Meta et les livres piratés : pourquoi le procès peut changer l’IA générative

L’intelligence artificielle générative semble produire ses réponses en quelques secondes. Mais, en amont, les modèles de langage sont nourris par des volumes gigantesques de textes. La provenance de ces données est devenue l’un des fronts les plus sensibles de la révolution de l’IA. En mars 2025, Meta se retrouve ainsi visée par des accusations particulièrement graves : l’entreprise aurait utilisé des millions de livres piratés pour entraîner ses systèmes, notamment ceux de la famille Llama.

L’affaire ne se résume pas à une querelle entre un géant de la technologie et quelques auteurs. Elle peut aider à préciser les règles applicables à toute l’industrie : un développeur d’IA peut-il copier des œuvres protégées pour entraîner un modèle ? Le fait que ces œuvres proviennent de bibliothèques pirates change-t-il l’analyse ? Et quelle rémunération ou quel contrôle doivent conserver les écrivains, traducteurs et éditeurs ?

Ce qui est reproché à Meta dans cette procédure

Des documents versés dans une procédure en Californie ont relancé le débat sur les jeux de données utilisés par Meta. Ils font état d’un réservoir d’environ 81,7 téraoctets de données. Parmi cet ensemble, 35,7 téraoctets proviendraient notamment d’archives connues sous les noms de LibGen et Z-Library, deux services associés à la diffusion non autorisée de livres et de publications.

Ces chiffres donnent une idée de l’échelle, pas du nombre exact de titres concernés ni de la part effectivement absorbée par chaque version d’un modèle. Un téraoctet représente mille gigaoctets : il peut contenir un très grand nombre de livres numériques, selon leur format, leur longueur et les fichiers annexes inclus. C’est précisément l’un des problèmes soulevés par l’affaire : sans inventaire public et détaillé des corpus, les auteurs peuvent difficilement savoir si leurs œuvres ont été utilisées.

Les accusations portent sur des copies d’œuvres protégées réalisées sans l’accord de leurs titulaires de droits. Selon les éléments révélés dans le dossier, des responsables de Meta auraient discuté de l’utilisation de ces bibliothèques, malgré les risques juridiques signalés en interne. Les plaignants soutiennent aussi que Mark Zuckerberg, dirigeant de Meta, aurait donné son approbation à l’utilisation de LibGen.

Il importe toutefois de distinguer les faits allégués de ce qu’un tribunal a définitivement établi. À la date de publication de cet article, Meta fait l’objet d’une procédure, mais l’entreprise n’a pas été condamnée dans ce dossier. Le procès doit justement déterminer ce qui s’est produit, quelles copies ont été réalisées et si elles constituent une violation du droit d’auteur.

Pourquoi les livres sont-ils si précieux pour une IA ?

Les grands modèles de langage apprennent en analysant d’immenses quantités de textes. Durant l’entraînement, ils repèrent des régularités : associations entre les mots, structures de phrases, connaissances fréquemment exprimées, styles et formes de raisonnement. Les livres représentent, pour cette tâche, une ressource particulièrement riche. Ils offrent des textes longs, structurés, relus, couvrant une grande diversité de domaines et de registres.

Un modèle tel que Llama n’est pas censé fonctionner comme une bibliothèque dans laquelle il irait chercher une page précise à chaque question. Son apprentissage repose sur des calculs statistiques effectués à partir des textes. Cette différence technique est importante, mais elle ne tranche pas à elle seule la question juridique. Pour entraîner un modèle, il faut en principe effectuer des copies des fichiers. Or le droit de reproduction est au cœur de la protection des œuvres.

Autre nuance essentielle : qu’un livre ait participé à l’entraînement ne signifie pas automatiquement que l’outil le reproduira intégralement à la demande. Les modèles peuvent néanmoins parfois restituer des passages lorsqu’ils ont mémorisé certaines séquences, notamment si elles ont été très présentes dans les données. Les ayants droit s’inquiètent donc à la fois de l’utilisation initiale de leurs textes et du risque de restitutions trop proches de l’original.

