Comment les générateurs de musique par IA trouvent leurs données d'entraînement, et pourquoi cela finit toujours en polémique

Un pirate ayant obtenu l'accès au code source interne de Suno, l'une des principales start-ups de génération musicale par IA, a fait apparaître des éléments suggérant que l'entreprise a en partie constitué son ensemble de données d'entraînement en aspirant des décennies d'audio directement sur YouTube, en utilisant les identifiants d'un ancien employé pour pénétrer dans la base de code. Suno n'a pas entièrement détaillé la manière dont elle a construit ses modèles sous-jacents, et l'incident ramène désormais sous les projecteurs une question familière : d'où vient réellement la donnée qui entraîne un modèle d'IA générative, et cette source est-elle légale ?

La réponse courte, valable pour presque toutes les grandes entreprises d'IA générative ayant fait l'objet d'un tel examen, des générateurs d'images aux grands modèles de langage jusqu'aux outils musicaux désormais, est que les données d'entraînement proviennent généralement d'un aspirage automatisé et à grande échelle de contenus accessibles publiquement sur internet, souvent sans permission explicite des créateurs individuels de ce contenu. YouTube, en particulier, est devenu un point de friction récurrent car la plateforme héberge une bibliothèque audio et vidéo énorme et facilement accessible, couvrant des genres, des langues et des décennies, ce qui en fait une cible attrayante pour toute entreprise cherchant à constituer un ensemble de données d'entraînement à grande échelle.

La question juridique repose largement sur la doctrine du fair use (usage loyal) du droit d'auteur américain, qui autorise l'utilisation de matériel protégé sans permission dans certaines circonstances, notamment à des fins de commentaire, de recherche ou de transformation en quelque chose de substantiellement nouveau. Les entreprises d'IA ont généralement soutenu qu'entraîner un modèle sur du contenu protégé par le droit d'auteur constitue un usage transformatif protégé par le fair use, puisque le modèle ne stocke ni ne reproduit les œuvres originales mais en apprend des schémas statistiques. Les critiques, dont des musiciens, des maisons de disques et des ayants droit, estiment que ce cadrage étire le fair use bien au-delà de son intention initiale, et que les entreprises d'IA construisent en réalité des produits commerciaux sur une utilisation non autorisée du travail créatif d'autrui.

Les tribunaux de plusieurs juridictions travaillent encore activement sur ces questions, et les résultats juridiques obtenus jusqu'ici sont mitigés plutôt que tranchés clairement dans un sens ou dans l'autre. Certaines décisions ont donné raison aux entreprises d'IA sur des motifs spécifiques de fair use, tandis que d'autres ont laissé des plaintes pour violation du droit d'auteur avancer vers un procès, en particulier dans les cas où l'on peut démontrer que la sortie d'un modèle reproduit étroitement une œuvre existante précise plutôt qu'un style ou un schéma général. Cette incertitude elle-même est devenue partie intégrante du calcul commercial : plusieurs grands laboratoires d'IA ont choisi de négocier des accords de licence avec des propriétaires de contenu, en particulier des organes de presse et certains ayants droit musicaux, plutôt que d'attendre des années que le litige tranche la question juridique de fond.

Ce qui rend la situation de Suno notable dans ce schéma plus large tient moins à l'usage allégué de contenu YouTube en lui-même, puisque de nombreuses entreprises d'IA à travers plusieurs modalités ont fait face à des allégations similaires, qu'à la manière dont la preuve a émergé. Plutôt que de ressortir via une procédure de discovery judiciaire ou une enquête journalistique, elle est venue d'une intrusion non autorisée dans les propres systèmes de l'entreprise, en utilisant les identifiants encore actifs d'un ancien employé, ce qui soulève une question distincte sur les pratiques de sécurité interne de Suno, en plus du litige sous-jacent sur la source des données.

Pour l'industrie musicale en particulier, la musique générée par IA s'ajoute à une relation déjà tendue avec les plateformes technologiques sur les redevances et le partage des revenus, remontant aux litiges de l'ère du streaming sur les versements par écoute. Les musiciens et les maisons de disques voient dans la génération musicale par IA une érosion supplémentaire de la valeur de la musique enregistrée, puisqu'un modèle entraîné sur des enregistrements existants peut générer de nouveaux morceaux dans un style similaire sans verser de redevances à aucun des artistes dont le travail a façonné ce style, une préoccupation distincte de la question du droit d'auteur sous-jacente, mais qui y est liée.

Suno, de son côté, a précédemment soutenu, comme plusieurs entreprises comparables confrontées à des allégations similaires, que le fair use protège son approche d'entraînement et que ses outils sont conçus pour générer de nouvelles compositions plutôt que de reproduire des enregistrements existants. Que cet argument tienne dépendra probablement moins du sentiment public suite à des incidents comme ce piratage que de la manière dont la vague en cours de litiges sur le droit d'auteur contre les entreprises d'IA sera finalement tranchée devant les tribunaux, un processus qui reste loin d'être terminé pour l'ensemble du secteur.

La brèche met aussi en lumière une tension structurelle que les entreprises d'IA doivent désormais gérer en plus de leur exposition juridique : la même documentation interne et le même code qui aident une start-up en pleine croissance à entraîner et améliorer rapidement ses modèles constituent aussi le matériel le plus susceptible de révéler, en détail et sans complaisance, exactement comment ces modèles ont été construits, en cas de fuite. À mesure que davantage de ces entreprises font face à une pression parallèle de la part des régulateurs, des ayants droit et de leurs propres employés démissionnaires, des incidents comme celui-ci risquent de continuer à faire ressurgir la même question de fond plus vite que les tribunaux ne peuvent la trancher.