Le web public devient une négociation sur les données d'entraînement

Crawlers, réservations, licences et provenance bouleversent l’hypothèse selon laquelle une page publique est simplement là pour être prise. La question...

Le web public devient une négociation sur les données d'entraînement

The page is public. The use is not settled.

For a long time, the public web ran on a blunt but workable social bargain. A publisher made a page available. Search engines found it, indexed enough of it to send readers back, and a person arrived at the original page. There were arguments about indexing, snippets and advertising, but the route was recognisable. A page was both the unit of publication and the place where the reader met the publisher.

Training a general-purpose model changes the shape of that bargain. A crawler may still begin with a public address, but the destination is no longer necessarily a search result. The material may be copied, parsed, filtered, stored, combined with other material and used in a training process whose output is not a link back to the page. It may later help answer a question without a reader visiting the original work. The fact that a page is visible is relevant. It is not the whole answer.

This is why the public internet is becoming a training-data negotiation. Not a single negotiation held in one room, and not a drama in which one side discovers that the other exists. It is a distributed negotiation conducted through law, licences, technical signals, contracts, standards, records and, where necessary, people speaking to each other. A rightsholder can reserve a mining use. A model provider can identify a reservation and decide not to collect. The parties can agree a licence. An organisation can document the path well enough that a later question is answerable. Or they can leave the path vague and discover that vagueness is expensive once the material has travelled.

None of this makes every public page unavailable for every computational use. The European copyright framework contains text and data mining exceptions, and the conditions matter. Neither does it make a robots file into a universal copyright instrument, or a licence into a simple tick box. The useful change is more modest: training data has to be treated as a relationship with terms, history and boundaries. That is a better description of what it already was. The new part is that the relationship is becoming harder to ignore.

The European Commission's work around the AI Act gives the change an administrative shape. Providers of general-purpose AI models have copyright-policy and training-content-summary obligations. The GPAI Code of Practice presents a voluntary route for providers that choose to follow it, including commitments concerning rights reservations and robots.txt. The Commission has also consulted on protocols for expressing reservations. These are not substitutes for copyright law, nor a declaration that every technical signal has the same legal effect. They are evidence that the journey from a rightsholder's instruction to a model provider's collection system is now a policy problem in its own right.

The story does not need an invented publisher, a dramatic crawler or a fictitious court hearing. It is visible in the ordinary points where a source changes hands. Someone decides whether a URL belongs in a collection. Someone decides what a reservation means. Someone decides whether a licence is sufficiently specific for training, retrieval, evaluation or redistribution. Someone decides which version of a policy applies when a source changes. The decisions can be quiet. They are still decisions.

A crawler is no longer only a visitor

Browsers, search crawlers, archival tools, accessibility services, academic researchers, monitoring systems and model-training pipelines can all request the same page. From the publisher's server, they may initially look similar: a request arrives, a response is sent, a log line is written. But their purposes, copying patterns and downstream consequences are different. Treating every automated request as identical is convenient for infrastructure and poor for governance.

Un lecteur ordinaire ouvre un article et peut revenir un autre jour. Un robot d'exploration crée un index destiné à y ramener le lecteur. Un pipeline d'entraînement peut réaliser une copie qui est conservée, transformée et agrégée avec de nombreuses autres œuvres avant même qu'un modèle n'existe. Un système de récupération peut créer un substitut commercial plus direct à la visite. Un ensemble d'évaluation peut conserver des extraits pour tester un système. Ces étiquettes ne sont pas des classements moraux. Ce sont des descriptions d'usages qui appellent des questions différentes.

La première question est généralement celle de l'accès. Le collecteur a-t-il atteint le contenu par une voie licite ? La deuxième concerne la base juridique des actes que le système souhaite accomplir. La troisième est de savoir si le titulaire de droits a exprimé une réserve lorsque la règle applicable le permet. La quatrième est de savoir si une licence ou un contrat distinct fournit une autorisation, des conditions ou des limites. Une cinquième question, souvent posée trop tard, est d'ordre opérationnel : l'organisation peut-elle montrer ce qu'elle a vu et pourquoi elle a procédé ainsi ?

