Licences de Wikipédia pour les entreprises d'IA
La discussion sur les licences de données pour les entreprises d'IA concerne de plus en plus les organisations à but non lucratif comme Wikipédia. Jimmy Wales, cofondateur de Wikipédia, vise davantage de contrats de licence avec les entreprises d'IA, similaires au contrat existant avec Google. Ceci est une réponse à l'augmentation des coûts de serveur et de stockage causée par le scraping par les bots d'IA. La question centrale est de savoir comment trouver un équilibre équitable entre les données ouvertes et l'IA sans compromettre le principe des sources de connaissances libres.
Source: Présentation propre
Wikipédia et les licences d'IA
Wikipédia, géré par la Wikimedia Foundation, une organisation à but non lucratif, est principalement financé par des dons. Le contenu est sous Creative-Commons-Lizenz CC BY-SA 3.0 et GNU Free Documentation License, qui permettent également une utilisation commerciale dans le respect des conditions de licence. Cette ouverture rend Wikipédia attrayant pour les entreprises d'IA, car les articles sont examinés par des éditeurs, versionnés, sourcés et structurés – une base idéale pour Graphes de connaissances et données d'entraînement.
Les bots d'IA explorent selon Wales "l'ensemble de la page", , ce qui entraîne une augmentation disproportionnée des caches, de la RAM et de la bande passante. Les donateurs de Wikipédia souhaitent soutenir l'éducation libre, pas subventionner les coûts d'infrastructure de sociétés d'IA milliardaires.
Le premier grand contrat de licence est celui entre la Wikimedia Foundation et Google pour le service „Wikimedia Enterprise“. Ce service API commercial, lancé en 2021, s'adresse aux gros utilisateurs comme les moteurs de recherche et les entreprises d'IA. Alors que les utilisateurs normaux peuvent continuer à utiliser Wikipédia gratuitement, les entreprises ayant besoin de millions de requêtes, de miroirs en temps réel et d'alimentation de données personnalisées obtiennent un accès stable et contractuellement défini moyennant paiement. Google paie pour ce service , tandis que Internet Archive, en tant qu'organisation à but non lucratif, obtient un accès complet gratuit.
Cette approche déplace la création de valeur : au lieu du scraping gratuit, il existe désormais un produit adapté aux applications gourmandes en données. Parallèlement, les entreprises d'IA négocient des lots de licences avec les maisons d'édition. OpenAI a conclu des accords avec des éditeurs tels qu'Axel Springer et le Financial Times. Reddit a déclaré lors de son introduction en bourse avoir environ 203 millions de dollars USD grâce aux licences de données, , dont un contrat avec Google d'environ 60 millions de dollars par an. Wikipédia est donc confronté à la question de savoir pourquoi il devrait continuer à fournir une infrastructure gratuite pour les modèles d'IA, alors que d'autres plateformes vendent leurs données.
Source: wikimediafoundation.org
La Wikimedia Foundation développe une stratégie d'IA qui met l'humain au centre.
Aspects juridiques
La situation juridique pour l'entraînement de grands modèles linguistiques est une zone grise mondiale. . Dans l'UE, la Directive sur le droit d'auteur pour un marché unique numérique (Directive DSM) autorise l'exploration de textes et de données (TDM), à condition que les titulaires de droits n'excluent pas explicitement leurs œuvres. Le prochain EU AI Act renforce les exigences pour l'IA à usage général (« General Purpose AI ») : les fournisseurs doivent publier un résumé détaillé de leurs données d'entraînement et respecter les droits d'auteur ainsi que les signaux d'opt-out. Ceci vise la transparence, afin que les titulaires de droits puissent suivre l'utilisation de leurs contenus et, le cas échéant, négocier ou intenter une action en justice.
Aux États-Unis, le débat sur „Fair Use“. domine. Les entreprises d'IA soutiennent que l'entraînement sur des œuvres protégées par le droit d'auteur constitue une utilisation transformative, car aucune copie 1:1 n'est diffusée, mais que des modèles statistiques sont appris. Cependant, les tribunaux n'acceptent pas systématiquement cet argument. Un tribunal de Munich a statué que l'entraînement de ChatGPT sur des paroles de chansons protégées violait le droit d'auteur allemand et a condamné OpenAI à des dommages-intérêts en faveur de la GEMA. La licence des données d'entraînement LLM dépend des exceptions, des mécanismes d'opt-out, des obligations de transparence et des procédures judiciaires, ce qui pousse les plateformes comme Wikipédia vers des modèles de licence prévisibles.
Source: digitalzentrum-berlin.de
L'AI Act de l'UE établit un cadre juridique pour l'utilisation de l'intelligence artificielle et influence les modèles de licence.
