Meta accusée d’avoir utilisé LibGen et des torrents pour entraîner son IA Llama

L’intelligence artificielle générative repose sur l’analyse d’immenses volumes de textes, d’images ou de sons. Mais une question est devenue centrale pour les éditeurs, les artistes et les entreprises qui développent ces systèmes : d’où viennent exactement ces données ? Aux États-Unis, Meta est de nouveau confrontée à cette interrogation dans l’affaire qui l’oppose à plusieurs auteurs, dont le romancier Richard Kadrey.

Le 13 janvier 2025, le dossier ne porte pas sur une décision définitive de justice, mais sur une étape procédurale importante. Les plaignants demandent au tribunal fédéral du district nord de Californie l’autorisation de déposer une troisième plainte consolidée amendée. Ils veulent y ajouter des accusations selon lesquelles Meta aurait sciemment recouru à des livres piratés, notamment issus de LibGen, pour développer ses modèles d’IA de la famille Llama.

Meta nie les accusations. La procédure devra donc établir ce qui a été fait, avec quelles données, quelles connaissances en avaient les responsables de l’entreprise et quelles règles juridiques s’appliquent. L’enjeu dépasse largement le seul cas de Meta : il touche aux méthodes d’entraînement de nombreux grands modèles de langage.

Ce que les auteurs reprochent à Meta

L’action en justice, connue sous le nom de Kadrey et autres contre Meta, avait initialement pour objet l’utilisation présumée d’œuvres protégées par le droit d’auteur dans l’entraînement de modèles d’intelligence artificielle. Dans leur réplique, les auteurs souhaitent enrichir leur plainte de deux volets majeurs.

Le premier concerne le Digital Millennium Copyright Act, ou DMCA, une loi fédérale américaine qui protège notamment certaines informations associées aux œuvres protégées. Le second s’appuie sur la loi californienne réprimant l’accès et la fraude informatiques, généralement désignée par l’acronyme CDAFA.

Selon les plaignants, Meta n’aurait pas seulement exploité des œuvres accessibles en ligne. L’entreprise aurait eu recours à LibGen, souvent décrite comme une « bibliothèque fantôme », c’est-à-dire un service donnant accès à des ouvrages sans nécessairement disposer des autorisations des ayants droit. Les auteurs soutiennent que Meta savait que ce corpus contenait des contenus piratés.

Ils s’appuient notamment sur un mémo interne daté de décembre 2024, cité dans les documents judiciaires, qui qualifiait LibGen de corpus « que nous savons piraté ». D’après leur version des faits, des responsables de l’IA chez Meta avaient exprimé des inquiétudes et Mark Zuckerberg aurait explicitement approuvé l’utilisation de ce jeu de données malgré ces réserves.

Il s’agit ici d’allégations déposées dans le cadre d’une procédure contradictoire. Leur présence dans une requête ne vaut pas reconnaissance des faits par Meta, ni constat judiciaire de responsabilité.

LibGen, torrents et informations de droit d’auteur : de quoi parle-t-on ?

Pour comprendre le dossier, il faut distinguer trois éléments : la provenance des livres, le mode de téléchargement et le traitement des fichiers avant leur utilisation dans un modèle.

LibGen est une vaste bibliothèque numérique non officielle. Elle est régulièrement associée à la diffusion de livres soumis au droit d’auteur sans accord de leurs titulaires. Sa simple évocation dans une affaire liée à l’IA est particulièrement sensible, car le volume et la qualité des textes littéraires intéressent les développeurs de modèles de langage.

Le torrenting désigne une méthode d’échange de fichiers de pair à pair. Au lieu de télécharger un fichier depuis un serveur unique, un internaute récupère des fragments auprès de plusieurs ordinateurs et, en règle générale, partage simultanément les fragments qu’il possède avec d’autres utilisateurs. Cette dernière fonction, appelée « seeding », est au cœur des préoccupations soulevées dans la plainte : télécharger via torrent peut aussi contribuer à redistribuer un fichier.

Enfin, les informations de gestion des droits d’auteur, souvent appelées CMI en droit américain, recouvrent par exemple le nom de l’auteur, la mention de copyright, le titre ou certaines informations sur les conditions d’utilisation. Les plaignants accusent Meta d’avoir supprimé ces éléments des données utilisées.

D’après la réplique des auteurs, Michael Clark, représentant de Meta, a indiqué que des scripts avaient servi à supprimer des occurrences telles que « copyright » et « remerciements » dans la préparation du corpus. Les plaignants présentent cette opération comme une suppression délibérée d’informations de droits destinée à préparer les données pour l’entraînement de Llama.

Ce que Meta conteste et ce que le tribunal doit encore trancher

Les échanges internes cités par les plaignants sont au centre de leur argumentation. Ils mentionnent notamment la préoccupation d’un ingénieur selon laquelle utiliser un ordinateur portable de Meta pour faire du torrent « ne semble pas correct ». Les auteurs y voient un indice que les risques juridiques liés à la méthode de collecte étaient connus en interne.