La directive (UE) 2019/790 ne traite pas l'extraction de textes et de données comme une autorisation unique et illimitée. L'article 3 prévoit une exception obligatoire pour les organismes de recherche et les institutions du patrimoine culturel qui effectuent des reproductions et des extractions à des fins de recherche scientifique, à condition d'avoir un accès licite. L'article 4 concerne l'extraction de textes et de données à d'autres fins, là encore en cas d'accès licite, sauf si le titulaire de droits a réservé les droits concernés de manière appropriée. Pour les contenus en ligne mis à la disposition du public, la directive précise que la réserve peut être exprimée par des moyens lisibles par machine, y compris les métadonnées et les conditions générales.

Cette distinction n'est pas une curiosité rédactionnelle mineure. Elle signifie qu'une page publique ne porte pas une étiquette générique unique indiquant « utilisable ». L'acteur, la finalité, la voie d'accès, la réserve du titulaire de droits et les actes particuliers comptent tous. Un système de collecte sensé a donc besoin d'un vocabulaire plus riche que « autoriser » et « bloquer ». Il doit pouvoir enregistrer les mentions suivantes : candidat, accès observé, réserve détectée, licence requise, licence accordée, finalité limitée, non résolu, refusé et retiré. Ce n'est pas de la bureaucratie pour elle-même. C'est la grammaire minimale nécessaire lorsqu'une source peut être parfaitement visible et néanmoins indisponible pour l'usage envisagé.

L'étude 2025 de l'Office de l'Union européenne pour la propriété intellectuelle sur l'IA générative et le droit d'auteur décrit ce paysage comme un espace où les réserves de droits et les licences se développent parallèlement aux solutions techniques. Sa conclusion n'est pas qu'un mécanisme de marché abouti est apparu. C'est presque l'inverse : aucune solution unique ne convient à chaque titulaire de droits, à chaque fournisseur de modèles ou à chaque type de contenu. C'est précisément pour cela qu'un système honnête doit préserver les distinctions plutôt que les effacer au nom de l'échelle.

L'échelle est souvent invoquée comme excuse pour l'imprécision. Un fournisseur de modèles peut dire qu'il ne peut pas négocier page par page. Un petit éditeur peut dire qu'il ne peut pas inspecter chaque requête automatisée. Ces deux affirmations peuvent être vraies. Elles ne suppriment pas la nécessité d'une interface fonctionnelle entre les deux. Elles expliquent pourquoi les signaux lisibles par machine, les licences standard, les enregistrements par famille de sources et les dispositifs collectifs sont intéressants. La réponse à un problème de grande ampleur n'est pas nécessairement une grande réunion. Ce peut être un moyen fiable d'énoncer une limite et un moyen fiable de la recevoir.

Une source n'est pas un tunnel vers un modèle. C'est une série de décisions qui doivent rester visibles après la collecte.

Le schéma est un parcours conceptuel, pas un moteur de décision juridique. Une carte qui semble verte n'établit pas qu'un usage est licite. Il montre les éléments de preuve et le jugement qu'une équipe doit pouvoir examiner. Cette distinction modeste a de la valeur. La plupart des confusions évitables commencent lorsqu'un fait opérationnel est pris pour une conclusion juridique, ou lorsqu'une conclusion juridique ne peut pas être retracée jusqu'aux faits opérationnels.

Les réserves exigent un langage que les machines peuvent porter

Un opt-out est souvent décrit comme un bouton : le titulaire de droits dit non, le robot d'exploration s'arrête. Le travail réel est moins cinématographique. Une réserve doit être exprimée quelque part, trouvée par un collecteur, associée à l'œuvre ou au service concerné, interprétée dans le bon contexte et conservée comme preuve. Elle peut figurer dans les métadonnées, dans les conditions générales, dans une politique publiée ou dans un protocole que le collecteur comprend. Elle peut s'appliquer à un site web, à un catalogue, à un flux, à une base de données ou à un groupe défini d'œuvres. Elle peut évoluer dans le temps.

La référence de la directive au caractère lisible par machine importe parce qu'une réserve introuvable au moment de la collecte ne peut pas modifier de manière fiable une décision de collecte. Mais lisible par machine ne signifie pas infaillible, explicite ou juridiquement complet. Un analyseur peut trouver une directive avec une valeur inconnue. Un titulaire de droits peut publier une politique qui renvoie à un contact de licence plutôt qu'à un refus catégorique. Une source peut être accessible via un abonnement avec ses propres conditions. Un système peut ne voir aucun signal reconnaissable. L'absence de signal est une observation, pas un permis général.

