Anthropic : l’accord copyright à 1,5 Md$ est validé

Anthropic devra finalement verser 1,5 milliard de dollars pour mettre fin à un contentieux massif lié à l’utilisation présumée de livres protégés par le droit d’auteur. Comme l’a rapporté TechCrunch, un juge fédéral américain a donné son approbation finale à ce règlement conclu entre la société à l’origine de l’assistant Claude et un groupe d’auteurs. L’accord constitue l’un des épisodes les plus coûteux, et sans doute les plus structurants, de la bataille judiciaire autour des données d’entraînement de l’intelligence artificielle générative.

Le chiffre impressionne par son ampleur, mais il ne doit pas masquer la limite essentielle de cette décision : le règlement évite précisément un jugement au fond sur la question la plus disputée par l’industrie. Les tribunaux américains n’ont pas, à cette occasion, fixé de règle générale disant dans quelles circonstances l’entraînement d’un modèle d’IA sur des œuvres protégées relève, ou non, du fair use, l’exception américaine au droit d’auteur fondée notamment sur le caractère transformateur d’un usage.

Ce qui est approuvé est donc un compromis financier, et non une doctrine juridique complète applicable à toute l’IA générative. Mais cette nuance ne réduit pas la portée de l’affaire. En acceptant de payer 1,5 milliard de dollars, Anthropic envoie un signal considérable au marché : la provenance des corpus n’est plus seulement une question de réputation, de conformité ou de négociation commerciale avec les éditeurs. Elle peut devenir un risque financier capable de peser directement sur la stratégie, le financement, les audits et la capacité à lancer de nouveaux modèles.

Un règlement historique dans la guerre des données d’entraînement

L’affaire s’inscrit dans une vague de plaintes lancées aux États-Unis par des auteurs, artistes visuels, groupes de presse, labels musicaux et détenteurs de droits contre les entreprises développant des systèmes d’IA générative. Depuis l’explosion publique de ChatGPT à la fin de 2022 et l’accélération des modèles concurrents, la question de l’entraînement s’est imposée comme l’un des principaux fronts juridiques du secteur : quelles données ont été utilisées, comment ont-elles été obtenues, quels droits couvrent leur exploitation, et dans quelle mesure un modèle entraîné sur des œuvres peut-il être regardé comme un nouvel usage plutôt qu’une reproduction illicite ?

Anthropic, fondée en 2021 par d’anciens membres d’OpenAI, fait partie des acteurs devenus centraux dans cette compétition. Son assistant Claude est présenté comme un concurrent des produits d’OpenAI, de Google, de Microsoft, de Meta ou encore de xAI. L’entreprise s’est également distinguée par son discours sur la sûreté des systèmes, notamment autour de son approche dite d’« IA constitutionnelle ». Mais son développement dépend, comme celui de ses rivaux, de quantités très importantes de textes et d’autres contenus permettant d’entraîner des modèles de langage.

Le recours visait Anthropic pour l’usage présumé d’ouvrages piratés dans ses opérations d’entraînement. Les plaignants soutenaient que des livres protégés avaient été récupérés via des bibliothèques numériques pirates, dont Library Genesis, souvent appelée LibGen, et Pirate Library Mirror. Ces ensembles de fichiers ont longtemps circulé sur internet et contiennent un très grand nombre de livres accessibles sans l’autorisation de leurs auteurs ou éditeurs.

Le conflit a pris une dimension particulière parce qu’il ne concernait pas simplement l’analyse automatisée de livres obtenus légalement. La provenance des copies se trouvait au cœur de la procédure. Pour les auteurs, le fait de constituer ou de conserver une bibliothèque à partir de fichiers piratés ne pouvait pas être neutralisé par l’objectif technologique ultérieur. Pour Anthropic, la question du fair use devait être appréciée au regard de l’entraînement lui-même et de la nature transformante alléguée de cette opération.

