Dans un mémo interne de janvier 2023, Brent Hecht, directeur de la science appliquée chez Microsoft, qualifiait l’aspiration du web pour entraîner les modèles de langage de « plus grand vol de travail de l’histoire humaine ». La phrase figure dans une requête du New York Times rendue publique le 17 septembre, dans le procès qui oppose le journal à OpenAI et Microsoft depuis 2023.
Pour résumer
- Brent Hecht parlait aussi d’un « vol stupéfiant, d’une ampleur sans précédent » dans son mémo de janvier 2023.
- Selon les pièces du dossier, Copilot faisait chuter jusqu’à 93 % le taux de clic vers le New York Times par rapport à la recherche Bing classique.
- Les jeux de données d’OpenAI contenaient plus de 91 692 copies d’œuvres du Times, du Daily News et du Center for Investigative Reporting.
Faire résumer cet article par une IA
ChatGPTLe mémo Microsoft de janvier 2023 sort du dossier
Le procès a été ouvert en 2023 devant le tribunal fédéral du district sud de New York. Le New York Times accuse OpenAI et Microsoft d’avoir copié des millions de ses articles, sans autorisation, pour entraîner des systèmes commerciaux conçus pour concurrencer la presse.
La nouveauté vient d’une requête du journal, jusqu’ici caviardée, dont la version déposée au tribunal est désormais consultable sur CourtListener. Les avocats du Times y rassemblent des documents internes de Microsoft et d’OpenAI pour contester la défense fondée sur l’usage loyal, le « fair use » du droit américain.
Le droit américain apprécie l’usage loyal au cas par cas, en pesant notamment le caractère transformatif de l’usage et son effet sur le marché de l’œuvre d’origine. Les documents internes cités par le journal visent surtout ce second point.
La pièce la plus citée est un mémo de janvier 2023 signé Brent Hecht, qui dirige la science appliquée chez Microsoft. Il y décrit la collecte du web ouvert pour entraîner les grands modèles de langage comme « un vol stupéfiant, d’une ampleur sans précédent », puis comme « le plus grand vol de travail de l’histoire humaine ».
Le même cadre aurait ajouté que tolérer une telle copie tournerait en dérision la notion même d’usage loyal. Pour le Times, ces mots pèsent lourd : ils viennent de l’intérieur de Microsoft, et ils portent précisément sur l’argument juridique que l’entreprise oppose aujourd’hui au journal.
Le document ne se limite pas à cette formule. Une présentation interne chiffre ce que Copilot faisait au trafic du journal : le taux de clic vers le New York Times chutait jusqu’à 93 % par rapport aux résultats de recherche Bing classiques.
Cette même présentation décrivait le phénomène comme une « spirale fatale » qui finirait par nuire aux performances des modèles et au web tout entier. Autrement dit, Microsoft anticipait qu’un assistant qui répond à la place des sites finirait par assécher les contenus dont il se nourrit.
Le constat rejoint une mesure publiée cet été, quand le web écrit par IA a atteint un tiers des pages. Moins de clics vers les éditeurs d’un côté, davantage de pages produites par des machines de l’autre : la boucle décrite par Microsoft en 2023 n’avait rien de théorique.
Ce que les pièces révèlent côté OpenAI et Satya Nadella
Le dossier ne vise pas seulement Microsoft. Selon la requête, les jeux de données de milieu d’entraînement d’OpenAI contenaient plus de 91 692 copies d’œuvres publiées par le New York Times, le Daily News et le Center for Investigative Reporting.
Un jeu de données dérivé de Common Crawl, l’archive géante du web ouvert, comptait à lui seul plus de 2 millions de documents issus de nytimes.com. Le Times affirme aussi que des employés ont contourné des paywalls et retiré les mentions de droit d’auteur des données avant l’entraînement.
Les échanges internes d’OpenAI vont dans le même sens. Nick Turley, responsable de ChatGPT, a écrit que les éditeurs faisaient face à une « menace existentielle » venue des chatbots. Greg Brockman, président d’OpenAI, décrivait les modèles comme « excellents sur l’actualité » et prévoyait des produits « de plus en plus substitutifs » à mesure qu’ils progressent.