Il y a là une leçon assez néerlandaise. Un panneau indiquant que le pont est fermé n'est pas amélioré par un livreur qui prétend que sa carte n'a pas analysé le panneau. Pas plus que chaque pont fermé n'est une interdiction d'entrer dans la province. La question est de savoir si le panneau est lisible pour la route concernée, si la route a une alternative raisonnable, et si quelqu'un a enregistré ce qui s'est passé. Le but n'est pas de transformer le web en réseau de canaux. C'est d'empêcher une frontière de disparaître parce qu'il était gênant de la modéliser.

The Commission's consultation on protocols for reserving rights from text and data mining makes this implementation gap explicit. It refers to the GPAI Code of Practice commitment for signatories to identify and comply with appropriate machine-readable protocols used by rightsholders, alongside a commitment to respect robots.txt and subsequent IETF versions of the standard. The consultation itself is not a final protocol. It is evidence that the parties need a clearer technical language for a legal choice that has to travel through automated systems.

Robots.txt has a useful, limited role in that conversation. It is a long-standing web convention for crawler behaviour. It can convey that a publisher does not want a particular automated agent or path crawled. The GPAI Code's treatment gives it practical importance for signatories' collection systems. But robots.txt is not a universal rights register, and a crawler instruction does not settle every question of copyright, contract or database right. Confusing the layers produces two bad outcomes. One side assumes that robots.txt is the whole legal answer. The other treats it as merely optional etiquette. Neither position creates a stable relationship.

A collection system should keep the signals separate. Technical crawl instruction: what did the robots file say at the time? Rights reservation: what machine-readable or published statement did the source provide? Access condition: was the route open, authenticated, subscribed or supplied under an agreement? Licence: which rights were granted for which purpose and period? Internal policy: what did the organisation decide to do where the picture remained uncertain? The fields may be connected, but they are not interchangeable.

This separation also makes error handling more humane. A collector can report that it saw a signal it cannot interpret, rather than quietly treating the signal as irrelevant. A rightsholder can discover that its preferred marker is not supported and choose another channel. A provider can improve a parser without rewriting history. A later reviewer can see whether a source was admitted because a licence existed, because an exception was assessed, or because a policy decision was made under stated uncertainty. The alternative is one opaque field that says collected.

Licensing is not the opposite of innovation

There is a persistent habit of describing licences as friction and models as progress. It is a misleading contrast. A licence can be a restriction, but it can also be an interface: a way to say which material is available, for what use, at what price, with what attribution, reporting, exclusion or renewal condition. The quality of that interface determines whether smaller rightsholders and smaller model providers can take part at all.

The Federation of European Publishers has argued that rightsholders need transparency about data used to train AI and where it was harvested, while also recognising that publishers may use AI in their own work. That is a sector position, not neutral proof of the right legal answer in every case. It nevertheless states a practical point that model providers should take seriously: a publisher can be both a user of AI and a rightsholder whose material needs terms. The choice is not between literature and technology, or between creators and engineering. The choice is whether the exchange has a legible basis.

The Publishers Association's 2026 account of the UK publishing and AI licensing market provides a more specific view. It describes existing text and data mining licences, later AI-training licences and growing retrieval-augmented-generation licensing, and it reports work towards a collective licence with opt-in for rightsholders. The United Kingdom is outside the EU legal order, so this is not evidence of what the DSM Directive requires. It is useful evidence of a nearby European rights market attempting to make training and retrieval permissions more practical than a private negotiation between a handful of very large organisations.

Collective arrangements are worth watching because the web is not made only by companies with a legal department and an account manager. A small specialist publisher, a learned society, a regional newspaper, a photographer's archive or an independent author may have valuable material and very little capacity to negotiate bespoke terms with every potential model provider. A standard opt-in, a collective licence or a trusted intermediary cannot resolve every valuation question. It can make the first conversation possible.

Model providers also have a reason to prefer clarity. A negotiated route can supply material with an identified provenance, a defined scope and an accountable contact. It may cost money. So does cleaning a dataset, investigating a disputed source, defending a position that has no records, or replacing a source late in development. A licence does not guarantee that the material is suitable, accurate or representative. It makes a different contribution: it turns permission from an assumption into an expressed condition.

