Meta et LibGen : des auteurs accusent Zuckerberg d’avoir validé des livres piratés

Les modèles d’intelligence artificielle générative n’apprennent pas seuls : ils sont alimentés par d’immenses corpus de textes, d’images, de code ou de sons. La provenance de ces données est devenue l’un des sujets les plus explosifs de l’essor de l’IA. Une procédure visant Meta place désormais au centre du débat les livres, le droit d’auteur et le rôle personnel que Mark Zuckerberg aurait joué dans le choix de certaines sources de données.

Des auteurs, dont Ta-Nehisi Coates et la comédienne Sarah Silverman, soutiennent que Meta a utilisé sans autorisation des œuvres protégées afin d’entraîner ses modèles de la famille Llama. Dans des documents produits dans le cadre de leur action en justice, ils affirment que le dirigeant de Meta aurait approuvé l’utilisation de LibGen, une bibliothèque en ligne connue pour diffuser des copies non autorisées de livres et de publications scientifiques.

Ces éléments constituent des allégations formulées par les plaignants dans une procédure judiciaire, non une conclusion de justice. Mais la précision des échanges internes qu’ils invoquent peut peser lourd : le litige ne porte plus seulement sur la question abstraite de savoir quelles données une IA peut absorber, mais aussi sur ce que les dirigeants savaient de leur origine et sur les arbitrages qu’ils auraient effectués.

Ce que les auteurs reprochent à Meta

Les auteurs ont engagé leur procédure contre Meta en 2023. Leur grief est clair : l’entreprise aurait exploité leurs livres protégés par le droit d’auteur pour développer Llama, sans demander de licence ni obtenir leur accord. Les modèles Llama sont des grands modèles de langage, ou LLM, capables de produire et de comprendre du texte à partir de régularités statistiques apprises sur de vastes ensembles de données.

Le procès s’inscrit dans une vague plus large de contentieux américains. Écrivains, artistes, médias et détenteurs de droits contestent l’utilisation de leurs œuvres pour l’entraînement des IA génératives. Pour les créateurs, le problème ne se limite pas à la possibilité qu’un outil puisse ensuite imiter un style ou restituer un extrait. Ils dénoncent d’abord la copie et l’exploitation de leurs œuvres lors de la constitution des corpus d’apprentissage.

Meta est ici visée à propos de Llama, une famille de modèles développée par l’entreprise. Pour entraîner un tel système, les ingénieurs transforment les textes en unités exploitables par un ordinateur, appelées « tokens ». Le modèle apprend ensuite à prévoir la suite la plus probable d’une séquence de mots. Ce procédé ne signifie pas nécessairement qu’il conserve chaque livre comme un fichier consultable, mais il suppose généralement que les œuvres ont été copiées et traitées à l’étape de l’entraînement. C’est précisément cette étape qui est au cœur du désaccord.

Pourquoi LibGen cristallise la controverse

LibGen, pour Library Genesis, est souvent qualifié de « bibliothèque sombre ». Le site est connu pour mettre à disposition des livres et des articles, y compris des contenus protégés, sans passer par les circuits habituels d’autorisation ou de rémunération. Son évocation dans un dossier portant sur l’IA est donc particulièrement sensible.

L’utilisation de données accessibles sur internet n’implique pas automatiquement qu’elles soient libres de droits. Une œuvre peut être visible, téléchargeable ou partagée sur un site tiers tout en restant protégée. Pour une entreprise, s’appuyer sur une source dont les contenus sont réputés issus du piratage expose ainsi à une difficulté supplémentaire : elle doit non seulement répondre de l’usage des œuvres, mais potentiellement de la manière dont elles ont été acquises.

Selon les plaignants, des cadres de l’IA chez Meta avaient signalé le caractère problématique de ce répertoire. Les communications internes citées dans le dossier évoquent également le risque qu’un tel choix nuise à la position de négociation de Meta auprès des régulateurs. Autrement dit, l’enjeu n’aurait pas été seulement technique ou juridique, mais aussi stratégique et réputationnel.

Le document qui vise directement Mark Zuckerberg

L’un des passages les plus commentés du dossier judiciaire repose sur un mémo cité par les auteurs. Celui-ci indiquerait que, « après avoir été porté à l’attention de MZ », les équipes d’intelligence artificielle de Meta avaient été « autorisées à utiliser LibGen ». Les initiales « MZ » renvoient, selon les plaignants, à Mark Zuckerberg.

Cette formulation est importante pour leur stratégie. Dans un contentieux classique sur le droit d’auteur, une entreprise peut soutenir que des choix techniques ont été faits par des équipes spécialisées, sans connaissance suffisante des dirigeants. En attribuant une validation à son PDG, les auteurs cherchent au contraire à établir que la question de l’origine des données aurait été portée à l’attention de la direction.