Avant le règlement, le juge fédéral William Alsup avait rendu une décision importante dans le dossier. Il avait estimé que l’entraînement de modèles à partir de livres acquis légalement pouvait relever du fair use, en considérant cet usage comme hautement transformateur. Ce volet de la décision a été très suivi par l’industrie, car il offrait un argument solide aux entreprises affirmant que l’apprentissage statistique d’un modèle ne correspond pas à une simple réédition ou à une mise à disposition des œuvres d’origine.

Mais le juge avait aussi séparé ce raisonnement de la question des copies obtenues par piratage. Selon cette distinction, le caractère potentiellement transformateur de l’entraînement ne réglait pas automatiquement le problème posé par l’acquisition et la conservation de milliers de livres issus de sources illicites. Ce point devait encore être examiné dans la suite du contentieux. C’est dans ce contexte qu’Anthropic et les auteurs ont conclu leur accord.

TechCrunch qualifie le règlement de décision majeure, à juste titre. Le montant de 1,5 milliard de dollars dépasse très largement les accords habituellement associés aux litiges individuels de droit d’auteur dans l’économie numérique. Il reflète le volume potentiel d’œuvres concernées, mais aussi le risque considérable auquel l’entreprise aurait été exposée si le dossier avait abouti à un procès sur les copies piratées et sur les dommages éventuels.

Ce que valide précisément le juge américain

L’approbation finale par le tribunal rend le règlement effectif dans le cadre de l’action collective engagée par les auteurs. Les titulaires de droits concernés peuvent ainsi être indemnisés selon les modalités prévues par l’accord, plutôt que de devoir attendre l’issue d’un procès long, incertain et potentiellement suivi d’appels. Pour Anthropic, l’accord met fin à ce litige précis et réduit une incertitude judiciaire dont le coût pouvait devenir difficile à anticiper.

Le règlement a été présenté comme couvrant un volume considérable de livres. Les informations rendues publiques au cours de la procédure ont fait état d’environ un demi-million d’ouvrages susceptibles d’entrer dans son périmètre. La somme de 1,5 milliard de dollars correspond ainsi à une indemnisation qui peut atteindre environ 3 000 dollars par œuvre concernée, sous réserve des règles précises de répartition et d’éligibilité prévues dans l’accord.

Cette mécanique mérite d’être relevée. Dans les contentieux de droit d’auteur, l’enjeu ne se résume pas au préjudice économique immédiatement mesurable, par exemple des ventes perdues. Aux États-Unis, les dommages statutaires peuvent être élevés lorsque l’atteinte est considérée comme volontaire. Les entreprises de l’IA ont donc un intérêt majeur à éviter qu’un tribunal ne chiffre, œuvre par œuvre, les conséquences d’un recours à des copies illicites. Le règlement permet à Anthropic de fixer une enveloppe globale, même si son montant est exceptionnel.

L’approbation ne signifie toutefois pas que le juge a conclu que toutes les accusations avaient été démontrées au terme d’un procès. Un règlement est, par nature, une transaction : il permet aux parties de clore un différend sans obtenir de verdict détaillé sur l’ensemble des griefs. Anthropic ne reçoit pas, en échange de son paiement, une validation juridique générale de ses pratiques passées. Les auteurs ne disposent pas non plus d’une décision établissant, point par point, la responsabilité de l’entreprise pour toutes les œuvres incluses.

La différence est fondamentale pour la lecture du précédent. Le dossier crée un précédent financier et stratégique, mais il ne crée pas à lui seul une jurisprudence exhaustive sur l’entraînement des grands modèles de langage. Les tribunaux américains devront encore répondre à plusieurs interrogations distinctes : le statut de copies légalement acquises ; le rôle de la transformation opérée par l’entraînement ; les éventuelles sorties reproduisant des passages protégés ; l’effet sur le marché des œuvres originales ; ou encore la responsabilité liée à la constitution de jeux de données.