Une introduction concise aux questions fondamentales de « Droit d'auteur et entraînement de l'IA » est proposée par cette discussion spécialisée en anglais.
Coûts du scraping d'IA
Pour les plateformes à but non lucratif comme Wikipédia, le scraping d'IA entraîne principalement trois blocs de coûts : infrastructure supplémentaire, contre-mesures techniques et effort de gouvernance. Le besoin de serveurs, de bande passante et de ressources de mise en cache augmente, car les bots d'IA explorent automatiquement de grandes parties ou des dumps complets du projet. Les organisations à but non lucratif doivent décider comment se défendre contre le scraping excessif. Outre les moyens classiques comme robots.txt, la Wikimedia Foundation discute de solutions spécialisées comme Cloudflare „AI Crawl Control“. . De plus, des structures de gouvernance sont nécessaires pour décider avec quelles entreprises négocier et quand un accès gratuit sape les objectifs de la communauté.
D'autres plateformes réagissent différemment : Reddit mise sur des licences de données payantes, mais est sous surveillance de la US-Federal Trade Commission pour la vente de données d'utilisateurs. Parallèlement, Reddit poursuit Anthropic pour scraping contractuel afin de protéger son modèle de licence. Pour des projets comme Wikipédia, la marge de manœuvre est plus faible. Ils peuvent proposer des modèles d'entreprise payants, mais doivent expliquer à leur communauté pourquoi certaines formes de scraping d'IA, au-delà d'un certain volume, ne sont plus considérées comme une utilisation légitime, mais comme un piège à coûts.
Jimmy Wales donne un aperçu de la tension entre culture libre et durabilité dans conférences.
Modèles pour un équilibre juste
La question centrale est de savoir à quoi ressemble un équilibre équitable entre les données ouvertes et l'IA, qui protège l'innovation et le bien public. Un modèle d'accès hiérarchisé est une approche évidente : les personnes et les petits projets utilisent librement le contenu en respectant la licence CC. Les grands acteurs commerciaux, en particulier les opérateurs de systèmes d'IA, concluent des contrats de licence avec des conditions claires concernant l'étendue, les obligations d'attribution, les droits de suppression et la responsabilité, comme le montrent Wikimedia Enterprise ou les accords des grands éditeurs avec OpenAI.
Source: user-added
Deux méduses lumineuses, l'une bleue, l'autre verte, sur fond noir avec des lignes de grille et des parenthèses.
Un deuxième élément est la signalisation technique : les titulaires de droits doivent pouvoir indiquer de manière lisible par machine si leur contenu peut être utilisé pour l'entraînement de l'IA, et les crawlers des entreprises d'IA doivent respecter ces signaux. Un troisième élément concerne les modèles de rémunération standardisés : au lieu d'accords individuels, des sociétés de gestion collective ou des accords-cadres sectoriels pourraient collecter et redistribuer des redevances de licence pour des catégories d'utilisation définies, comparables à la gestion des droits musicaux.
YouTube permet aux créateurs d'accepter explicitement que leurs vidéos soient utilisées pour l'entraînement de systèmes d'IA par des entreprises externes ; ce paramètre est désactivé par défaut. Cela suggère un avenir où les contenus ouverts ne seront plus automatiquement considérés comme des sources de matières premières gratuites pour les conglomérats d'IA, mais où les droits d'utilisation, les rémunérations et les possibilités d'opt-out seront négociés de manière transparente – y compris pour les projets à but non lucratif comme Wikipédia.
Les principes des licences Creative Commons sont expliqués dans cette vidéo explicative en allemand. Une introduction concise à la perspective européenne sur la réglementation de l'IA et le droit d'auteur est proposée par cette conférence.
Conclusion et perspectives
Wikipédia incarne l'idée d'un savoir libre, mais « accessible librement » ne signifie pas « exploitable gratuitement pour n'importe quel modèle économique ». La décision de Jimmy Wales et de la Wikimedia Foundation de rechercher davantage d'accords de licence avec les entreprises d'IA est une tentative de préserver les principes de Wikipédia dans un monde piloté par l'IA. Les contenus ouverts doivent rester ouverts, mais ceux qui les utilisent commercialement à l'échelle industrielle doivent contribuer équitablement au financement de l'infrastructure.
Le succès de cette approche dépendra de la manière dont les tribunaux, les autorités de réglementation et le public répondront à la question d'un équilibre équitable entre les données ouvertes et l'IA. Il s'agit de ne plus faire porter les coûts réels du scraping d'IA aux bénévoles et aux donateurs.