Compensation is not a magic word either. There is no single fair tariff for every work and every use. Training, retrieval, evaluation, internal analysis, model improvement and publication can create different commercial relationships. A licence might be per work, per collection, per volume, per period, per deployment, per user, per model family or negotiated on another basis. It may include an attribution duty, a reporting duty, a right to audit, a withdrawal mechanism or no continuing access at all. A useful system does not pretend these terms are universally simple. It makes them legible enough to apply.

The important shift is from a culture of extraction to a culture of terms. That does not mean every dataset becomes a procurement exercise. It means that when a rightsholder chooses to reserve, license or offer material under conditions, the model provider has an operational way to receive that choice. When a provider wants to use high-quality, current, specialised material, it has a route to ask rather than merely a route to copy. There is considerable room between indiscriminate crawling and a world in which only the largest firms can negotiate.

Provenance is the receipt, not the permission

Provenance is sometimes sold as a cure for copyright uncertainty. It is not. A source record can show where material came from and what somebody believed at a given time. It cannot make an unavailable work available. A hash can establish that two files are identical without explaining whether either was lawfully copied. A beautifully maintained ledger can document a bad decision with impressive precision.

That limitation is exactly why provenance is useful. It separates evidence from wishful thinking. If a model provider stores the source URL, the source identity, the collection time, the observed terms, the reservation evidence, the access route, the decision owner, the applicable licence or exception assessment, the dataset version and the downstream purpose, a reviewer can ask a meaningful question. If the provider stores only an extracted text fragment and a date, the reviewer is left with archaeology.

Une bonne provenance demande du temps. Une page peut changer. Un éditeur peut réviser ses conditions. Une source peut être supprimée, déplacée derrière un abonnement, vendue, corrigée ou remplacée. Une licence peut expirer. Un protocole de désinscription peut être mis à jour. Un fournisseur de modèles peut découvrir un défaut dans une décision de collecte passée. L’enregistrement ne doit pas écraser l’état antérieur avec l’état actuel. Il doit conserver l’observation précédente, identifier le changement ultérieur et consigner ce que l’organisation a fait ensuite.

C’est particulièrement important lorsqu’il est question de retrait ou de suppression. Retirer une page d’une file d’attente de crawl en direct ne revient pas à la retirer de chaque stockage intermédiaire, jeu de données dérivé, exécution de fine-tuning, ensemble d’évaluation, index de récupération et modèle publié. La réponse honnête n’est pas de promettre un effacement instantané de chaque artefact technique. Elle consiste à définir les voies, les limites et les points de contrôle avant de les promettre. Un titulaire de droits mérite un point de contact capable d’expliquer le processus. Un fournisseur de modèles a besoin d’un moyen d’identifier les artefacts concernés. Les deux ont besoin d’un enregistrement qui distingue une demande reçue d’une demande résolue.

L’article 53 de la loi sur l’IA donne à la provenance un voisin de politique publique. Il exige des fournisseurs de modèles d’IA à usage général qu’ils mettent en place une politique pour se conformer au droit d’auteur de l’Union et qu’ils rendent publiquement disponible un résumé suffisamment détaillé du contenu utilisé pour l’entraînement. Le résumé public n’a pas besoin d’exposer chaque élément d’un jeu de données, et la loi inclut des limites de confidentialité et de secret des affaires. Mais la direction est claire : un fournisseur de modèles devrait être en mesure de décrire le contenu d’entraînement d’une manière plus informative que « faites-nous confiance », tout en conservant une documentation plus complète pour les autorités compétentes et les fournisseurs en aval.

Cette répartition des publics est judicieuse. Un lecteur public doit comprendre les catégories de sources, les choix de collecte et de curation, les limitations pertinentes et les voies de contact. Un titulaire de droits avec une question concrète peut avoir besoin d’un processus capable de traiter une demande plus spécifique. Un régulateur peut avoir besoin d’une documentation qui ne peut raisonnablement pas être publiée sur une page publique. L’erreur consiste à traiter ces couches comme des excuses pour ne rien dire, ou à considérer un résumé public comme la preuve que chaque décision au niveau de la source a été réglée. La transparence est une architecture de l’information, pas un communiqué de presse.

La provenance ne fabrique pas la permission. Elle maintient la preuve, le périmètre et le changement ultérieur connectés à l’œuvre qui en a besoin.