Dans la décision antérieure du juge Alsup, la distinction entre l’entraînement à partir de livres acquis légalement et l’usage de bibliothèques piratées était déjà explicite. Le règlement n’efface pas cette distinction. Au contraire, il en souligne l’importance pratique. Pour un laboratoire, la ligne de défense la plus robuste ne consiste plus seulement à expliquer que le modèle transforme les textes en paramètres statistiques. Elle suppose aussi de pouvoir démontrer l’origine des données, les droits détenus, les contrats conclus, les mécanismes d’exclusion et la traçabilité des corpus.

Cette exigence de traçabilité se heurte à la réalité historique de l’IA générative. Pendant longtemps, l’avantage compétitif a été associé à la taille des corpus et à la rapidité de collecte. Les données disponibles sur le web, les archives numérisées et les vastes bibliothèques de textes ont été perçues comme une matière première abondante. Or, le règlement Anthropic rappelle qu’une matière première techniquement accessible n’est pas nécessairement juridiquement exploitable sans risque.

Le fair use reste au centre du débat, sans être tranché par l’accord

Le fair use est souvent présenté comme une réponse simple à la question de l’entraînement des IA, alors qu’il s’agit en réalité d’une analyse juridique au cas par cas. Le droit américain examine traditionnellement plusieurs facteurs, parmi lesquels l’objectif et le caractère de l’usage, la nature de l’œuvre protégée, la quantité utilisée et l’effet sur le marché potentiel de l’œuvre. L’essor de l’IA générative met ces critères sous une pression inédite, car les systèmes nécessitent souvent l’absorption d’ensembles gigantesques d’œuvres, y compris des œuvres créatives entières.

Les entreprises technologiques mettent en avant le caractère transformateur de l’entraînement. Leur argument est qu’un modèle ne conserve pas une bibliothèque consultable de la même manière qu’un service de téléchargement ou qu’un moteur de recherche. Il apprend des relations statistiques dans les données afin de générer de nouvelles réponses. Dans cette lecture, l’objectif serait différent de celui d’un lecteur souhaitant accéder au texte d’un roman ou d’un ouvrage d’essai.

Les auteurs et détenteurs de droits opposent un raisonnement différent. Pour eux, l’échelle de la collecte, l’exploitation commerciale des modèles et l’existence d’un marché potentiel pour les licences doivent être prises en compte. Ils soulignent également que les systèmes génératifs peuvent concurrencer certaines formes de création, de rédaction, d’illustration, de traduction ou de synthèse, tout en ayant été développés grâce à des œuvres qui n’ont pas été autorisées ni rémunérées.

Le dossier Anthropic a mis ces tensions en évidence, mais son règlement ne les résout pas pour l’ensemble du secteur. La décision antérieure favorable à Anthropic sur les livres légalement acquis est importante, car elle suggère qu’un tribunal peut considérer l’entraînement comme transformateur. Toutefois, elle ne vaut pas permission générale d’utiliser toute œuvre disponible. D’une part, elle est liée aux faits de l’affaire. D’autre part, d’autres juridictions américaines peuvent apprécier différemment les circonstances, notamment selon le type de contenu, les conditions d’accès aux données, les capacités du modèle ou son effet sur les marchés.

Il faut également distinguer plusieurs étapes parfois confondues dans le débat public. La première est l’acquisition : une entreprise a-t-elle obtenu une copie de manière licite ? La deuxième est la reproduction technique, car l’entraînement implique souvent de copier, nettoyer, convertir et stocker les contenus. La troisième est l’entraînement proprement dit. La quatrième est la sortie du système : celui-ci peut-il reproduire des passages protégés ou offrir une alternative au contenu original ? Enfin, il y a la commercialisation du produit, ses abonnements, ses API et ses usages en entreprise.

Un accord transactionnel peut résoudre certains risques associés à une étape donnée sans clarifier toutes les autres. C’est exactement ce qui rend le cas Anthropic si important : il montre qu’un acteur peut avoir des arguments sérieux sur le caractère transformateur de l’entraînement, tout en restant exposé à une facture considérable sur la provenance des copies utilisées.

