Claude et le million de livres sacrifiés : comment l'IA a englouti notre patrimoine

Vous vous souvenez de ce mois de novembre 2022, tranquille, quand le monde ignorait encore ce qu'était une hallucination de réseau de neurones ? Ce jour-là, OpenAI n'a pas seulement lancé un produit : elle a tiré le coup de pistolet du départ. Au bruit de la détonation, tous les géants de la Silicon Valley ont abandonné leurs confortables métavers pour se mettre à courir.

Dans cette course, Claude, développé par Anthropic, s'est imposé comme l'un des principaux prétendants à la couronne. Mais derrière la façade lisse d'une IA polie et sûre se cache un cimetière de millions de livres que personne n'a autorisé à utiliser. Soyons honnêtes : Claude n'existe sous sa forme actuelle que parce que l'industrie a choisi d'ignorer les convenances au nom de la vitesse.

L'industrie de l'IA rappelle aujourd'hui l'époque du capitalisme sauvage, à ceci près que les filons d'or ont cédé la place aux masses de données. Dès qu'il est apparu que ChatGPT n'était pas un simple jouet mais le socle d'une nouvelle économie, l'éthique a été reléguée au dixième plan. Pour apprendre à un modèle à raisonner, les textes de Reddit ou de Wikipédia ne suffisent pas.

Il lui faut des structures complexes, un vocabulaire riche et des contextes profonds, que l'on ne trouve que dans une littérature de qualité. C'est ainsi que des millions de livres protégés par le droit d'auteur sont devenus un « jeu d'entraînement », sans le consentement de leurs créateurs. Vous ne pensiez tout de même pas que les réseaux de neurones apprenaient avec des contes pour enfants tombés dans le domaine public ?

Anthropic se présente souvent comme le « gentil » de l'IA, en mettant l'accent sur la sécurité et l'éthique. Ironie du sort, même les modèles les plus « sûrs » reposent sur un socle de contenus douteux. Des jeux de données comme Books3, qui regroupent des centaines de milliers de titres issus de bibliothèques clandestines, ont servi d'ingrédient secret : ils ont permis à Claude de rattraper, et parfois de dépasser, les travaux de Sam Altman. Pour les grands groupes, le calcul était simple : soit on exploite tout ce qui traîne, soit un concurrent le fera en premier et raflera le marché. Dans cette logique, les livres ne sont que du charbon pour la chaudière du progrès.

Pourquoi est-ce important maintenant ? Nous approchons du moment où les données « humaines » viennent tout simplement à manquer. Les réseaux de neurones ont déjà lu presque tout ce que nous avons écrit au cours des derniers siècles. Et les auteurs, des romanciers aux rédacteurs techniques, découvrent que des années de travail ont servi de carburant gratuit à des systèmes qui pourraient, demain, les remplacer. Il ne s'agit pas seulement d'un vol de contenu, mais d'un basculement fondamental dans notre conception de la propriété intellectuelle. Hier, vous achetiez un livre pour le lire ; aujourd'hui, les entreprises s'en emparent pour apprendre à une machine à imiter votre style et votre façon de penser.

Les plaintes déposées par des auteurs comme Sarah Silverman ou George R. R. Martin ne sont que la partie émergée de l'iceberg. Le problème, c'est que la machine judiciaire est lente, alors que l'industrie de l'IA avance à la vitesse de la lumière. Pendant que les tribunaux mettront des années à déterminer si l'entraînement d'un réseau de neurones relève du « fair use », les modèles seront déjà entraînés, les poids sauvegardés et les milliards de dollars d'investissement dépensés. Anthropic et les autres ont parié que l'on ne juge pas les vainqueurs. Ou, à tout le moins, que les amendes pour violation du droit d'auteur ne seront qu'une goutte d'eau face à leur future capitalisation.

Au bout du compte, nous voilà face à une étrange symbiose. Si Claude peut analyser pour vous un document juridique complexe ou rédiger un essai à la manière de Proust, c'est précisément parce qu'il a « avalé » sans demander la permission des milliers de textes de ce genre. Nous avons obtenu un outil extraordinaire, mais son prix, c'est la dévalorisation du travail humain en tant que tel. Les livres n'ont pas seulement servi de base : ils ont été réduits en hachis numérique, avec lequel on a façonné de nouvelles interfaces faciles à consommer. Et il nous faut désormais vivre avec, en profitant des fruits de cette expropriation intellectuelle.

L'essentiel : Anthropic et OpenAI ont bâti leurs empires sur des données qui ne leur appartenaient pas, et il n'y a plus de retour en arrière possible. L'industrie pourra-t-elle survivre s'il lui faut finalement payer l'addition pour chaque livre « lu » ?