi évoqué des « preuves substantielles » de distillation.

Le mot « plagiat », souvent employé dans les commentaires sur cette affaire, est toutefois trompeur. Au 30 janvier 2025, aucune preuve publique ne montre que DeepSeek a dérobé le code source, les données d’entraînement ou les paramètres internes de ChatGPT. Ce qui est allégué est plus spécifique, mais potentiellement sérieux : la récupération à grande échelle des réponses produites par des modèles d’OpenAI afin d’améliorer un modèle concurrent.

Ce qu’OpenAI reproche réellement à DeepSeek

Les informations rendues publiques à la fin de janvier font état d’une enquête menée par OpenAI et Microsoft sur de possibles extractions inhabituelles de données via l’interface de programmation d’OpenAI, ou API. Une API est la porte d’accès technique qui permet à une application d’envoyer une requête à un modèle et d’en recevoir une réponse, sans avoir accès à son fonctionnement interne.

Dans une déclaration transmise à la presse, OpenAI a indiqué savoir que des entreprises basées en Chine cherchaient activement à « distiller » les modèles des grandes entreprises américaines. L’entreprise a précisé mettre en œuvre des contre-mesures pour protéger sa propriété intellectuelle et collaborer avec le gouvernement américain. Les déclarations publiques ne détaillent ni le volume de requêtes concerné, ni les comptes qui auraient été impliqués, ni les éléments techniques collectés.

Il est donc essentiel de distinguer une allégation en cours d’examen d’une infraction établie. OpenAI n’avait annoncé, au 30 janvier, ni action en justice publique contre DeepSeek ni publication de preuves techniques permettant à des experts indépendants de vérifier les faits. De son côté, DeepSeek n’avait pas publié de réponse détaillée aux accusations évoquées dans la presse.

Qu’est-ce que la distillation en intelligence artificielle ?

La distillation est une technique classique de l’apprentissage automatique. Dans sa version légitime, un grand modèle, appelé « professeur », produit des exemples ou des probabilités qui servent à entraîner un modèle plus compact, appelé « élève ». L’objectif est de conserver une partie des capacités du premier tout en diminuant les coûts de calcul et de déploiement.

Le procédé peut notamment consister à soumettre beaucoup de questions à un modèle très performant, puis à utiliser les couples question-réponse obtenus comme données d’entraînement. Un second modèle apprend alors à reproduire le style de raisonnement, les connaissances apparentes ou les habitudes de réponse du premier. Cette méthode ne reconstitue pas nécessairement l’architecture du modèle initial, mais elle peut transférer une partie de son comportement.

Dans le monde de la recherche, la distillation est courante lorsque l’organisation qui possède le modèle professeur l’autorise ou lorsque les deux modèles appartiennent à la même équipe. Le problème soulevé ici est différent : les conditions d’utilisation d’OpenAI interdisent d’employer ses sorties pour développer des modèles concurrents, ainsi que d’extraire automatiquement ou par programmation des données ou sorties de ses services sans autorisation.

Pourquoi les performances de DeepSeek ont alimenté les soupçons

DeepSeek a lancé son modèle de raisonnement DeepSeek-R1 le 20 janvier 2025. Son arrivée a été remarquée parce que l’entreprise affirme obtenir des résultats compétitifs sur certaines tâches de raisonnement, notamment en mathématiques et en programmation, avec une approche présentée comme moins coûteuse que celle des principaux laboratoires américains.

La société avait déjà communiqué sur DeepSeek-V3, dont le rapport technique décrit un entraînement nécessitant 2,788 millions d’heures de GPU H800 et un coût de calcul annoncé de 5,576 millions de dollars. Ces chiffres, fournis par DeepSeek, concernent l’entraînement de V3 et non l’ensemble des dépenses de l’entreprise ni le coût complet de R1. Ils ne permettent donc pas de conclure qu’un modèle de haut niveau peut être construit pour ce seul montant, encore moins d’en déduire une origine illicite.

DeepSeek décrit par ailleurs une méthode fondée sur un modèle de base, de l’apprentissage par renforcement et des étapes de réglage supervisé. Elle a aussi publié les poids de certaines versions de R1 sous licence ouverte. Cette transparence relative est utile pour que la communauté examine les résultats, mais elle ne répond pas mécaniquement à la question précise des données ou des sorties éventuellement utilisées à une étape antérieure du développement.

Les performances similaires entre deux assistants ne constituent pas une preuve de copie. Les grands modèles de langage sont entraînés sur d’immenses corpus qui se chevauchent souvent : documentation technique, code libre, articles, livres, pages web et jeux de données publics. Ils répondent aussi à des tests communs. La convergence de certains résultats peut venir de méthodes de recherche partagées, d’un même type de matériel ou de données largement accessibles.