Le mot compte dans ce type de procès. Plus un produit se substitue à l’œuvre copiée, plus il devient difficile de plaider un usage transformatif, qui est l’un des piliers de la défense par l’usage loyal.
Le témoignage de Satya Nadella complète le tableau. Le patron de Microsoft a déclaré que les contenus payants devaient faire l’objet d’une licence pour quiconque veut les utiliser, que ce soit pour ancrer les réponses d’un modèle ou pour l’entraîner.
Il a ajouté qu’il aurait exigé d’OpenAI qu’elle réentraîne ses modèles s’il avait su que des contenus payants avaient été collectés. Le dirigeant admet donc le principe même que le Times défend.
L’ancrage, ou grounding, consiste à fournir des documents à un modèle au moment où il répond, par exemple afin de condenser un article paru le matin même. La nuance compte, car une licence limitée à l’entraînement laisserait de côté tous ces usages en temps réel, qui sont précisément ceux des assistants de recherche.
Sollicités par la presse américaine, ni OpenAI ni Microsoft n’ont commenté ces documents. Le calendrier judiciaire reste ouvert : un juge doit encore décider si l’affaire ira jusqu’au procès.
OpenAI enchaîne les contentieux depuis le printemps, dont le procès intenté par Elon Musk, où la confiance était déjà au cœur du verdict. Celui du Times touche une question plus large que la gouvernance d’une entreprise, puisqu’il interroge la matière première de tous les modèles.
D’autres articles sur Horizon
- Des modèles OpenAI ont tenté de cacher leurs erreurs
- Le DeepMind Institute prépare le débat sur l’IA générale
- Relire un contrat avec Claude sans exposer vos données
Pour Microsoft et les éditeurs, la bataille se déplace
Pour les utilisateurs de Copilot et de ChatGPT, rien ne change à court terme. Les services restent en ligne, et les documents publiés ne constituent pas une décision de justice. Les extraits décrivent des pratiques et des opinions internes, dont la portée juridique reste à établir devant le tribunal.
L’impact se joue ailleurs, dans les négociations entre laboratoires et éditeurs. Chaque citation interne qui reconnaît une substitution renforce la position des médias qui réclament des licences payantes plutôt qu’un simple lien en bas de réponse.
La déposition de Satya Nadella offre aussi un argument aux autres plaignants. Si ce patron estime qu’un contenu payant doit être licencié pour l’ancrage comme pour l’entraînement, les assistants qui résument des articles derrière un paywall devront justifier la manière dont ils y accèdent.
Pour les équipes qui branchent des assistants sur leurs outils de veille, la question devient contractuelle. Savoir d’où viennent les contenus résumés, et sous quelle licence ils sont servis, entre dans la liste des vérifications au même titre que la confidentialité des données.
Côté concurrence, Microsoft et OpenAI portent seuls le poids de ces pièces, alors que tous les laboratoires ont entraîné leurs modèles sur le web ouvert. Les éditeurs de modèles qui ont signé des accords de licence avec la presse peuvent désormais les présenter comme une protection juridique autant que commerciale.
Les médias, eux, tiennent un chiffre utile dans leurs discussions : une chute de 93 % du taux de clic mesurée par Microsoft lui-même. Le chiffre reste une mesure interne, portant sur un seul éditeur et comparant Copilot à la recherche Bing classique, mais il donne un ordre de grandeur que les négociateurs de la presse n’avaient jamais obtenu de la bouche d’un géant de la tech. Le sujet de la traçabilité des contenus progresse d’ailleurs côté laboratoires, comme le montre l’ouverture aux médias de l’outil de détection du texte Claude.
Reste la défense de Microsoft et d’OpenAI, qui n’a pas encore répondu publiquement à ces extraits. Tant qu’aucun juge n’a tranché la question de l’usage loyal, les deux entreprises gardent la possibilité de replacer ces phrases dans leur contexte interne, celui d’un débat entre salariés plutôt que d’une position officielle.
Le mémo de Brent Hecht restera pourtant difficile à effacer. Trois ans après sa rédaction, sa formule devient l’un des arguments centraux de la presse contre l’industrie de l’IA générative.
Affaire à suivre sur Horizon.
