OpenAI : une étude interroge l’usage de livres O’Reilly sous paywall

Les grands modèles de langage savent expliquer un langage de programmation, résumer un manuel et répondre à des questions très spécialisées. Mais lorsqu’ils semblent connaître des passages ou des notions issus de livres techniques vendus sur abonnement, une question immédiatement sensible se pose : ces œuvres ont-elles servi à leur entraînement ? C’est l’interrogation soulevée par des chercheurs au sujet de modèles d’OpenAI et de livres publiés par O’Reilly.

L’enjeu dépasse largement le cas d’un éditeur. Les systèmes comme ChatGPT sont développés à partir d’immenses quantités de textes. Or, dans cet ensemble, la frontière entre contenu librement disponible, contenu sous licence, extrait accessible publiquement et œuvre protégée n’est pas toujours observable de l’extérieur. Pour les auteurs et les éditeurs, il s’agit à la fois d’une question de rémunération, de contrôle de leurs œuvres et de confiance dans les entreprises qui développent l’IA.

Ce que les chercheurs avancent sur les livres d’O’Reilly

Selon les conclusions rapportées dans la publication d’origine, des chercheurs estiment que des modèles d’OpenAI pourraient avoir été formés, au moins en partie, à partir de livres d’O’Reilly protégés par un accès payant. L’hypothèse évoquée porte sur un ensemble potentiellement vaste d’ouvrages techniques, dont l’accès est habituellement proposé via la plateforme et les abonnements de l’éditeur.

O’Reilly est particulièrement connu dans le monde informatique pour ses livres consacrés au développement logiciel, aux données, au cloud, à la cybersécurité ou encore à l’intelligence artificielle. Ces publications ont une valeur pratique élevée : elles rassemblent des explications structurées, des exemples de code, des méthodes de travail et des connaissances fréquemment recherchées par les professionnels.

Il est important de distinguer dès le départ trois niveaux très différents : une allégation de présence dans les données d’entraînement, un indice technique de familiarité du modèle avec un livre, et la preuve juridique d’une utilisation illicite. Le premier ne démontre pas automatiquement le troisième.

La publication d’origine évoque des analyses visant à déceler des références ou une connaissance inhabituelle de certains ouvrages dans les réponses générées. Ces travaux alimentent un débat légitime. Ils ne permettent toutefois pas, à eux seuls, de reconstituer avec certitude le parcours d’un livre, depuis sa publication jusqu’à un éventuel jeu de données d’entraînement.

Pourquoi un modèle peut-il sembler connaître un livre ?

Un modèle de langage ne fonctionne pas comme un moteur de recherche qui consulterait nécessairement un ouvrage au moment où une question lui est posée. Lors de son entraînement, il traite d’énormes volumes de texte afin d’ajuster des paramètres mathématiques et de prédire la suite la plus probable d’une phrase. Il ne stocke donc pas une bibliothèque sous la forme d’étagères numériques aisément inspectables.

Cela ne signifie pas qu’il est impossible de détecter des traces d’exposition à des œuvres. Des chercheurs peuvent comparer la façon dont un modèle traite un extrait authentique et une version modifiée, mesurer sa capacité à compléter un passage, ou évaluer si ses réponses révèlent une connaissance particulièrement précise d’un texte. Ces méthodes peuvent produire des indices utiles, surtout lorsqu’elles sont appliquées avec un protocole rigoureux et à de nombreux ouvrages.

Mais plusieurs explications peuvent coexister. Un modèle peut avoir rencontré :

• un extrait promotionnel autorisé par l’éditeur ;
• des critiques, résumés ou citations publiés sur le Web ;
• une version antérieure, un contenu voisin ou des documents qui reprennent les mêmes notions ;
• une copie diffusée par un tiers, sans que l’entreprise à l’origine du modèle ait nécessairement publié le détail de sa provenance ;
• un ouvrage obtenu dans le cadre d’une licence, si une telle licence existe.

La difficulté est donc méthodologique autant que juridique. Un comportement observé dans une conversation avec une IA peut suggérer une exposition à une œuvre, mais il ne permet généralement pas de savoir quand, comment ni sous quelle autorisation le texte a été acquis.

Paywall, droit d’auteur et données d’entraînement : trois notions distinctes

Le débat est parfois présenté comme si le fait qu’un livre soit payant suffisait à trancher l’affaire. Ce n’est pas le cas. Un paywall est une barrière d’accès : il peut imposer un abonnement, un achat ou une authentification pour consulter un contenu. Le droit d’auteur protège quant à lui l’expression originale d’une œuvre, indépendamment de son prix ou de son mode de diffusion.

Un article gratuit peut être pleinement protégé par le droit d’auteur. À l’inverse, l’achat légal d’un livre ne donne pas nécessairement le droit de le copier, de le redistribuer ou de l’intégrer dans une base de données destinée à entraîner un modèle. Les conditions d’utilisation d’une plateforme, les licences conclues avec les titulaires de droits et le droit applicable comptent donc autant que la présence d’un abonnement.

En Europe, la directive de 2019 sur le droit d’auteur a instauré des exceptions pour la fouille de textes et de données, souvent désignée par l’expression anglaise text and data mining. Elles encadrent certaines reproductions réalisées pour analyser automatiquement des contenus. L’accès licite aux œuvres et la possibilité, pour les titulaires de droits, de réserver certains usages sont des éléments déterminants de ce cadre.

Les règles applicables varient aussi selon les pays et les circonstances. Aux États-Unis, le débat porte souvent sur la notion de fair use, une exception appréciée au cas par cas. Ni l’existence d’un paywall ni le fait qu’un modèle ait produit une réponse pertinente ne permettent donc de résoudre seuls une question de droit d’auteur.

