Au début de 2024, les dirigeants de la startup d'intelligence artificielle Anthropic ont lancé un projet ambitieux qu'ils souhaitaient garder secret. « Le Projet Panama est notre effort pour numériser de manière destructive tous les livres du monde », disait un document de planification interne révélé dans des documents juridiques la semaine dernière. « Nous ne voulons pas que cela se sache que nous travaillons là-dessus ».
En environ un an, selon les documents soumis, l'entreprise avait dépensé des dizaines de millions de dollars pour acquérir et couper les dos de millions de livres avant de numériser leurs pages pour alimenter davantage les modèles d'intelligence artificielle derrière des produits comme son populaire chatbot Claude.
Les détails du Projet Panama, qui n'avaient pas été divulgués auparavant, ont émergé dans plus de 4 000 pages de documents dans une poursuite pour violation de droits d'auteur intentée par des auteurs de livres contre Anthropic, une entreprise évaluée par les investisseurs à 183 milliards de dollars. L'entreprise a accepté de payer 1,5 milliard de dollars pour régler l'affaire en août, mais la décision d'un juge de district la semaine dernière de révéler une série de documents du dossier a révélé plus en détail l'appétit fervent de Anthropic pour les livres.
Les nouveaux documents, ainsi que des présentations antérieures dans d'autres affaires de droits d'auteur contre des entreprises d'IA, montrent jusqu'où des entreprises technologiques comme Anthropic, Meta, Google et OpenAI ont été prêtes à aller pour obtenir d'énormes quantités de données pour "entraîner" leur logiciel.
L'affaire Anthropic faisait partie d'une vague de poursuites intentées contre des entreprises d'intelligence artificielle par des auteurs, des artistes, des photographes et des médias. Les documents présentés dans les affaires montrent que les principales entreprises technologiques sont dans une course frénétique, parfois secrète, pour acquérir les œuvres récoltées de l'humanité.
Les livres étaient considérés comme un prix crucial par les entreprises, selon les archives judiciaires. Dans un document de janvier 2023, un cofondateur de Anthropic a théorisé que former des modèles d'IA avec des livres pourrait leur enseigner à bien écrire plutôt qu'à imiter le langage de faible qualité d'internet. Un courriel de 2024 au sein de Meta décrivait l'accès à un trésor numérique de livres comme essentiel pour rivaliser avec ses concurrents en IA.
Cependant, les archives judiciaires suggèrent que les entreprises n'ont pas jugé pratique d'obtenir l'autorisation directe des éditeurs et des auteurs pour utiliser leur œuvre. Au lieu de cela, Anthropic, Meta et d'autres entreprises ont trouvé des moyens d'acquérir des livres en gros sans que les auteurs en aient connaissance, selon les documents judiciaires, y compris en téléchargeant des copies piratées.
À plusieurs reprises, des employés de Meta ont exprimé leurs préoccupations dans des messages internes au sujet de la violation potentielle de la loi sur les droits d'auteur en téléchargeant une collection de millions de livres sans autorisation. En décembre 2023, un courriel interne a indiqué que la pratique avait été approuvée après une « escalade à MZ », une référence apparente au directeur général Mark Zuckerberg, selon les documents présentés dans une poursuite pour violation de droits d'auteur intentée par des auteurs de livres contre l'entreprise. Meta a refusé de commenter cet article.
Dans une présentation juridique récemment publiée, Anthropic a révélé que le cofondateur Ben Mann a personnellement téléchargé un butin de fiction et de non-fiction d'une « bibliothèque parallèle » de livres et d'autres contenus enfreignant les droits d'auteur appelée LibGen pendant une période de 11 jours en juin 2021. Une capture d'écran de son navigateur web incluse dans les documents le montre téléchargeant des fichiers avec un logiciel de partage de fichiers.
Un an plus tard, Mann a célébré le lancement en juillet 2022 d'un nouveau site web appelé Pirate Library Mirror, qui affirmait avoir une énorme base de données de livres et avait déclaré : « Nous violons délibérément la loi sur les droits d'auteur dans la plupart des pays ». Mann a envoyé un lien vers le site à d'autres employés de Anthropic avec le message : « Juste à temps ! ».