Il y a ici une discipline utile pour les ingénieurs. Faites en sorte que l'enregistrement porte l'incertitude. Si le statut d'une source n'est pas résolu, enregistrez non résolu. Si une licence couvre l'extraction mais pas l'entraînement, ne la qualifiez pas de licence générale. Si une politique a changé après la collecte, ne laissez pas entendre que la décision antérieure a été prise sous la politique ultérieure. Un jeu de données n'est pas rendu plus fiable par la confiance de ses étiquettes. Il est rendu plus gouvernable lorsque ses étiquettes préservent ce qui est connu, inconnu et conditionnel.

La négociation doit inclure la sortie

Une grande partie du débat porte sur l'admission : le robot d'exploration peut-il collecter cette source aujourd'hui ? Mais une relation avec des données d'entraînement nécessite aussi une sortie. Une licence atteint sa date de fin. Un titulaire de droits modifie une réserve. Un éditeur découvre une erreur dans un enregistrement d'attribution. Un fournisseur modifie son plan de développement de modèles. Une source devient inappropriée parce que sa provenance ne peut pas être reconstituée. Une plainte arrive. Ce sont des événements ordinaires du cycle de vie, pas la preuve que quelqu'un s'est mal comporté.

La question importante est de savoir si le système sait quoi faire lorsqu'ils se produisent. Une politique de source devrait identifier qui reçoit un avis, qui décide de sa portée, qui peut suspendre une nouvelle utilisation, qui peut retracer les jeux de données concernés, qui communique avec le titulaire de droits, et ce que l'organisation peut et ne peut pas réellement modifier dans un artefact publié. Le flux de travail doit être suffisamment spécifique pour être testé. Dire que les préoccupations sont prises au sérieux est une phrase polie. Ce n'est pas un processus.

Les discussions européennes sur la gouvernance des modèles ont l'habitude de revenir à la documentation, car la documentation est l'endroit où un système déclare sa propre mémoire. Il en va de même ici. Un parcours de traitement des plaintes a besoin d'un identifiant. Un examen a besoin d'une décision enregistrée. Une demande de retrait a besoin d'une limite claire. Un changement de source a besoin d'un historique de versions. Une publication de modèle doit être reliée aux enregistrements d'entraînement et de curation pertinents. Sans cela, même une organisation sincère finit par s'appuyer sur la mémoire, et la mémoire ne passe pas particulièrement bien à l'échelle après quelques changements de personnel et trois migrations de stockage.

Il y a aussi une raison commerciale de construire la sortie dès le début. Un fournisseur qui peut isoler une famille de sources et comprendre ses utilisations en aval a plus d'options lorsque les conditions changent. Il peut arrêter la collecte future, retirer la famille d'un jeu de données prévu, substituer du matériel sous licence, suspendre une publication, ou expliquer pourquoi un recours demandé atteint un artefact mais pas un autre. Un fournisseur sans ces liens est contraint à des déclarations générales parce qu'il ne peut pas donner une réponse précise. Les déclarations générales satisfont rarement l'une ou l'autre des parties.

Les titulaires de droits ont aussi des responsabilités dans cette relation, bien qu'elles ne soient pas identiques à celles des fournisseurs. Une réserve publiée sous une forme claire, stable et lisible par machine est plus facile à respecter qu'une limite enfouie dans un paragraphe qu'aucun système de collecte ne peut identifier. Un contact de licence qui peut expliquer la voie disponible réduit le coût d'un accord licite. Un avis de changement qui préserve l'historique empêche qu'un collecteur raisonnable soit jugé sur des informations qui n'étaient pas disponibles à l'époque. La charge ne devrait pas être entièrement transférée aux éditeurs, en particulier aux plus petits. Il est simplement vrai qu'une interface fonctionne mieux lorsque les deux extrémités peuvent parler.

Les travaux actuels de la Commission sur les protocoles de réservation ne sont donc pas un débat obscur sur les normes. Ils concernent la capacité du web à exprimer un choix à l'échelle à laquelle les modèles collectent du matériel. De bonnes normes ne régleront pas l'évaluation, ne rendront pas chaque question juridique facile et n'élimineront pas la mauvaise foi. Elles peuvent réduire une catégorie d'ambiguïté évitable. C'est une ambition modeste, et sur le web, les ambitions modestes sont généralement celles qui survivent au contact avec la réalité.