Cette situation diffère aussi des débats concernant les contenus directement mis en ligne par les éditeurs, les médias ou les créateurs. Dans ces cas, l’accès public à une page web ne signifie pas nécessairement que l’extraction massive de son contenu pour entraîner un modèle est autorisée. De même, l’existence de conditions d’utilisation, de fichiers d’exclusion ou de restrictions contractuelles peut avoir une importance distincte du droit d’auteur lui-même. Le règlement approuvé dans l’affaire Anthropic ne tranche pas non plus ces sujets.

Pour les laboratoires, le message juridique est donc double. La thèse du fair use conserve une place dans leur stratégie de défense, notamment pour les données licitement obtenues. Mais elle ne peut plus être envisagée comme une solution universelle permettant d’ignorer l’historique de la chaîne d’approvisionnement des données. Plus la valeur économique d’un modèle augmente, plus les conditions de constitution de son corpus deviennent susceptibles d’être examinées avec précision.

Un signal financier pour Anthropic et ses concurrents

Le règlement représente un coût très élevé, mais sa portée se mesure aussi dans ce qu’il indique aux autres acteurs de l’IA. Les modèles de pointe exigent des investissements considérables en puissance de calcul, en centres de données, en énergie, en recherche et en recrutement. À cette équation économique s’ajoute désormais de manière plus visible le coût potentiel des données : licences, contrôles de provenance, contentieux, assurances, provisions et négociations avec les titulaires de droits.

Pour Anthropic, l’affaire intervient alors que l’entreprise est devenue l’un des principaux groupes privés de l’IA générative. Amazon et Google ont investi dans la société, tandis que ses modèles Claude sont utilisés à travers des produits destinés au grand public et aux entreprises. Dans un tel contexte, un règlement de 1,5 milliard de dollars est à la fois une charge exceptionnelle et une démonstration de la maturité du risque : les litiges relatifs aux contenus ne sont plus périphériques par rapport à la compétition technologique.

Les concurrents observent nécessairement cette décision. OpenAI fait face à plusieurs actions en justice liées aux données d’entraînement, notamment de la part d’auteurs et de médias. Meta a également été visée par des plaintes portant sur l’utilisation de livres et d’autres contenus. Google, Microsoft, Stability AI, Midjourney et d’autres entreprises du secteur ont connu des contestations similaires, selon des configurations juridiques différentes. Chaque dossier dépend de ses propres faits, des œuvres concernées et du tribunal saisi ; il serait donc imprudent de traiter le règlement Anthropic comme un barème automatique applicable à toutes les procédures.

Mais le montant agit comme un point de référence. Lorsqu’un laboratoire évalue le coût d’une licence, il ne peut plus seulement comparer cette dépense à une hypothétique économie de collecte. Il doit aussi considérer le risque d’un contentieux collectif, l’incertitude des dommages, la perte de temps des dirigeants, les restrictions potentiellement imposées par les tribunaux et l’impact sur la relation avec les clients professionnels.

La question est particulièrement sensible pour les entreprises qui vendent des outils d’IA à de grandes organisations. Les banques, assureurs, groupes de santé, administrations, cabinets juridiques et éditeurs veulent savoir d’où viennent les données utilisées par les systèmes qu’ils déploient. Leur propre exposition réglementaire ou réputationnelle peut dépendre des garanties offertes par leurs fournisseurs. Une entreprise cliente ne maîtrise pas forcément le corpus d’entraînement d’un modèle généraliste, mais elle peut demander des engagements contractuels, des mécanismes d’indemnisation ou des offres utilisant des données sous licence.

Le règlement peut ainsi accélérer une segmentation du marché. D’un côté, certains modèles généralistes chercheront à défendre la légalité de corpus très vastes, en s’appuyant sur le fair use et sur les décisions favorables obtenues dans certains dossiers. De l’autre, les offres à destination des entreprises les plus sensibles pourraient davantage mettre en avant des données contrôlées, des partenariats avec les éditeurs, des corpus propriétaires ou des mécanismes d’entraînement sur les données internes des clients.

