Un juge américain vient de le dire noir sur blanc : former un LLM sur des livres protégés par le droit d’auteur, c’est légal. Anthropic a payé 1,5 milliard de dollars dans cette affaire, pas parce que le training est illicite, mais parce que les livres ont été téléchargés depuis des bibliothèques pirates. La nuance est énorme, et elle change ce que tu dois penser de ta propre stratégie de données.
Ce que le juge Alsup a vraiment dit
L’affaire opposait un groupe d’auteurs à Anthropic. En surface, un tableau qui ressemble à une victoire des créateurs : 1,5 milliard de dollars d’amende pour utilisation de leurs oeuvres sans consentement.
Sauf que le juge William Alsup n’a pas condamné le principe du training. Dans sa décision, il compare l’apprentissage d’un LLM à la lecture : « Comme n’importe quel lecteur aspirant à devenir écrivain, les LLM d’Anthropic ont été formés sur ces oeuvres non pas pour les répliquer ou les supplanter, mais pour tourner à angle droit et créer quelque chose de différent. »
Ce que le juge a sanctionné, c’est la méthode d’acquisition des données : Anthropic s’est appuyé sur des bibliothèques pirates (les « shadow libraries » illégales) pour constituer son corpus. Le training lui-même est considéré comme légal.
La distinction est fondamentale. La loi américaine sur le copyright date de 1976, bien avant l’ère des LLM. Les juges doivent interpréter des textes vieux de 50 ans pour trancher des questions qui vont façonner l’industrie IA pour les décennies qui viennent.
Le principe « transformatif » et ce qu’il implique
La clé juridique ici, c’est le « fair use » : une exception au droit d’auteur qui autorise l’utilisation d’une oeuvre protégée si l’usage est suffisamment « transformatif ». L’idée est que si tu absorbes un livre pour créer quelque chose de fondamentalement différent (et non pour le copier), tu n’as pas besoin d’autorisation.
L’avocate Cathy Gellis, spécialisée en propriété intellectuelle, l’exprime clairement dans TechCrunch : « Le droit d’auteur repose sur la copie, pas sur l’utilisation d’une oeuvre, sur le fait de la consommer, de la lire. »
Autrement dit : un LLM qui « lit » un million de livres pour apprendre à écrire, ce n’est pas une copie au sens juridique. C’est une transformation.
Le droit d’auteur repose sur la copie, pas sur le fait de consommer ou lire une oeuvre.
Cathy Gellis, avocate IP (via TechCrunch, 23/08/2026)
Ce que ça change concrètement pour toi
Si tu veux fine-tuner un modèle sur des données web, ou constituer un corpus pour de la RAG (retrieval-augmented generation), la jurisprudence qui se dessine aux États-Unis est plutôt favorable : l’entraînement en lui-même ne constitue pas une violation du droit d’auteur, à condition que tu n’aies pas piraté les sources.
La vraie ligne rouge n’est pas « est-ce que ce contenu est protégé ? » mais « est-ce que j’ai acquis ce contenu légalement ? »
- Scraper un site public avec respect des CGU : zone grise, mais défendable sous fair use si l’usage est transformatif.
- Télécharger des livres depuis Libgen, Anna’s Archive ou Z-Library pour entraîner ton modèle : ce n’est plus une zone grise, c’est exactement ce qu’Anthropic a payé 1,5 milliard pour avoir fait.
- Acheter les données à un agrégateur sous licence : le chemin le plus sûr, et celui que les grands labs privilégient maintenant.
Pour la majorité des builders solo, qui n’entraînent pas de modèles mais utilisent des APIs, la question est surtout théorique. Mais elle devient concrète si tu veux fine-tuner un modèle sur ton propre corpus client, sur des docs internes, ou sur du contenu sectoriel spécifique.
Ton contenu peut être aspiré légalement, et ce n’est pas le bon combat
Le revers de cette médaille est moins confortable : si le training sur du contenu protégé est légal, alors tes articles, tes vidéos, tes courriers, tout ce que tu as publié en ligne, peuvent être utilisés pour former des modèles sans que tu puisses l’interdire efficacement.
Certains auteurs plaident pour que la loi évolue, exige un consentement explicite, ou permette une rémunération des créateurs. Ce débat est légitime, mais législativement, on en est encore loin. La loi de 1976 ne bougera pas rapidement.
Ce qui signifie que la stratégie « protège ton contenu via le copyright pour empêcher les LLM » est une impasse à court terme. La vraie protection passe par autre chose :
- La relation : ce que les gens lisent dans tes contenus, ils peuvent le retrouver ailleurs demain. Ce qu’ils ne trouveront pas ailleurs, c’est toi, ta lecture, ta confiance acquise au fil du temps.
- L’accès privé : ce qui est derrière un login ou dans tes newsletters payantes n’est pas accessible aux crawlers. C’est une protection réelle, pas symbolique.
- La vitesse : publier des réactions rapides sur des faits récents, comme cet article, c’est ce que les LLM ne peuvent pas faire sur des événements d’aujourd’hui.
Ma lecture
Cette décision me semble honnête, même si elle est inconfortable pour les auteurs. Un modèle qui lit un million de livres pour apprendre à écrire, c’est la même chose que toi qui as lu des centaines de livres avant d’écrire le tien. Tu ne dois pas de royalties à tous les auteurs que tu as lus.
Ce qui change la donne, c’est l’échelle. Toi, tu as lu 200 livres. GPT a « lu » plusieurs centaines de millions de documents. C’est là que l’analogie commence à craquer, et c’est là que les régulateurs devront trouver une réponse qui ne soit pas juste une transposition de lois de 1976 sur des outils de 2026.
En attendant : si tu travailles avec des données pour de l’IA, la question clé n’est pas « est-ce protégé ? » mais « est-ce que j’ai le droit de l’utiliser selon les conditions d’accès ? »
Choisir les bons outils pour ton activité et chiffrer leur coût réel, c’est le rôle de l’audit IA de départ.