Anthropic a affirmé dans des documents juridiques que l'entreprise n'a jamais entraîné un modèle d'IA commercial générant des revenus en utilisant ses données de LibGen et qu'elle n'a jamais utilisé Pirate Library Mirror pour entraîner un modèle d'IA complet.
Ed Newton-Rex, ancien dirigeant d'IA et compositeur musical qui dirige maintenant une organisation à but non lucratif défendant les droits des créateurs, a déclaré que les révélations soulignent que les entreprises d'IA ont une dette envers les créateurs bien plus importante que ce qu'elles ont payé jusqu'à présent. « Nous avons urgemment besoin d'un réajustement dans toute l'industrie de l'IA, afin que les créatifs commencent à recevoir une rémunération équitable pour les contributions vitales qu'ils apportent », a-t-il déclaré.
Google, Microsoft et OpenAI, le créateur de ChatGPT, font également face à des poursuites pour violation de droits d'auteur de la part d'auteurs de livres présentant des accusations similaires. (The Washington Post a un accord de contenu avec OpenAI.)
La plupart des affaires légales contre des entreprises d'IA sont toujours en cours, et James Grimmelmann, professeur de droit numérique et de l'information à Cornell Tech, a déclaré que les questions qu'elles soulèvent n'ont pas encore été résolues. Cependant, dans deux décisions préliminaires, les juges ont déterminé que l'utilisation de livres par des entreprises technologiques pour entraîner des modèles d'IA sans l'autorisation de l'auteur ou de l'éditeur peut être légale selon une doctrine du droit d'auteur connue sous le nom de « fair use ».
En juin, le juge de district William Alsup a statué que Anthropic avait le droit d'utiliser des livres pour former des modèles d'IA car ils traitaient le matériel de manière « transformative ». Il a comparé le processus de formation de l'IA à celui des enseignants qui « enseignent aux écoliers à bien écrire ». Ce même mois, le juge de district Vince Chhabria a statué dans l'affaire Meta que les auteurs des livres n'avaient pas prouvé que les modèles d'IA de l'entreprise pouvaient nuire aux ventes de leurs livres.
Mais les entreprises peuvent encore avoir des problèmes quant à la façon dont elles ont acquis les livres. Dans le cas de Anthropic, le projet de numérisation des livres a été approuvé, mais le juge a déterminé que l'entreprise aurait pu violer les droits d'auteur des auteurs en téléchargeant gratuitement des millions de livres piratés avant de lancer le Projet Panama.
Alsup a accordé le statut de recours collectif aux auteurs dont les livres ont été inclus dans deux bibliothèques parallèles (énormes collections de livres numérisés partagés en ligne sans autorisation) que Anthropic avait téléchargées et stockées pour un usage futur. Plutôt que de faire face à un procès, l'entreprise a accepté de payer 1,5 milliard de dollars aux éditeurs et aux auteurs sans admettre aucune irrégularité. Les auteurs dont les livres ont été téléchargés peuvent réclamer leur part de l'accord, estimée à environ 3 000 dollars par titre.
« Cette affaire est résolue, mais la décision historique du tribunal de juin 2025 reste intacte », a déclaré la conseillère générale adjointe de Anthropic, Aparna Sridhar, dans un courriel à The Post. « Le juge Alsup a soutenu que la formation d'IA était 'essentiellement transformative ': les modèles d'IA de Anthropic entraînés n'avaient pas pour but de 'les répliquer ou de les remplacer', mais de surmonter une situation difficile et de créer quelque chose de différent ». La question que nous avons résolue portait sur la façon dont certains matériaux ont été acquis, pas sur la question de savoir si nous pouvions les utiliser pour développer des modèles d'IA.