Il faut toutefois distinguer plusieurs niveaux. Le document invoqué est présenté par les plaignants comme un élément étayant leur récit. Il reviendra au tribunal d’apprécier son contexte, sa portée, son authenticité et la manière dont il s’articule avec les autres pièces. Affirmer qu’une autorisation a été donnée dans une procédure ne revient pas, à ce stade, à démontrer juridiquement que Meta a commis une violation du droit d’auteur.

Quelles questions juridiques le tribunal devra-t-il examiner ?

Le litige pose plusieurs questions qui sont désormais communes aux procès sur l’IA générative aux États-Unis. La première concerne la copie d’œuvres protégées nécessaire à la création d’un corpus d’entraînement. Les titulaires de droits estiment qu’une telle opération nécessite une autorisation. Les entreprises d’IA invoquent fréquemment, dans d’autres procédures comparables, la nature transformatrice de l’entraînement et les débats autour du « fair use », une exception du droit américain qui dépend fortement des circonstances de chaque affaire.

La seconde question porte sur l’origine des fichiers. Dans cette affaire, la référence à LibGen rend plus difficile la séparation entre le débat général sur l’apprentissage automatique et celui, plus concret, de l’utilisation présumée de copies issues d’une source pirate. Si le tribunal se penche sur ce point, il devra notamment distinguer ce qui relève de la disponibilité technique d’un texte et ce qui relève du droit de le copier puis de l’exploiter.

Enfin, les auteurs cherchent à faire évoluer leur plainte en y intégrant de nouveaux faits et arguments. Ils espèrent ainsi relancer des demandes liées à la fraude informatique et à la gestion des droits d’auteur. Le juge Vince Chhabria, saisi de l’affaire devant une cour fédérale de Californie, a cependant exprimé du scepticisme quant aux chances de succès de certaines de ces nouvelles accusations.

Ce scepticisme ne clôt pas automatiquement le dossier principal sur le droit d’auteur. Il signifie surtout que les plaignants devront franchir des obstacles procéduraux et présenter des arguments suffisamment solides pour que leurs nouvelles demandes soient examinées. La différence est essentielle : une audience portant sur la possibilité de modifier une plainte n’est pas encore le procès qui déciderait, sur le fond, si Meta a enfreint la loi.

Un dossier sensible pour l’édition comme pour Meta

Pour les écrivains et les éditeurs, l’affaire dépasse le seul cas de Meta. La valeur économique d’un livre repose notamment sur la capacité de son auteur et de ses ayants droit à décider de ses conditions d’exploitation : publication, traduction, adaptation, édition numérique ou audio. L’usage d’une œuvre pour entraîner une IA soulève donc une interrogation directe : faut-il considérer cette utilisation comme une nouvelle forme d’exploitation qui doit faire l’objet d’une licence et d’une rémunération ?

La réponse aura des conséquences pratiques. Si les tribunaux imposaient plus clairement des accords de licence pour certains corpus, les entreprises d’IA devraient documenter davantage leurs sources et négocier avec les détenteurs de droits. À l’inverse, si certains usages étaient jugés licites sans autorisation dans des circonstances précises, les auteurs chercheraient probablement à obtenir une protection par d’autres voies, contractuelles ou législatives.

Pour Meta, le risque est aussi réputationnel. Les documents cités par les plaignants indiquent que certains responsables se préoccupaient d’éventuelles retombées dans les relations avec les régulateurs. Un avocat des auteurs a lui-même soutenu qu’une couverture médiatique associant Meta à un jeu de données piraté pourrait affaiblir la position de l’entreprise dans ses discussions avec les autorités. Cette affirmation fait partie de l’argumentation des plaignants, mais elle montre pourquoi l’affaire est suivie bien au-delà du seul monde de l’édition.

L’absence de déclaration substantielle de Meta rapportée dans les éléments disponibles ne permet pas de connaître, à ce stade, sa réponse détaillée aux documents invoqués. Le débat judiciaire devrait précisément permettre de confronter les interprétations des auteurs et de l’entreprise.

Ce qu’il faut surveiller dans la suite de l’affaire

La première étape sera la décision du tribunal sur les modifications que les auteurs souhaitent apporter à leur plainte. Elle déterminera quelles demandes pourront continuer et quels faits seront juridiquement pertinents pour la suite du dossier. Il faudra ensuite observer si d’autres documents précisent la nature exacte des données utilisées pour entraîner Llama, la manière dont elles ont été obtenues et le niveau de connaissance des responsables de Meta.

La procédure pourrait aussi contribuer à mieux délimiter trois questions souvent confondues : l’accès à une œuvre en ligne, sa copie dans un corpus d’entraînement et les réponses produites par un modèle entraîné sur ce corpus. Chacune relève d’une analyse juridique potentiellement distincte.

Au-delà de Meta, l’affaire rappelle une réalité structurante de l’IA générative : la performance des modèles dépend de données massives, mais la confiance dans ces outils dépend aussi de la traçabilité de ces données. Pour les auteurs, les éditeurs, les utilisateurs et les régulateurs, la réponse apportée par les tribunaux américains sera suivie de près, car elle pourrait influencer les pratiques de toute une industrie.