Un procès sur les données, mais surtout sur le droit d’auteur

La procédure californienne s’inscrit dans une vague de recours engagés par des auteurs contre les entreprises d’IA générative. Parmi les plaignants figurent notamment les écrivains Richard Kadrey et Christopher Golden, ainsi que Sarah Silverman. Leur argument central est que la copie de leurs livres pour constituer ou entraîner les jeux de données a eu lieu sans autorisation.

Meta pourrait, comme d’autres acteurs du secteur dans des affaires comparables, faire valoir la notion américaine de fair use, souvent traduite par usage équitable. Cette doctrine ne donne pas un droit général à utiliser librement n’importe quelle œuvre. Elle impose une analyse au cas par cas, prenant entre autres en compte la finalité de l’usage, la nature de l’œuvre, la quantité reprise et l’effet possible sur son marché.

Les juges devront donc examiner plusieurs questions distinctes :

• l’entraînement d’un modèle transforme-t-il suffisamment l’usage d’un livre pour relever du fair use ?
• la provenance alléguée des fichiers, via des bibliothèques pirates, pèse-t-elle dans l’appréciation ?
• les œuvres et les auteurs concernés peuvent-ils être identifiés de manière fiable ?
• un entraînement non autorisé cause-t-il un préjudice qui appelle des dommages et intérêts ou d’autres mesures ?

Un jugement défavorable à Meta ne créerait pas mécaniquement une règle identique dans tous les pays ou pour toutes les IA. Il pourrait, en revanche, devenir un précédent très observé aux États-Unis. Les entreprises seraient alors davantage incitées à documenter l’origine de leurs corpus, à négocier des licences ou à écarter les sources dont la légalité est douteuse.

Ce que les auteurs et les éditeurs ont à perdre ou à gagner

Pour les créateurs, l’enjeu est d’abord celui du consentement. Un écrivain peut accepter de vendre son livre à des lecteurs, de le céder à un éditeur ou d’en autoriser une traduction, sans pour autant vouloir qu’il participe à l’entraînement d’un modèle commercial. L’IA générative ajoute donc une nouvelle utilisation économique à des contrats souvent rédigés avant son essor.

Les auteurs redoutent plusieurs effets. Le premier est l’absence de rémunération pour une exploitation qui peut avoir une valeur considérable pour les entreprises technologiques. Le second est une perte de contrôle sur le contexte dans lequel leurs textes sont employés. Le troisième concerne la concurrence : des outils capables de générer rapidement des résumés, des textes promotionnels ou des contenus imitant certains codes littéraires peuvent modifier la chaîne de valeur de l’édition.

Cela ne signifie pas que chaque ouvrage utilisé pour l’entraînement subit automatiquement une baisse mesurable de ventes. C’est précisément l’une des difficultés du débat : relier une copie technique, l’apprentissage d’un modèle et un préjudice économique concret. Mais le consentement et la rémunération ne dépendent pas uniquement d’une baisse de revenus démontrée. Ils relèvent aussi du droit pour les auteurs de décider des usages de leurs œuvres.

Les écrivains québécois, comme les auteurs publiés dans d’autres territoires, peuvent être concernés si leurs livres figurent dans les bibliothèques utilisées. Leur langue ou leur pays d’édition ne les protège pas, à lui seul, de la circulation mondiale des fichiers pirates. L’affaire rappelle ainsi l’importance des métadonnées, des contrats et des mécanismes qui permettraient aux ayants droit d’identifier leurs œuvres dans les corpus d’IA.

La mobilisation dépasse le seul monde du livre. Plus de 34 000 artistes ont récemment fait part de leurs préoccupations sur la protection de leurs créations face aux technologies émergentes. Musiciens, illustrateurs, photographes, journalistes, interprètes et écrivains partagent une même demande : que l’innovation ne transforme pas leurs œuvres en matière première gratuite et opaque.

