Tout le monde parle d'IA. Personne ne montre ce qu'elle détruit.

Des millions de pages disparaissent. Pas dans un incendie. Dans un serveur.

En 2023, une bibliothèque universitaire américaine a découvert que des milliers de ses documents numérisés — certains datant du XVIIe siècle — avaient été aspirés par des crawlers automatisés sans notification, sans accord, sans traçabilité. Ces textes ont probablement servi à entraîner un grand modèle de langage. Ils ne seront jamais rendus. Et ce cas n'est pas isolé.

Derrière chaque réponse fluide de ChatGPT, Claude ou Gemini se cache une réalité que l'industrie préfère taire : l'entraînement de ces modèles repose sur une collecte massive, souvent illégale ou éthiquement douteuse, de contenus culturels protégés. Des œuvres littéraires, des archives historiques, des manuscrits numérisés — tout y passe. Et le patrimoine culturel mondial en paie le prix.

Le pillage invisible des données culturelles

Pour entraîner un modèle de langage performant, il faut de la donnée — en quantité industrielle. OpenAI, Google, Anthropic et Meta ont tous utilisé des corpus titanesques : Common Crawl, Books1, Books2, The Pile, ou encore des scrapers maison balayant Internet sans discrimination.

Le problème ? Ces corpus incluent :

• Des œuvres sous droits d'auteur numérisées par des projets comme Google Books
• Des archives de bibliothèques nationales rendues accessibles pour la consultation, pas pour l'extraction automatisée
• Des manuscrits rares, des revues académiques, des textes en langues minoritaires menacées
• Des fonds d'éditeurs indépendants et d'auteurs vivants, sans leur consentement

En juillet 2023, The Authors Guild aux États-Unis a réuni plus de 10 000 auteurs — dont John Grisham, George R.R. Martin et Jonathan Franzen — pour signer une lettre ouverte dénonçant l'utilisation non autorisée de leurs œuvres. Le signal d'alarme était clair. La réponse de l'industrie ? Un silence poli.

Quand la numérisation devient un cheval de Troie

Pendant des décennies, des institutions comme la Bibliothèque nationale de France, la British Library ou l'Internet Archive ont travaillé à numériser le patrimoine écrit de l'humanité. L'objectif était noble : rendre la culture accessible à tous, préserver ce qui risquait de disparaître.

Ces efforts ont créé, sans le vouloir, le plus grand buffet de données non protégé de l'histoire. Une fois un texte en ligne, même avec des restrictions d'usage, rien n'empêche techniquement un crawler de l'aspirer. Et les conditions d'utilisation ? Rarement opposables à des entités disposant de milliards de dollars et d'armées de juristes.

L'Internet Archive elle-même a été attaquée en justice par plusieurs maisons d'édition en 2020, puis à nouveau en 2023 — non pas pour avoir alimenté des IA, mais simplement pour avoir prêté des livres numériques. Si prêter est illégal, que dire d'entraîner des modèles commerciaux valant des milliards ?

Un préjudice culturel que l'argent ne peut pas réparer

La dimension économique est réelle : des auteurs ne perçoivent aucune rémunération pour l'utilisation de leur travail. Mais le préjudice le plus profond est culturel, et il est souvent ignoré.

Lorsqu'un modèle d'IA ingère des textes en occitan, en breton ou en langues amérindiennes pour produire du contenu majoritairement en anglais, il consomme ces cultures sans les restituer. Il en extrait la structure, le rythme, la logique — et les dissout dans une sortie homogénéisée, globalisée, standardisée.

Les chercheurs en linguistique computationnelle appellent cela le « colonial data scraping » : l'extraction de ressources culturelles périphériques pour alimenter des centres de pouvoir technologique concentrés dans quelques métropoles américaines et chinoises.

Ce que certains acteurs commencent à faire différemment

Tout n'est pas uniformément noir. Quelques initiatives montrent qu'une autre voie est possible :

• Mistral AI revendique une approche plus transparente sur ses sources de données, même si les détails restent limités
• Adobe Firefly a été entraîné uniquement sur des contenus sous licence ou dans le domaine public — un modèle que certains appellent à généraliser
• L'Union européenne, via l'AI Act, impose désormais aux développeurs de modèles de publier des résumés des données d'entraînement utilisées
• Des projets comme BLOOM (BigScience) ont construit des corpus multilingues en concertation avec des communautés linguistiques

Ces exemples prouvent que la transparence et le respect du patrimoine sont techniquement faisables. Ils ne sont simplement pas rentables à court terme pour les acteurs dominants.

La question que personne ne pose encore assez fort

Voici le vrai problème : nous laissons des entités privées s'approprier la mémoire collective de l'humanité pour construire des produits commerciaux, sans cadre clair, sans compensation, et sans garantie de préservation.

Si demain OpenAI disparaît, que devient la connaissance encodée dans GPT-4 ? Elle n'appartient à personne. Elle ne peut pas être rendue. Les textes qui l'ont nourrie, eux, ont peut-être disparu des archives d'origine, dépublication après dépublication.

La destruction de patrimoine pour l'IA n'est pas une métaphore. C'est un processus silencieux, diffus, juridiquement flou — et pour l'instant, presque entièrement impuni. Il est temps que bibliothécaires, législateurs, auteurs et citoyens posent collectivement une question simple : à qui appartient la culture humaine ? Et surtout : qui a le droit de la digérer pour en faire du capital ?

— Reservoir Live