La requête rapporte également un témoignage de Mark Zuckerberg le 17 décembre 2024. Selon les plaignants, le dirigeant a reconnu que les pratiques évoquées feraient surgir « beaucoup de drapeaux rouges » et que cela « semble problématique ». Ils lui reprochent néanmoins d’avoir fourni peu de réponses directes sur les pratiques précises employées pour entraîner les systèmes de Meta.

La position de Meta, telle qu’elle ressort du dossier, est de nier l’ensemble des accusations. L’entreprise n’avait pas, au 13 janvier 2025, répondu publiquement aux déclarations attribuées à Mark Zuckerberg dans ce témoignage.

À ce stade, le juge doit d’abord décider si les auteurs peuvent modifier leur plainte pour y intégrer ces nouveaux fondements. Si cette autorisation est accordée, cela ne signifiera pas que Meta a perdu le procès. Cela permettra seulement aux griefs supplémentaires d’être examinés au fond, avec les arguments de défense de l’entreprise et, potentiellement, de nouvelles étapes de communication de pièces.

Pourquoi le DMCA et la loi californienne sont importants

Le grief fondé sur le DMCA ne se réduit pas à l’accusation générale de copie de livres. Les auteurs ciblent spécifiquement le retrait présumé des informations de gestion des droits. Dans une telle action, ils doivent notamment établir que les informations en question entraient bien dans le champ protégé par la loi et que leur suppression aurait été intentionnelle dans les conditions requises par le texte.

Le second volet, la CDAFA, renvoie ici à la loi californienne sur l’accès et la fraude informatiques, et non à une législation du Colorado. Les plaignants cherchent à lier ce grief à la façon dont le corpus LibGen aurait été acquis et redistribué au moyen de torrents. Cette qualification juridique est distincte de la question du droit d’auteur : elle s’intéresse aux modalités d’accès aux données et aux systèmes informatiques.

Ces distinctions comptent. Une entreprise peut être attaquée sur plusieurs fondements à partir de la même série de faits allégués, mais chaque texte impose ses propres critères de preuve. Pour les auteurs, l’ajout de ces demandes permettrait de décrire non seulement l’usage final des livres dans l’entraînement, mais aussi le processus supposé d’obtention et de préparation des fichiers.

L’entraînement des modèles d’IA au cœur du débat sur le droit d’auteur

Les modèles de langage comme Llama sont conçus en analysant des quantités considérables de textes afin d’identifier des régularités statistiques dans la langue. Ils peuvent ensuite générer des réponses, résumer des documents, traduire ou aider à rédiger. La qualité de ces systèmes dépend en partie de la diversité, de la quantité et de la qualité des données exploitées pendant l’entraînement.

Ce besoin de données se heurte aux droits des créateurs. Les auteurs et les éditeurs soutiennent que leurs livres possèdent une valeur économique et créative qui ne devrait pas être absorbée par les modèles sans autorisation ou rémunération. Les entreprises technologiques, elles, ont tout intérêt à défendre une interprétation permettant l’analyse de corpus à grande échelle, sous certaines conditions, pour faire progresser leurs systèmes.

Le débat ne concerne pas uniquement Meta. Le développement rapide de l’IA générative a entraîné des critiques visant également d’autres acteurs, dont OpenAI et Google, quant à l’utilisation potentielle de contenus protégés. Les questions sont complexes : faut-il une licence pour chaque œuvre ? Un mécanisme collectif de rémunération ? Un droit d’opposition ? Des obligations de transparence sur les jeux de données ?

L’affaire Kadrey ne répondra pas nécessairement à toutes ces interrogations. Elle pourrait toutefois contribuer à préciser la frontière entre l’exploration technique de textes protégés, l’usage non autorisé de copies et le retrait d’informations liées aux droits.

Ce qu’il faut surveiller dans les prochains mois

Le premier point à suivre sera la décision du tribunal sur la demande de déposer une troisième plainte amendée consolidée. Elle déterminera l’étendue des accusations que Meta devra combattre dans la suite de la procédure.

Le deuxième enjeu est documentaire. Les plaignants affirment que certains éléments relatifs à LibGen, aux torrents et aux échanges internes avaient été obtenus mais initialement retenus au cours de la phase de communication de pièces. La portée exacte de ces documents, leur contexte et leur valeur probante seront déterminants.

Enfin, le dossier rappelle aux entreprises développant des IA génératives que la question de la traçabilité des données devient stratégique. Conserver l’origine des corpus, documenter les licences, encadrer les modes d’acquisition et évaluer les risques juridiques ne sont plus de simples contraintes administratives. Ces pratiques pourraient peser sur la capacité d’un acteur à défendre ses modèles, sa réputation et ses investissements.

Pour les créateurs, l’affaire illustre une attente forte : que la course aux modèles de plus en plus puissants ne fasse pas disparaître l’identification des œuvres, ni la possibilité de demander des comptes sur leur utilisation. La réponse judiciaire apportée à Meta sera donc observée bien au-delà de la Silicon Valley.