Ce qu'un collecteur responsable devrait être en mesure de dire

Un collecteur responsable n'a pas besoin de faire apparaître un avis juridique dans chaque ligne de journal. Il doit en revanche rendre vraies plusieurs affirmations pratiques. Il doit pouvoir dire à quelle fin une collecte a servi. Il doit pouvoir identifier la source et la version qu'il a prises en compte. Il doit pouvoir montrer la voie d'accès et les signaux qu'il a observés. Il doit pouvoir identifier la règle, la licence ou la question non résolue qui a gouverné la décision. Il doit pouvoir relier une source admise à l'ensemble de données ou au système qui l'a reçue. Il doit pouvoir expliquer comment il traite les changements et les préoccupations.

Ces affirmations suggèrent une conception plutôt qu'une liste de contrôle. Commencez par un contrat de source. Le contrat nomme la famille de sources, l'usage prévu, les méthodes d'accès acceptées, les limites techniques, les signaux de droits connus, les preuves requises et un propriétaire. Ce n'est pas un contrat au sens juridique, sauf si les parties en ont fait un. C'est un contrat opérationnel au sein de l'organisation : un enregistrement de ce que le système de collecte peut faire et pourquoi.

Ensuite, gardez les points de décision proches des actions qui comptent. Ne récupérez pas d'abord et ne cherchez pas les restrictions après que le matériel a été copié à travers plusieurs files d'attente. Ne permettez pas qu'un ensemble de données passe de l'évaluation de recherche à l'entraînement de modèles commerciaux simplement parce que les octets conviennent aux deux tâches. Ne transformez pas un champ de licence en une simple valeur vraie parce que la portée réelle est gênante. Et ne traitez pas une demande d'arrêt comme un ticket de support sans lien avec l'enregistrement de la source.

Lorsqu'un collecteur ne peut pas comprendre un signal, il doit le dire. Lorsqu'un examen humain est nécessaire, le système doit rendre la pause visible. Lorsqu'une licence est disponible, les voies commerciales et techniques doivent se rencontrer : l'accord doit être représenté sous une forme qui modifie ce que le collecteur peut faire. Un PDF dans un dossier juridique n'empêche pas un pipeline de faire la mauvaise chose à trois heures du matin. Le pipeline a besoin d'un état exécutoire.

Chez Dweve, la petite partie de cet argument qui nous revient directement est visible dans le matériel sur les contenus d'entraînement de notre Trust Centre. L'enregistrement publié indique que son catalogue de familles de sources n'est pas une revendication de permission générale et que les décisions concernant l'élément, la version, la licence, l'attribution, la finalité, le retrait et les preuves sont contrôlées dans un registre Spindle. C'est une description de notre processus déclaré, et non une affirmation selon laquelle un enregistrement résout à lui seul les questions de droit d'auteur. Le rôle de Winnow dans ce tableau est l'intelligence de source et les processus de source répétables et inspectables. Le point plus large ne concerne pas nos produits. Il s'agit du fait que la collecte devient plus responsable lorsque la voie de source est traitée comme une preuve plutôt que comme un bruit de fond.

C'est le genre de travail produit qui apparaît rarement dans une démonstration de modèle. Personne n'applaudit un champ appelé observed-terms-version. Mais ces champs décident si une équipe peut répondre à une question raisonnable sans mener une fouille interne. L'avenir de la gouvernance des modèles comprendra beaucoup de mathématiques impressionnantes. Il comprendra aussi des enregistrements bien plus soignés que ce que l'industrie pensait autrefois à la mode.

Le travail est de la gouvernance, pas un réglage de robot d'exploration

Il est tentant d'en faire un différend technique. Mettez la bonne instruction dans un fichier, mettez à jour l'agent utilisateur, activez un analyseur, désactivez un analyseur. Ces choses comptent, mais elles ne sont que la partie visible d'un problème de gouvernance. Un robot d'exploration fait ce que l'organisation a décidé qu'il pouvait faire. Si l'organisation n'a pas de limite de finalité claire, pas de registre des licences, pas de propriétaire de source, pas de voie d'examen et pas de lignage des ensembles de données, l'obéissance technique sera incohérente même lorsque chaque ingénieur individuel essaie d'être prudent.