La position attribuée à OpenAI et le problème de transparence

La publication d’origine indique qu’OpenAI défend l’idée que les matériaux employés pour ses modèles respectent les normes éthiques et juridiques. Cette position générale ne vaut pas confirmation que les livres O’Reilly mentionnés ont, ou n’ont pas, été utilisés. Le dossier public décrit dans l’article ne fournit ni inventaire exhaustif des corpus, ni contrat de licence précis, ni citation détaillée permettant de vérifier point par point la réponse de l’entreprise.

C’est précisément là que se situe le nœud du débat. Les entreprises qui développent des modèles généralistes protègent leurs jeux de données pour des raisons de concurrence, de sécurité et de complexité opérationnelle. Les titulaires de droits, eux, demandent davantage de visibilité afin de savoir si leurs œuvres ont été exploitées et selon quelles conditions.

Cette asymétrie complique le travail des chercheurs indépendants. Sans accès aux données brutes, ils doivent examiner les sorties des modèles et construire des méthodes d’inférence. Ces méthodes sont précieuses pour documenter un phénomène difficile à observer, mais elles ont des limites : elles ne remplacent pas un audit des données, une divulgation de la part de l’entreprise ou une instruction judiciaire.

Pourquoi les livres techniques sont particulièrement sensibles

Les ouvrages techniques ne sont pas de simples collections de faits isolés. Ils peuvent contenir une architecture pédagogique, des études de cas, des explications originales, des exemples de code et des choix éditoriaux qui demandent un travail important aux auteurs, aux relecteurs et aux éditeurs. Pour un modèle d’IA, ces contenus constituent potentiellement des matériaux de grande qualité, car ils sont structurés et spécialisés.

Pour autant, affirmer qu’un modèle a pu apprendre à partir d’un livre protégé ne permet pas de conclure que ses réponses sont erronées ou de mauvaise qualité. C’est une confusion fréquente. La qualité d’une réponse dépend de nombreux facteurs : la question posée, la date des connaissances, le raisonnement du modèle, ses erreurs possibles, les instructions de l’utilisateur et les mécanismes de sécurité mis en place.

Le risque le plus direct concerne plutôt la reproduction substantielle. Si un système restitue des passages longs et reconnaissables d’un ouvrage, l’enjeu pour le titulaire de droits devient plus concret. À l’inverse, expliquer avec ses propres mots une notion générale de programmation ne suffit pas, en soi, à établir qu’un texte précis a été copié.

Ce que cette affaire change pour les utilisateurs de ChatGPT

Pour le grand public, cette controverse ne signifie pas que chaque réponse de ChatGPT issue d’un domaine technique serait illégale, ni qu’il faudrait cesser d’utiliser les assistants conversationnels. Elle rappelle en revanche une règle de prudence : une réponse générée par une IA ne doit pas être traitée comme une source éditoriale identifiable ou comme un texte libre de toute contrainte.

Lorsqu’un résultat est destiné à être publié, à servir dans un rapport professionnel, à guider une décision technique ou à reproduire du code, il reste préférable de vérifier les informations auprès de sources fiables. Il faut aussi éviter de demander à un modèle de restituer intégralement un chapitre, un manuel ou un contenu clairement protégé.

Les entreprises utilisatrices ont, elles aussi, intérêt à se poser des questions très pratiques : quelles garanties contractuelles sont fournies par leur prestataire d’IA ? Quelles règles imposer à leurs salariés pour les contenus générés ? Comment documenter l’origine des informations utilisées dans un livrable ? Ces interrogations concernent autant la conformité que la qualité du travail.

Des pistes pour mieux concilier IA et création

Le conflit entre éditeurs et développeurs d’IA n’est pas inévitable. Plusieurs voies sont régulièrement mises en avant : la négociation de licences, la rémunération des titulaires de droits, des mécanismes d’opposition clairement exploitables, une documentation plus précise des données et des outils permettant de signaler ou de réduire les restitutions trop proches d’une œuvre.

Les licences ont l’avantage de créer un cadre négocié, mais elles supposent d’identifier les droits et de fixer une valeur économique aux contenus. Les mécanismes d’opposition peuvent protéger les éditeurs, à condition d’être techniquement lisibles et effectivement respectés. Quant à la transparence, elle se heurte à la taille des corpus et au secret des affaires, sans que ces difficultés dispensent nécessairement les acteurs de leurs obligations.

Ce qu’il faut surveiller

Au 1er avril 2025, les affirmations concernant les livres d’O’Reilly et les modèles d’OpenAI doivent être lues comme des conclusions de recherche à examiner, et non comme le constat définitif d’une infraction. Les éventuelles précisions des chercheurs sur leur protocole, une réponse documentée d’OpenAI ou d’O’Reilly, ainsi que d’éventuelles procédures judiciaires seraient déterminantes pour apprécier le dossier.

Le cadre réglementaire européen mérite également une attention particulière. Le règlement européen sur l’intelligence artificielle prévoit des obligations spécifiques pour les fournisseurs de modèles d’IA à usage général, notamment en lien avec une politique de respect du droit d’auteur et la publication d’un résumé suffisamment détaillé des contenus utilisés pour l’entraînement. Ces obligations doivent entrer en application au cours de l’année 2025 pour les modèles concernés.

Enfin, cette controverse pourrait accélérer une évolution déjà visible : les éditeurs ne veulent plus seulement constater après coup l’utilisation possible de leurs catalogues. Ils cherchent à négocier, autoriser, refuser ou rémunérer ces usages en amont. La manière dont les développeurs d’IA répondront à cette demande de traçabilité pèsera sur la confiance accordée à leurs modèles.