- - -
Acheter, couper, scanner, recycler
Lorsque Anthropic a entrepris son Projet Panama pour acheter et numériser des livres physiques, elle a fait appel à un vétéran de Silicon Valley. L'entreprise a engagé Tom Turvey, un dirigeant de Google qui avait contribué à créer le célèbre mais juridiquement controversé projet Google Books du géant de la recherche deux décennies plus tôt.
Anthropic a d'abord envisagé d'acheter des livres dans des bibliothèques ou des librairies d'occasion, comme la célèbre Strand de New York, connue pour ses 29 kilomètres de livres neufs et d'occasion, selon les documents. La librairie était « intéressée à fournir des livres d'occasion », selon un document détaillant une réunion d'acquisition de contenu de Anthropic en mars 2024.
Les employés de Anthropic ont également discuté de la possibilité de s'adresser à des bibliothèques américaines, y compris la Bibliothèque Publique de New York [NYPL en anglais] ou « une nouvelle bibliothèque qui souffre d'un sous-financement chronique », selon les documents.
Il n'est pas clair quelle proposition Anthropic a mise en œuvre, le cas échéant. Contacté par courriel, un porte-parole de Strand a déclaré que la librairie n'avait vendu aucun livre à Anthropic. La NYPL n'a pas répondu à une demande de commentaire.
Anthropic a finalement acquis des millions de livres, souvent par lots de dizaines de milliers, selon les documents soumis. Elle s'est appuyée sur des libraires, y compris les magasins de livres d'occasion Better World Books et World of Books, basés au Royaume-Uni.
La quantité finale de livres numérisés et leur coût sont expurgés dans les documents, mais une proposition de projet d'un fournisseur qui a finalement travaillé avec Anthropic a noté que la société d'intelligence artificielle était « à la recherche d'un fournisseur expérimenté de services de numérisation de documents pour convertir de 500 000 à deux millions de livres dans un délai de six mois ».
Better World Books et World of Books n'ont pas répondu aux demandes de commentaires.
Le document décrit comment la machine de découpe hydraulique de l'entreprise de numérisation coupait avec précision les livres, dont les pages étaient ensuite numérisées sur des scanners de haute vitesse, de haute qualité et de niveau de production. Enfin, il note que l'entreprise de numérisation coordonnera avec l'entreprise de recyclage la collecte des livres terminés.
- - -
« Ça ne fait pas plaisir »
Les documents publiés dans la poursuite pour violation de droits d'auteur contre Meta montrent que les employés du géant des réseaux sociaux aspiraient également à obtenir plus de données et étaient prêts à encourir des risques juridiques pour les obtenir. Bien que le juge Chhabria ait statué en faveur de Meta concernant l'utilisation de livres pour former des modèles d'IA, il a permis aux auteurs de poursuivre les accusations selon lesquelles Meta a distribué illégalement des copies de livres piratés. Les plaignants cherchent à obtenir le statut de recours collectif pour ces réclamations dans le district nord de Californie.
Dans leur poursuite, les auteurs ont allégué que les hauts dirigeants de Meta avaient envisagé de payer pour des livres pour former leurs modèles d'IA, mais avaient choisi de télécharger des millions de livres gratuitement à partir de plateformes de torrents facilitant le piratage en ligne. Le design des plateformes récompense souvent les utilisateurs qui téléchargent du matériel avec des téléchargements plus rapides de grandes collections de fichiers.
Des documents internes, dont certains avaient déjà été publiés précédemment, montraient des employés de Meta exprimant leurs préoccupations quant au fait que ce qu'ils faisaient était risqué ou incorrect, et discutant de la façon de couvrir leurs traces.
« Télécharger des torrents depuis un ordinateur portable de l'entreprise ne me semble pas correct », a écrit un ingénieur en 2023, selon les documents. Par la suite, le même employé a exprimé ses préoccupations à l'équipe juridique de l'entreprise au sujet du fait que l'utilisation de sites de torrents pourrait impliquer le partage de contenu piraté, ce qui « pourrait être légalement inacceptable ».