Cette évolution ne signifie pas que la licence deviendra la seule voie possible pour l’IA. Les litiges en cours aux États-Unis continueront à déterminer l’étendue du fair use. En revanche, l’accord Anthropic rend plus difficile l’idée selon laquelle l’accès à une immense réserve de contenus, même collectés sans autorisation, peut être traité comme un détail technique réglable après coup.

Le précédent concerne aussi les investisseurs. Jusqu’ici, les valorisations des laboratoires d’IA ont souvent reposé sur leurs performances de modèles, leur accès au calcul, leur croissance commerciale et leur capacité à attirer des partenaires. La dette juridique implicite des jeux de données peut désormais apparaître plus clairement dans les diligences préalables. Une entreprise qui ne peut pas expliquer avec précision l’origine de certains corpus peut représenter un risque dont l’ampleur dépasse largement les frais juridiques ordinaires.

Des implications directes pour l’Europe et le marché francophone

Le règlement Anthropic est américain et repose sur le droit américain. Il ne peut donc pas être transposé mécaniquement en France ou dans l’Union européenne. La notion de fair use n’existe pas dans le droit français sous la même forme. Le cadre européen repose sur des exceptions au droit d’auteur plus définies, parmi lesquelles les exceptions de fouille de textes et de données, souvent désignées par l’expression anglaise text and data mining, ou TDM.

La directive européenne sur le droit d’auteur dans le marché unique numérique a introduit deux mécanismes importants. L’un bénéficie aux organismes de recherche et aux institutions du patrimoine culturel, sous certaines conditions. L’autre permet la fouille de textes et de données pour d’autres acteurs, y compris commerciaux, à condition que les contenus soient accessibles légalement et que les titulaires de droits n’aient pas expressément réservé leurs droits.

Cette architecture européenne rend la provenance des données particulièrement importante. L’accès légal au contenu est une condition centrale. Les réserves de droits formulées par les ayants droit peuvent également limiter l’usage au titre de l’exception commerciale. En France, les éditeurs, agences de presse, médias et sociétés de gestion collective suivent donc avec attention les mécanismes techniques et contractuels par lesquels les développeurs d’IA collectent des contenus en ligne.

Le dossier américain ne répond pas à toutes les questions européennes, mais il renforce une idée déjà présente dans les débats à Bruxelles et à Paris : l’IA générative devra composer avec des obligations de transparence et avec les intérêts économiques des créateurs. Le règlement européen sur l’intelligence artificielle, l’AI Act, prévoit notamment des obligations spécifiques pour les fournisseurs de modèles d’IA à usage général, parmi lesquelles l’élaboration d’une politique de respect du droit d’auteur de l’Union et la publication d’un résumé suffisamment détaillé du contenu utilisé pour l’entraînement.

Ces obligations ne créent pas automatiquement une licence obligatoire pour tous les contenus. Elles ne disent pas non plus qu’un fournisseur doit révéler publiquement chaque fichier intégré à son corpus. Mais elles renforcent la pression en faveur d’une gouvernance documentée des données. À la lumière du règlement Anthropic, la logique devient plus tangible : la transparence n’est pas seulement un débat éthique. Elle peut déterminer la capacité d’une entreprise à démontrer qu’elle a respecté les droits applicables.

Pour les acteurs francophones, les conséquences sont multiples. Les éditeurs de livres, les groupes de presse, les producteurs audiovisuels, les plateformes culturelles et les créateurs indépendants peuvent considérer ce précédent comme un argument supplémentaire en faveur de négociations de licence. Les jeunes pousses françaises et européennes, elles, doivent intégrer très tôt la question de la chaîne de droits dans leurs choix de données, y compris lorsqu’elles construisent des modèles spécialisés plutôt que des modèles généralistes de très grande taille.

Cette contrainte peut paraître plus lourde pour les acteurs locaux disposant de moins de moyens que les géants américains. Pourtant, elle peut aussi devenir un facteur de différenciation. Un modèle spécialisé sur des corpus français, juridiques, médicaux, scientifiques ou industriels, obtenus dans un cadre contractuel clair, peut répondre à la demande d’organisations qui privilégient la conformité et la souveraineté des données plutôt que la seule taille du modèle.

