Ces archives numérisées que ChatGPT consomme sans vous demander permission

Des manuscrits du XVIIe siècle dans les données d'entraînement de l'IA : personne ne vous a demandé votre avis.

Un exemplaire unique de Montaigne, annoté à la main par un lecteur anonyme du XVIIIe siècle. Une correspondance inédite entre deux poètes symbolistes. Ces œuvres ont survécu aux guerres, aux incendies, à l'oubli. Elles pourraient aujourd'hui se retrouver digérées, décomposées et réutilisées en silence pour entraîner des modèles de langage comme ChatGPT ou Gemini — sans que leurs gardiens n'aient jamais signé la moindre autorisation.

La numérisation massive du patrimoine littéraire mondial, accélérée depuis deux décennies par des programmes comme Gallica, Google Books ou Internet Archive, a ouvert une porte que personne n'avait vraiment anticipée. Ces fonds, constitués pour démocratiser la culture, sont devenus une mine d'or pour les laboratoires d'intelligence artificielle. La question n'est plus théorique : elle est urgente, concrète, et touche à l'identité même de notre héritage collectif.

Pourquoi les livres rares intéressent autant les modèles d'IA

Les grands modèles de langage (LLM) ne fonctionnent pas uniquement avec du texte contemporain. Leur capacité à raisonner, à structurer des arguments complexes, à comprendre des registres stylistiques variés dépend directement de la diversité et de la profondeur historique de leurs données d'entraînement. Or, le corpus numérique "moderne" atteint ses limites : il est redondant, parfois de mauvaise qualité, saturé de contenus marketing et de réseaux sociaux.

Les livres anciens, eux, offrent trois atouts décisifs :

• Une densité sémantique rare : les textes anciens contiennent des structures syntaxiques complexes, un vocabulaire étendu et des modes de raisonnement disparus des écrits contemporains.
• Une unicité de style : chaque époque possède ses marqueurs linguistiques spécifiques, précieux pour entraîner des modèles capables de générer des textes nuancés et contextuellement riches.
• Un volume encore inexploité : des millions de pages numérisées restent sous-indexées, représentant un gisement quasi vierge pour les algorithmes en quête de nouveauté.

Le flou juridique qui profite aux entreprises tech

Le cadre légal actuel crée une zone grise particulièrement problématique. En France et dans l'Union européenne, les œuvres tombées dans le domaine public — généralement 70 ans après la mort de leur auteur — peuvent être librement reproduites. Mais "librement reproductible" ne signifie pas "librement exploitable à des fins commerciales d'entraînement IA". Cette nuance, pourtant fondamentale, est systématiquement ignorée.

La directive européenne sur le droit d'auteur de 2019 autorise le text and data mining à des fins de recherche scientifique. Mais elle ouvre aussi une exception pour les usages commerciaux — sauf opt-out explicite des ayants droit. Résultat : c'est aux bibliothèques, aux institutions culturelles et aux chercheurs de refuser activement que leurs collections soient utilisées. Une inversion de la charge de la preuve qui bénéficie mécaniquement aux entreprises les mieux dotées en ressources juridiques.

Des exemples concrets qui illustrent le problème

Le cas de la Bibliothèque nationale de France est révélateur. Gallica met à disposition plus de 8 millions de documents numérisés. Ses conditions d'utilisation interdisent l'exploitation commerciale des métadonnées et des reproductions, mais la surveillance effective de leur usage à grande échelle par des crawlers automatisés reste impossible. Des chercheurs ont démontré que plusieurs datasets d'entraînement publics — comme The Pile ou Common Crawl — contiennent des extraits substantiels de Gallica.

Aux États-Unis, Internet Archive a été attaqué en justice par des éditeurs pour son programme de prêt numérique. L'affaire a mis en lumière une question plus large : qui contrôle réellement la circulation des textes numérisés une fois qu'ils sont en ligne ?

Quelles conséquences pour le patrimoine littéraire ?

Au-delà du droit, c'est une question de sens. Lorsqu'un modèle comme Claude ou GPT-4 "apprend" à partir d'un manuscrit unique, il n'en préserve pas l'âme — il en extrait des patterns statistiques. L'œuvre n'est plus lue, elle est décomposée. Cette appropriation silencieuse soulève plusieurs risques concrets :

• La décontextualisation : un texte médiéval traité comme de la donnée brute perd son contexte historique, ses enjeux interprétatifs, sa fragilitié matérielle.
• La standardisation culturelle : si les LLM "digèrent" les grandes bibliothèques mondiales en priorité, les littératures minoritaires, régionales ou en langues rares risquent d'être marginalisées encore davantage.
• Le pillage sans retour : contrairement à un lecteur humain, un modèle ne cite pas ses sources et ne reverse aucun bénéfice aux institutions qui ont financé la numérisation.

Ce que les institutions et les citoyens peuvent exiger

La résignation n'est pas une option. Plusieurs leviers existent, à condition de les activer collectivement. Les institutions culturelles peuvent imposer des licences spécifiques interdisant explicitement l'usage en entraînement IA. Les régulateurs européens, dans le cadre de l'AI Act entré en vigueur en 2024, peuvent exiger une transparence totale sur les sources de données utilisées. Et les citoyens, en tant qu'usagers des bibliothèques numériques et contribuables ayant financé leur numérisation, ont une légitimité à demander des comptes.

Des initiatives émergent. Le projet The Responsible AI Licensing (RAIL) propose des frameworks permettant aux créateurs de définir précisément les usages autorisés de leurs œuvres. Des bibliothèques américaines expérimentent des "data trusts" permettant de négocier collectivement avec les entreprises tech.

Le patrimoine littéraire n'est pas une ressource naturelle à extraire

Il est facile de présenter la numérisation du patrimoine comme un bien commun universel. C'en est un — mais à condition que les règles de cet espace commun soient définies démocratiquement, pas unilatéralement par des acteurs privés dont le modèle économique repose précisément sur l'exploitation de ces ressources.

Les livres rares ne sont pas des données. Ils sont des témoins. La question n'est pas de savoir si l'IA peut les utiliser, mais à quelles conditions, avec quelles compensations, et sous quel contrôle collectif. Poser cette question maintenant n'est pas du conservatisme : c'est la seule façon de s'assurer que les algorithmes de demain n'écriront pas l'histoire à notre place.

— Reservoir Live