Commencez par la finalité, car elle change la question. Un fournisseur de modèles qui collecte des éléments pour une expérience de recherche étroite et divulguée ne se trouve pas nécessairement dans la même position qu’un fournisseur qui collecte des éléments pour un modèle généraliste commercial. Un fournisseur cherchant une licence pour l’extraction peut avoir besoin d’un accord différent de celui qui cherche à entraîner un modèle. Une archive d’intérêt public peut avoir un mandat et une voie juridique différents de ceux d’une équipe produit qui développe un moteur de réponses. Ces distinctions ne doivent pas servir à occulter des obligations. Elles sont la raison pour laquelle un champ de statut universel unique ne peut pas dire la vérité.

Ensuite, rendez la propriété visible. Quelqu’un doit être responsable de la politique relative aux sources. Quelqu’un doit être responsable du collecteur technique. Quelqu’un doit être responsable des conditions de licence et de la décision d’admettre une famille de sources. Quelqu’un doit être responsable de la réponse à une demande d’un titulaire de droits. La même personne n’a pas besoin d’occuper tous les rôles, et une petite équipe peut les combiner. Ce qui importe, c’est que la responsabilité soit découvrable avant qu’une question ne devienne un litige. Une boîte mail générique n’est pas tout à fait un responsable. C’est un endroit où la responsabilité peut, ou non, être finalement trouvée.

La gouvernance des données doit également rencontrer la gouvernance des modèles. Une décision relative aux sources qui reste dans un outil de collecte web alors que l’entraînement a lieu ailleurs est faible par conception. L’équipe d’entraînement doit savoir quels groupes de sources sont dans le périmètre. Le concepteur du jeu de données doit préserver les exclusions et les conditions. Le processus de publication doit savoir si un changement matériel dans la politique relative aux sources nécessite un examen. Le processus de synthèse publique doit fournir un compte rendu défendable des catégories de contenu d’entraînement. Personne n’a besoin de porter toute l’histoire dans sa tête. Le système a besoin d’une voie par laquelle l’histoire peut être récupérée.

C’est ici qu’une distinction soigneuse entre politique et application aide. Une politique en matière de droit d’auteur énonce ce que l’organisation a l’intention de faire et les normes qu’elle suivra. L’application est l’ensemble des contrôles techniques et procéduraux qui rendent une action contraire plus difficile : portes d’admission, enregistrements des sources, configuration du collecteur, contrôles d’accès, vérifications contractuelles, manifestes de jeux de données, versionnage, examen et escalade. Une politique sans application n’est qu’une aspiration. Une application sans politique peut devenir un moyen efficace d’exécuter des règles que personne n’a réfléchies. L’accent mis par l’AI Act sur une politique en matière de droit d’auteur est précieux précisément parce qu’il exige qu’un fournisseur relie l’intention juridique à sa pratique opérationnelle.

Il n’y a aucune raison pour que cela devienne une cérémonie interne secrète. Une politique publique peut énoncer le périmètre, l’approche des réserves de droits, les types de voies de collecte utilisées, la voie de contact et les limites de tout compte rendu public. Elle ne doit pas promettre une certitude là où le droit ou les éléments de preuve restent incertains. Elle doit dire ce qu’elle fait lorsqu’un signal est ambigu, ce qu’elle fait lorsqu’un titulaire de droits la contacte, et ce qu’elle peut examiner après qu’une source a déjà traversé un système. Une politique sobre est plus crédible qu’une politique grandiose. La majeure partie du travail se produit après la publication de la politique, dans la question sans gloire de savoir si l’enregistrement et le pipeline concordent.

Les achats méritent la même attention. Lorsqu’une organisation achète un modèle, un service de données ou un produit d’extraction, elle doit demander plus que la simple présence d’une déclaration sur le droit d’auteur sur le site web du fournisseur. Quelles catégories de sources ont été utilisées ? Comment les réserves de droits sont-elles traitées ? Quelle documentation est disponible pour les fournisseurs en aval ? Le fournisseur peut-il expliquer sa synthèse publique du contenu d’entraînement ? Que se passe-t-il lorsqu’une source de contenu est contestée, corrigée ou retirée ? Quelle partie est censée enquêter ? Ce ne sont pas des questions qu’un client pose pour devenir un avocat spécialisé en droit d’auteur. Ce sont des questions ordinaires sur la dépendance et les éléments de preuve.