Les utilisateurs de Meta sont-ils directement concernés ?

Pour une personne qui utilise Facebook, Instagram, WhatsApp ou un outil reposant sur Llama, cette affaire ne crée pas de responsabilité juridique directe. Les accusations concernent les décisions de constitution de données et d’entraînement prises par l’entreprise, pas les usages ordinaires de ses services par le public.

L’impact est plutôt indirect, mais réel. Les utilisateurs ont intérêt à savoir sur quelles bases les systèmes qu’ils emploient ont été construits. La confiance dans une IA dépend de sa capacité à être utile et fiable, mais aussi de la façon dont elle a été développée. Un modèle associé à des pratiques contestées peut fragiliser cette confiance, notamment chez les enseignants, les bibliothèques, les éditeurs et les professionnels qui l’intègrent à leur travail.

Il faut également éviter une confusion fréquente : cette affaire ne montre pas que les données personnelles des utilisateurs de Meta ont été dérobées via LibGen ou Z-Library. Le dossier porte sur des livres et contenus protégés par le droit d’auteur. La protection des données personnelles est un autre sujet, régi par des règles et des risques spécifiques.

Pourquoi l’Europe suit aussi ce dossier de près

Le procès se déroule aux États-Unis, où le fair use occupe une place centrale. En Europe, le cadre juridique est différent. Les exceptions de fouille de textes et de données peuvent autoriser certaines analyses automatisées, mais elles sont encadrées. Elles reposent notamment sur l’accès licite aux contenus et, dans certaines situations, sur la possibilité pour les titulaires de droits de s’opposer à l’utilisation de leurs œuvres.

L’AI Act européen ajoute une couche de transparence pour les fournisseurs de modèles d’IA à usage général. Ses obligations relatives à ces modèles doivent s’appliquer à partir du 2 août 2025. Elles comprennent l’obligation de mettre en place une politique de respect du droit d’auteur de l’Union européenne et de publier un résumé suffisamment détaillé des contenus utilisés pour l’entraînement.

Ce résumé ne constitue pas nécessairement une liste titre par titre. Il ne permettra donc pas toujours à un auteur de retrouver instantanément son livre. Mais le principe marque une évolution : les fournisseurs de modèles sont poussés à expliquer davantage l’origine générale de leurs données et leur démarche de conformité.

Pour les entreprises, plusieurs voies existent afin de réduire le risque juridique et éthique : négocier des licences avec les éditeurs, utiliser des œuvres appartenant au domaine public, recourir à des contenus produits sous contrat ou encore mettre en place des mécanismes clairs d’exclusion et de rémunération. Ces solutions peuvent être plus coûteuses et plus lentes que l’aspiration massive de données disponibles en ligne. Elles offrent toutefois une base plus solide pour un marché durable.

Ce qu’il faut surveiller après les révélations

La première question sera la suite procédurale du dossier californien. Une décision sur le fond pourrait préciser la portée du fair use appliqué à l’entraînement des IA et la manière dont les tribunaux considèrent les corpus provenant de sources pirates. Les réparations éventuelles, si Meta était jugée responsable, seront tout aussi déterminantes : elles pourraient influencer la politique de données de nombreux concurrents.

La deuxième concerne la transparence. Les listes de données d’entraînement demeurent souvent difficiles à obtenir ou à interpréter. Or sans informations exploitables, les auteurs, éditeurs et chercheurs ne peuvent ni vérifier les affirmations des entreprises ni négocier sur des bases équilibrées.

Enfin, l’industrie devra choisir entre deux visions. La première considère l’accès à la totalité du patrimoine culturel comme la condition du progrès technologique. La seconde estime que le développement de l’IA doit s’organiser autour d’autorisations, de règles claires et de mécanismes de partage de valeur. L’affaire Meta montre que ce choix n’est plus théorique : il se joue désormais dans les tribunaux, les contrats d’édition et les futures règles applicables aux modèles génératifs.