Un risque juridique, mais pas une réponse automatique

Le terme de « plagiat » appartient d’abord au langage courant. Pour une entreprise, plusieurs terrains juridiques peuvent être envisagés selon les circonstances : violation des conditions d’utilisation d’un service, rupture contractuelle, concurrence déloyale, atteinte à un secret d’affaires ou, dans certains cas, violation du droit d’auteur. Chacun suppose des faits précis et des preuves différentes.

L’utilisation de réponses obtenues légalement auprès d’un outil en ligne ne donne pas automatiquement lieu à une affaire de droit d’auteur. Une réponse isolée peut n’être pas protégeable, et les règles diffèrent selon les pays. En revanche, employer systématiquement des sorties générées par un service en violation de ses conditions d’accès peut ouvrir un litige contractuel. La situation deviendrait plus grave en cas de contournement de dispositifs de sécurité, d’accès non autorisé à des comptes ou de récupération d’informations confidentielles.

Le défi est probatoire. Une entreprise qui soupçonne une distillation doit pouvoir relier des volumes de requêtes, des comportements de comptes ou des formulations très caractéristiques à un modèle concurrent. Des tests peuvent rechercher des ressemblances inhabituelles dans les erreurs, les réponses à des questions rares ou les consignes de sécurité. Mais ces indices doivent être interprétés avec prudence : un modèle peut reproduire une réponse parce qu’elle circule dans des données publiques, parce que la question appelle une solution évidente, ou parce qu’un utilisateur l’a intégrée dans une consigne.

Une affaire indissociable de la rivalité entre Washington et Pékin

Ce dossier prend une dimension particulière dans un secteur déjà traversé par les tensions entre les États-Unis et la Chine. Washington a progressivement renforcé les restrictions sur l’exportation de puces de calcul avancées vers la Chine, au nom de la sécurité nationale. Or, l’entraînement et l’inférence des grands modèles nécessitent précisément de vastes capacités de calcul.

Dans ce contexte, un modèle chinois présenté comme performant et moins coûteux suscite une attention qui dépasse largement le débat technique. Pour les entreprises américaines, la protection des modèles propriétaires est devenue un enjeu économique majeur. Pour les autorités américaines, les capacités d’IA sont aussi liées à la compétitivité industrielle, aux infrastructures numériques et à des usages potentiellement militaires.

Il serait néanmoins imprudent d’assimiler une entreprise chinoise aux autorités chinoises sans éléments étayés. Les accusations rapportées portent sur des pratiques possibles d’utilisation de services d’IA, pas sur la preuve d’une opération gouvernementale. La géopolitique explique l’intensité des réactions, elle ne remplace pas une démonstration technique ou judiciaire.

Quelles conséquences pour les utilisateurs et les entreprises d’IA ?

À court terme, l’affaire rappelle aux éditeurs d’applications que les réponses d’un modèle commercial ne sont pas nécessairement réutilisables sans limite. Les équipes qui construisent des produits à partir d’API doivent examiner attentivement les licences et les conditions de chaque fournisseur, surtout si elles souhaitent entraîner ou améliorer leur propre modèle.

Pour les laboratoires, la course aux modèles de raisonnement pousse à renforcer les protections contre l’extraction automatisée : plafonds de requêtes, vérification de comptes, surveillance des comportements anormaux et traçabilité des usages. Ces mesures peuvent limiter les abus, mais elles rendent aussi l’accès plus contraignant pour les chercheurs et les petites entreprises qui développent des usages légitimes.

L’épisode souligne enfin une tension durable. L’IA progresse grâce à la publication de recherches, de jeux de données et parfois de modèles ouverts. Dans le même temps, les acteurs commerciaux cherchent à préserver les résultats coûteux de leur entraînement. La frontière entre inspiration scientifique, reproduction de comportement et appropriation indue devient plus difficile à tracer à mesure que les systèmes deviennent plus performants.

Ce qu’il faut surveiller

Les prochaines informations importantes seront d’abord factuelles : OpenAI ou Microsoft publieront-ils des détails sur les comportements détectés ? DeepSeek apportera-t-elle une réponse technique précise sur ses données d’entraînement et ses pratiques de génération de données synthétiques ? Une procédure judiciaire sera-t-elle engagée ?

Il faudra également suivre les règles que les fournisseurs d’IA imposent à leurs utilisateurs. Si les accusations se confirment, elles pourraient accélérer l’adoption de protections techniques et contractuelles contre la distillation concurrentielle. Si elles ne sont pas étayées publiquement, elles auront tout de même mis en lumière un problème central : dans une industrie où les modèles apprennent à partir de contenus et de résultats existants, il devient crucial de savoir qui a produit les données, qui peut les réutiliser et dans quelles conditions.