Le courriel de décembre 2023, contenant les documents judiciaires, précise que l'utilisation de LibGen avait été approuvée, apparemment par Zuckerberg, mentionné par ses initiales. « Après une escalade préalable à MZ, GenAI a reçu l'approbation d'utiliser LibGen pour Llama 3... avec une série de mesures de mitigation convenues », déclarait le courriel, avant de lister les risques juridiques et réglementaires liés à l'utilisation des données.
« S'il y a des médias suggérant que nous avons utilisé un ensemble de données que nous savons être piraté, comme LibGen, cela peut nuire à notre position de négociation avec les régulateurs sur ces sujets », a poursuivi le courriel.
Pour avril 2024, les communications internes indiquaient que l'entreprise procédait au téléchargement de LibGen et d'autres bibliothèques parallèles. Les enregistrements de chat montrent qu'un employé a demandé à un autre de clarifier pourquoi ils utilisaient des serveurs loués à Amazon pour télécharger des torrents plutôt que ceux de Facebook. La réponse : « Pour éviter le risque de retracer l'activité jusqu'à l'entreprise ».
Dans une présentation le mois dernier, les avocats de Meta ont écrit que l'entreprise « nie avoir distribué les œuvres des plaignants lorsqu'elle a téléchargé des données d'entraînement... en utilisant des torrents ».
Dans une autre action en justice, initialement déposée en 2023, des auteurs de livres ont également accusé OpenAI et Microsoft de violer la législation sur les droits d'auteur dans leur recherche de livres pour la formation de l'IA. OpenAI, où Mann et le directeur général d'Anthropic, Dario Amodei, ont travaillé avant de cofonder la startup, a reconnu avoir téléchargé LibGen, mais a déclaré au tribunal qu'elle avait supprimé les fichiers avant le lancement de ChatGPT.
« OpenAI a donné le coup d'envoi qui a conduit à la piraterie incontrôlée par des entreprises d'IA et à l'exploitation de toute l'expression humaine », a déclaré Justin A. Nelson, avocat de Susman Godfrey LLP, qui représente des auteurs de livres dans les affaires concernant OpenAI et Anthropic. OpenAI a refusé de commenter cet article.
Au début de ce mois, deux grandes maisons d'édition ont demandé à un tribunal de leur permettre de rejoindre un groupe d'écrivains et d'illustrateurs dans une poursuite en violation des droits d'auteur contre Google qui a été initialement déposée en 2023.
Grimmelmann, professeur de droit à Cornell Tech, a déclaré que les entreprises d'IA « se sont auto-convaincues d'une fausse idée » concernant l'utilisation de données protégées par des droits d'auteur. Les avancées derrière ChatGPT et des outils similaires ont commencé dans la recherche académique, où l'utilisation de matériel protégé par des droits d'auteur pour la formation est largement acceptée, a-t-il expliqué, mais les chercheurs ont continué cette pratique même lorsque les modèles d'IA ont été commercialisés.
« Lorsque la tension est devenue évidente, ils avaient déjà investi d'énormes sommes dans l'intégration de données protégées par des droits d'auteur dans leurs processus et étaient pris dans une concurrence rapide et à haut risque pour lancer de nouveaux modèles de meilleure qualité », a déclaré Grimmelmann.
La décision de Anthropic d'acquérir et de numériser des livres physiques plutôt que de télécharger des bibliothèques parallèles s'est avérée être une décision intelligente, a-t-il ajouté. « C'est un bon exemple de la façon dont l'entreprise adopte une approche plus modérée et respectueuse des lois ».
* Aaron Schaffer est chercheur au département de politique et gouvernement du Post.
* Will Oremus écrit pour The Washington Post sur les idées, les produits et les luttes de pouvoir qui façonnent le monde numérique. Avant de rejoindre The Post en 2021, il a travaillé pendant huit ans comme rédacteur senior en technologie pour Slate et deux ans comme rédacteur senior pour OneZero sur Medium.
Source : The Washington Post
[Photos : Reuters/ Dado Ruvic/ Illustration ; Reuters/ Dado Ruvic/ Illustration/ Photo d'archives ; Gabby Jones/ Bloomberg ; Marissa Leshnov/ The New York Times ; Pexels]