Anthropic a détruit des millions de livres pour entraîner Claude

Des bibliothèques entières ont disparu pour que vous puissiez demander une recette à Claude.

Pas métaphoriquement. Concrètement. Des millions d'œuvres protégées — romans, essais, manuels, poésie — ont été aspirées, déstructurées et consommées par des algorithmes pour entraîner les grands modèles de langage. Anthropic, l'entreprise derrière Claude, est aujourd'hui au cœur d'une bataille juridique et éthique qui pose une question que l'industrie préférerait éviter : à quel prix humain fabrique-t-on une intelligence artificielle généraliste ?

Ce que les communiqués de presse ne disent pas

Chaque fois qu'Anthropic annonce une nouvelle version de Claude — plus rapide, plus précise, plus "alignée avec les valeurs humaines" — la question des données d'entraînement reste soigneusement dans l'ombre. Pourtant, c'est là que tout commence.

Pour qu'un modèle de langage comprenne la nuance d'une métaphore, la structure d'un argument philosophique ou la tension dramatique d'un roman policier, il doit en avoir ingéré des dizaines de milliers. Des chercheurs ont documenté l'utilisation massive de corpus comme Books3, une bibliothèque numérique pirate contenant plus de 196 000 livres, ou encore The Pile, un ensemble de données qui puise allègrement dans des œuvres sous droits sans autorisation explicite des auteurs.

Le mécanisme est simple : scraper, nettoyer, tokeniser, entraîner. Ce qui pour un algorithme représente une séquence de probabilités statistiques est, pour un auteur, des années de travail intellectuel — non rémunéré, non crédité, souvent non consenti.

Le procès qui embarrasse la Silicon Valley

En 2023, plusieurs auteurs américains ont porté plainte contre Anthropic, Meta, OpenAI et d'autres acteurs du secteur. Parmi les plaignants : des romanciers dont les œuvres figuraient dans des bases de données qu'ils n'avaient jamais autorisées. L'argument central est limpide — utiliser une œuvre protégée pour entraîner un modèle commercial constitue une violation du droit d'auteur.

La défense des entreprises repose sur la doctrine du fair use américain : l'utilisation transformative. Ils affirment que l'IA ne "copie" pas les livres, elle en extrait des patterns. Un argument qui fait sourire les juristes européens, où le cadre légal est nettement plus protecteur des créateurs.

En France et dans l'Union européenne, l'AI Act commence à imposer aux développeurs de modèles de déclarer les données utilisées lors de l'entraînement. Une transparence minimale qui révèle, en creux, à quel point l'opacité était la règle jusqu'ici.

Pourquoi les livres sont si précieux pour les IA

Internet regorge de textes — forums, réseaux sociaux, articles. Pourquoi les livres sont-ils si convoités ? Parce qu'ils représentent ce que les ingénieurs appellent du signal de haute qualité :

• Une structure narrative cohérente sur des centaines de pages
• Un vocabulaire riche et varié, y compris dans des registres spécialisés
• Des raisonnements complexes menés jusqu'à leur terme
• Une diversité de styles, de cultures et d'époques

Un tweet ou un commentaire Reddit apprend à un modèle la syntaxe basique. Un roman de Balzac lui apprend à construire un personnage sur 400 pages. La différence de valeur pour l'entraînement est abyssale — et c'est précisément pour cela que l'industrie n'a pas attendu les autorisations légales.

Ce que ça change pour vous, lecteur ou créateur

Si vous êtes auteur, illustrateur, journaliste ou simplement quelqu'un qui produit du contenu : votre travail alimente peut-être en ce moment un modèle d'IA concurrent à votre propre activité. Certaines plateformes comme Adobe Stock ou Getty Images ont négocié des accords de licence avec des développeurs d'IA. C'est l'exception, pas la règle.

Si vous êtes utilisateur de Claude, ChatGPT ou Gemini : la qualité de ces outils repose directement sur l'ampleur — et parfois l'illégalité — des corpus utilisés. La fluidité qui vous impressionne a un coût que vous ne payez pas, mais que d'autres paient à votre place.

Vers un modèle plus équitable : quelques pistes concrètes

Des alternatives émergent. Des initiatives comme Common Crawl travaillent sur des données libres de droits. Des auteurs commencent à négocier collectivement des licences, à l'image des accords collectifs dans la musique. Et des régulateurs, notamment européens, poussent vers un registre public des données d'entraînement.

Mais tant que la pression économique poussera à entraîner les modèles les plus puissants possible — et tant que le premier à publier remporte le marché — les incitations structurelles resteront du côté de l'opacité.

La question que personne ne pose vraiment

Nous débattons souvent de ce que les IA font de nos données. Nous devrions aussi débattre de ce qu'elles ont pris pour exister. Anthropic se présente comme l'entreprise la plus éthique du secteur, celle qui pense à la sécurité à long terme de l'humanité. C'est peut-être vrai. Mais la sécurité à long terme de l'humanité inclut aussi la capacité de ses écrivains à vivre de leur art.

Une IA alignée sur les valeurs humaines devrait peut-être commencer par respecter ceux dont elle a pillé la culture pour apprendre à parler.

— Reservoir Live