Les réponses peuvent être incomplètes, surtout dans un domaine qui évolue rapidement. Les réponses incomplètes doivent être signalées comme telles, avec un responsable et une voie pour les améliorer. La réponse dangereuse est souvent celle qui est trop lisse : tout le contenu est public, toute formation est équitable, tous les enregistrements sont confidentiels, toutes les préoccupations sont traitées. Chaque phrase masque précisément les distinctions dont une négociation responsable a besoin. Une réponse plus utile précise le périmètre, la règle, les preuves, les limites et le prochain point de contrôle.

Les autorités publiques ont une raison particulière de poser ces questions. Elles peuvent influencer le marché par le biais des marchés publics bien avant qu'un tribunal ou un régulateur ne tranche chaque question difficile. Un appel d'offres peut exiger d'un fournisseur qu'il décrive son approche des données de formation, des réserves, des licences, de la provenance et des plaintes. Il peut exiger un registre des modifications importantes. Il peut distinguer une déclaration de politique d'une preuve de mise en œuvre. Il peut fixer des conditions proportionnées sans exiger que l'acheteur dispose d'une théorie complète de chaque question de droit d'auteur en Europe. Les marchés publics ne remplacent pas le droit. C'est l'un des endroits où le droit devient une attente opérationnelle.

C'est la leçon plus large. La négociation ne se limite pas à un éditeur et à un robot d'exploration. Elle implique également les personnes qui configurent la collecte, créent des normes, achètent des modèles, gèrent les licences, construisent des ensembles de données, publient la documentation des modèles, gèrent les voies de réclamation et décident si un modèle peut être mis sur le marché. Une relation de données de formation devient moins extractive lorsque ces personnes peuvent voir les mêmes preuves et travailler avec les mêmes limites. L'alternative n'est pas la simplicité. C'est une chaîne d'hypothèses distinctes qui finit par rencontrer un titulaire de droits au pire moment possible.

Public ne signifie pas sans propriétaire

Le web public doit rester public. Cela signifie qu'il doit rester possible de lire, de créer des liens, de citer dans le cadre de la loi, de rechercher, d'indexer, de critiquer, de préserver et de créer de nouveaux services. Un web fait de fenêtres d'autorisation pour chaque acte ordinaire ne serait pas ouvert au sens utile du terme. Mais l'ouverture n'est pas la même chose que l'absence de propriétaire, et la visibilité n'est pas un transfert de droits universel.

Les négociations qui se forment actuellement autour des données de formation sont une occasion de rendre cette distinction pratique. Un titulaire de droits doit pouvoir réserver un usage sous une forme qu'un collecteur responsable peut recevoir. Un fournisseur de modèles doit pouvoir obtenir du matériel de haute qualité par le biais de conditions qui peuvent être mises en œuvre et auditées. Les petites organisations ne doivent pas être exclues parce que seules les plus grandes parties peuvent se permettre des accords sur mesure. Les autorités publiques doivent pouvoir en savoir assez sur le contenu de la formation des modèles et la politique de droit d'auteur pour poser des questions intelligentes. Et lorsqu'un différend ou un changement survient, les deux parties doivent avoir une voie qui commence par des preuves plutôt que par du théâtre.

Il y aura toujours des cas difficiles. Le droit devra encore être interprété. Certains conflits de droits ne seront pas résolus par une norme, et certaines négociations commerciales resteront inégales. Un registre de provenance ne rendra pas un mauvais accord équitable. Un marqueur technique ne rendra pas un droit significatif si un collecteur l'ignore délibérément. L'objectif n'est pas un web sans friction. Sans friction signifie souvent que le coût de quelqu'un d'autre a été caché.

Le meilleur objectif est un web inspectable. Un web dans lequel une requête automatisée peut porter une intention déclarée, une limite publiée peut survivre au contact avec un système de collecte, une licence peut devenir une règle opérationnelle, et un fournisseur de modèles peut rendre compte du chemin qui a amené le matériel dans son travail. C'est une vision moins romantique qu'une machine lisant tout ce qui a jamais été écrit. C'est aussi plus susceptible de laisser aux éditeurs, aux créateurs, aux chercheurs et aux concepteurs de modèles un web qui vaut la peine d'être négocié.

Sources