La France dispose par ailleurs d’un écosystème éditorial et culturel dense, dans lequel les droits d’auteur occupent une place économique et politique importante. Les négociations entre développeurs d’IA et détenteurs de catalogues pourraient donc devenir un enjeu industriel aussi bien qu’un enjeu juridique. Le cas Anthropic ne fixe pas le prix d’une œuvre, ni le prix d’une licence pour l’entraînement. Il rappelle toutefois qu’ignorer cette négociation peut avoir un coût autrement plus élevé qu’anticipé.

Vers une nouvelle économie des corpus, entre licences, audits et jurisprudence

La prochaine étape se jouera moins dans l’annonce spectaculaire du règlement que dans les changements opérationnels qu’il encouragera. Les laboratoires devront mieux distinguer les données issues du domaine public, les contenus sous licences ouvertes, les données accessibles avec l’autorisation des titulaires, les données couvertes par des contrats, les données soumises à une réserve de droits et les ensembles dont la provenance reste incertaine.

Cette cartographie n’est pas triviale. Les corpus d’entraînement ont souvent été constitués au fil des années, à partir de sources multiples, avec des copies intermédiaires, des opérations de déduplication, des conversions de formats et des fournisseurs tiers. Pour les modèles déjà entraînés, retracer l’ensemble de la chaîne peut être particulièrement complexe. Or, le cas Anthropic suggère que l’absence de documentation n’est plus un simple défaut de gouvernance : elle peut devenir le point faible d’une défense devant les tribunaux ou dans une négociation collective.

Les accords de licence pourraient prendre des formes variées. Certains peuvent porter sur des catalogues entiers, d’autres sur des usages limités, des fenêtres temporelles, des contenus réservés à la recherche ou des modèles spécifiques. Les éditeurs peuvent souhaiter des mécanismes de rémunération fixes, des paiements indexés sur l’usage, des obligations de transparence ou des garanties contre la reproduction de passages substantiels. Les développeurs, de leur côté, chercheront à maintenir la possibilité d’entraîner des systèmes performants sans rendre leur structure de coûts insoutenable.

Le règlement Anthropic ne garantit pas que ce marché des licences se développera de façon uniforme. Les titulaires de droits n’ont pas tous la même capacité de négociation, les œuvres n’ont pas la même valeur pour les modèles et les usages ne se ressemblent pas. Des auteurs individuels, des petits éditeurs et des médias régionaux pourraient avoir plus de difficultés à conclure des accords directs avec les grands laboratoires. C’est l’une des raisons pour lesquelles les actions collectives et les organismes de gestion de droits continueront probablement à jouer un rôle important.

La jurisprudence américaine restera également décisive. D’autres affaires devront préciser le rapport entre l’entraînement et le fair use, en particulier lorsque les données n’ont pas été obtenues auprès de sources manifestement pirates. Les tribunaux examineront aussi les situations où les outils génératifs produisent des contenus trop proches d’œuvres identifiables, ainsi que les effets de ces systèmes sur les marchés de licence existants ou émergents.

Pour Anthropic, le paiement de 1,5 milliard de dollars ferme un chapitre particulièrement lourd, mais il ne met pas fin au débat global sur Claude, sur les grands modèles de langage ou sur les responsabilités des entreprises qui les développent. Pour les autres laboratoires, l’enseignement est plus large : le droit des données d’entraînement devient une composante durable de la compétition technologique.

À long terme, la question ne sera probablement pas de choisir entre une IA entraînée sur tout le web et une IA entraînée uniquement sur des contenus sous licence. Le marché devrait plutôt se structurer autour d’un mélange de données publiques, de données autorisées, de contenus sous contrats et de défenses juridiques variables selon les usages. L’approbation du règlement Anthropic ne donne pas de réponse définitive au fair use, mais elle rend une chose beaucoup plus claire : dans l’économie de l’IA générative, l’origine des données est appelée à compter autant que leur volume.