Ces documents internes descellés montrent ce que Microsoft pensait vraiment de l’entraînement des IA
Le procès qui oppose le New York Times à OpenAI et Microsoft vient de livrer des documents internes jusqu’ici caviardés. Les échanges cités montrent que les deux entreprises mesuraient déjà les dégâts causés à la presse par leurs outils d’IA. Un responsable du géant de Redmond y emploie un terme particulièrement brutal.
Depuis trois ans, les éditeurs de presse attaquent en justice les entreprises d’intelligence artificielle. Ils leur reprochent d’avoir aspiré leurs articles pour entraîner des modèles concurrents des journaux. Jusqu’ici, les juges leur ont rarement donné raison. En parallèle, plusieurs grands sites d’information américains ont vu leur trafic s’effondrer depuis la généralisation des résumés IA de Google. La bataille se joue sur deux fronts.
Jeudi, la justice américaine a levé le caviardage d’un mémoire déposé par le New York Times contre OpenAI et Microsoft. Ouverte fin 2023, la procédure porte sur l’utilisation de millions d’articles du quotidien. D’autres dossiers visent les mêmes pratiques, et des écrivains américains reprochent à l’entreprise d’avoir entraîné ChatGPT à partir de livres piratés. Ce texte cite des échanges internes.
Un responsable de Microsoft a qualifié la collecte de contenus pour l’IA de plus grand vol de travail de l’histoire
Brent Hecht, directeur des sciences appliquées chez Microsoft, y signe une note datée de janvier 2023. Selon le Washington Post, ce cadre qualifie la collecte massive de contenus protégés de plus grand vol de travail de l’histoire de l’humanité. Il ajoute qu’une telle démarche tournerait en dérision la notion d’usage loyal. Ces éléments proviennent du mémoire des avocats, car les pièces justificatives restent scellées.
Une seconde présentation mesure les dégâts causés par le moteur de réponses Copilot. Sur le domaine du New York Times, le taux de clic chute jusqu’à 93 % face à une recherche classique sur Bing. Elle décrit une spirale capable d’abîmer les modèles maison et le web entier. Satya Nadella a ensuite déclaré sous serment que tout contenu payant devrait faire l’objet d’une licence. Le patron de Microsoft aurait exigé un réentraînement s’il avait su.
Vient ensuite l’ampleur de la copie. Les jeux de données intermédiaires d’OpenAI contiendraient plus de 91 000 exemplaires d’articles du quotidien, et un corpus tiré de Common Crawl rassemblerait deux millions de pages de son site. Certains salariés auraient trouvé une astuce pour franchir les barrières payantes sans se faire repérer. Quant aux mentions de copyright, elles se seraient volatilisées avant l’entraînement. Début septembre, le gouvernement américain a pourtant pris position en faveur de la start-up californienne.
