Un groupe de grands éditeurs, rejoint par un auteur bien connu, a déposé une plainte en recours collectif accusant Google de contrefaçon délibérée du droit d'auteur, affirmant que l'entreprise a utilisé leurs livres et textes protégés pour entraîner ses grands modèles de langage Gemini sans autorisation. La plainte a été déposée le 13 juillet devant l'US District Court for the Southern District of New York par Hachette Book Group, Cengage Learning et Elsevier, aux côtés de l'auteur à succès Scott Turow, et elle demande au tribunal des dommages-intérêts légaux, une injonction permanente contre toute atteinte supplémentaire, et une ordonnance enjoignant à Google de détruire toutes les copies non autorisées des oeuvres qu'elle a utilisées.

Le détail qui distingue cette affaire d'une plainte classique pour moissonnage de données, c'est l'origine que les plaignants attribuent au matériel. Plutôt que d'accuser Google seulement d'avoir extrait du texte du web ouvert, la poursuite allègue que Google a puisé dans ses propres programmes restreints et à portée limitée, précisément Google Books, Google Play et Google Scholar, pour entraîner les premières versions de Gemini. Ces programmes donnaient à Google accès à d'énormes quantités de contenus publiés selon des conditions étroites, pour la numérisation, l'indexation, l'aperçu ou la vente, et l'affirmation est que du contenu obtenu à ces fins limitées a ensuite été réaffecté pour bâtir un modèle d'IA commercial. Cela recadre le litige, qui passe de était-il équitable de moissonner internet à avez-vous utilisé ce que nous vous avons confié pour une chose afin d'en bâtir une tout autre.

La composition des plaignants a son importance. Hachette, Cengage et Elsevier couvrent l'édition grand public, éducative et académique, et Scott Turow est à la fois un romancier à succès et un ancien président de l'Authors Guild, ce qui donne à l'affaire une portée dans des recoins très différents du monde de l'édition. Elle est déposée en tant que recours collectif putatif, ce qui signifie que si le tribunal certifie le groupe, elle pourrait en venir à représenter un vaste ensemble d'auteurs et d'éditeurs plutôt que les seules parties nommées, ce qui accroît fortement l'ampleur potentielle à la fois de la responsabilité et de tout règlement éventuel.

Il vaut la peine de situer cela dans son contexte, car cela ne se produit pas de manière isolée. Une vague de poursuites pour droit d'auteur a été déposée contre les entreprises d'IA au cours des deux dernières années, et les tribunaux s'efforcent encore de trancher la question centrale au coeur de toutes ces affaires, celle de savoir si l'entraînement d'un modèle sur des oeuvres protégées relève de l'usage équitable protégé ou d'une contrefaçon qui exige autorisation et paiement. Il n'y a pas encore de réponse établie, les décisions ont pris des directions différentes, et beaucoup pourrait au bout du compte dépendre de détails comme la manière dont le matériel a été acquis et le fait que le résultat concurrence ou non l'original. L'affaire Google s'appuie fortement sur ce premier facteur, l'acquisition, ce qui contribue à la rendre notable.

L'importance de cette affaire dépasse une seule entreprise. La question de l'usage équitable est l'un des enjeux non résolus les plus lourds de conséquences dans l'IA, car la réponse détermine sur quelles données la prochaine génération de modèles pourra légalement être bâtie et ce que ces données coûteront. Cette poursuite pose la question directement à Google et ajoute un pli embarrassant, à savoir que les mêmes programmes qui ont fait de Google un gardien de confiance des livres du monde, sous des promesses précises envers les titulaires de droits, sont maintenant présentés comme la source de ses données d'entraînement. Il s'agit d'allégations, non de faits avérés, et les litiges de ce genre ont tendance à s'étirer sur des années ou à se régler discrètement, mais c'est un autre signal clair que l'heure des comptes sur les droits relatifs aux données dans l'IA arrive pour de bon, et que les entreprises dotées de l'accès le plus profond aux contenus pourraient porter le risque juridique le plus profond.