Dernière revue :
Qu'est-ce que les données d'entraînement IA ? Définition et enjeux pour l'entreprise
Les données d'entraînement sont l'ensemble des textes, images, codes et autres contenus utilisés pour entraîner un modèle d'IA. Leur composition détermine ce que le modèle sait, ce qu'il ignore, ses biais et ses risques juridiques. Une partie majeure du contentieux IA actuel porte sur leur provenance et leur licéité.
Les modèles de fondation sont entraînés sur des corpus de plusieurs trillions de tokens, dont la composition est rarement totalement publique. Trois sources dominent. Le web public, via Common Crawl : plus de 300 milliards de pages archivées, qui constituent la matière première de la plupart des LLM. Les corpus de livres et de presse, dont la légalité d'usage est aujourd'hui contestée : la plainte du New York Times contre OpenAI (décembre 2023, toujours en cours en 2026) concerne précisément ce point. Les données générées spécifiquement : annotations RLHF, exemples de fine-tuning, données synthétiques. La traçabilité des données d'entraînement est devenue centrale. L'AI Act européen impose depuis août 2025 aux fournisseurs de modèles d'IA à usage général de publier un résumé suffisamment détaillé des contenus utilisés pour l'entraînement (article 53). La Commission européenne a publié le 24 juillet 2025 un modèle de résumé que les fournisseurs doivent suivre.
Exemple concret
L'état du contentieux en 2026 illustre l'incertitude juridique. En juin 2025, deux décisions américaines (Bartz contre Anthropic, Kadrey contre Meta) ont jugé que l'entraînement d'un modèle sur des livres pouvait relever du fair use, car hautement transformatif. Mais dans l'affaire Bartz, le juge a refusé le fair use pour la constitution d'une bibliothèque permanente à partir de livres piratés. Le dossier s'est conclu par un règlement de 1,5 milliard de dollars (environ 3 000 dollars par œuvre), approuvé définitivement le 20 juillet 2026. Côté OpenAI, la plainte phare du New York Times reste en cours. En novembre 2025, une juge a ordonné à OpenAI de fournir un échantillon de 20 millions de conversations ChatGPT anonymisées, pour évaluer la reproduction de contenus protégés ; la décision a été confirmée le 5 janvier 2026. Le sujet n'est pas tranché. Pour un dirigeant européen, cette incertitude américaine s'ajoute au RGPD et à l'AI Act, dont le calendrier vient d'être ajusté par l'Omnibus numérique de 2026.
Questions fréquentes
Que sont les données d'entraînement et pourquoi comptent-elles ?
Ce sont les textes, images, codes et autres contenus utilisés pour entraîner un modèle d'IA. Leur composition détermine ce que le modèle sait, ce qu'il ignore, ses biais et ses risques juridiques. Une part majeure du contentieux IA actuel porte sur leur provenance et leur licéité.
D'où viennent ces données ?
Trois sources dominent. Le web public, via Common Crawl (plus de 300 milliards de pages archivées). Les corpus de livres et de presse, dont la légalité d'usage est aujourd'hui contestée. Les données générées spécifiquement : annotations RLHF, exemples de fine-tuning, données synthétiques. La composition de ces corpus, qui pèsent plusieurs trillions de tokens, est rarement totalement publique.
Que doit publier un fournisseur sur ses données d'entraînement ?
Depuis août 2025, l'AI Act européen impose aux fournisseurs de modèles à usage général de publier un résumé suffisamment détaillé des contenus utilisés pour l'entraînement (article 53). La Commission européenne a publié le 24 juillet 2025 un modèle de résumé que les fournisseurs doivent suivre.
Où en est le contentieux sur le droit d'auteur ?
Incertain. En juin 2025, deux décisions américaines (Bartz contre Anthropic, Kadrey contre Meta) ont jugé que l'entraînement sur des livres pouvait relever du fair use, mais le juge a refusé le fair use, dans l'affaire Bartz, pour une bibliothèque constituée à partir de livres piratés ; le dossier s'est soldé par un règlement de 1,5 milliard de dollars, approuvé le 20 juillet 2026. La plainte du New York Times contre OpenAI reste en cours.
Quelles clauses contractuelles exiger d'un fournisseur ?
Cinq. Une déclaration des catégories de données d'entraînement utilisées. Une garantie que vos données métier ne serviront pas à entraîner de futures versions. La possibilité de demander la purge logique de vos données dans les corpus de fine-tuning. Une clause de garantie en cas de procès tiers pour violation de droits d'auteur. Une obligation d'information sous 30 jours en cas de modification substantielle du corpus.
À voir aussi
Pour aller plus loin
Sources
- The New York Times Company v. Microsoft Corporation, S.D.N.Y. No. 23-CV-11195, déposée décembre 2023, en phase de discovery en 2026. https://nytco-assets.nytimes.com/2023/12/NYT_Complaint_Dec2023.pdf
- Règlement (UE) 2024/1689 sur l'intelligence artificielle (AI Act), articles 53-55 sur les obligations des fournisseurs de modèles de fondation. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- Court Grants Final Approval of $1.5 Billion Anthropic Copyright Settlement, The Authors Guild, juillet 2026. https://authorsguild.org/news/court-grants-final-approval-anthropic-copyright-settlement/
- Fair Use and AI Training: Two Recent Decisions Highlight the Complexity of This Issue (Bartz v. Anthropic, Kadrey v. Meta), Skadden, juillet 2025. https://www.skadden.com/insights/publications/2025/07/fair-use-and-ai-training
- OpenAI Loses Privacy Gambit: 20 Million ChatGPT Logs Likely Headed to Copyright Plaintiffs, National Law Review, janvier 2026. https://natlawreview.com/article/openai-loses-privacy-gambit-20-million-chatgpt-logs-likely-headed-copyright
- Règlement (UE) 2026/1744 (Omnibus numérique sur l'IA), EUR-Lex. https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=CELEX%3A32026R1744
- Modèle de résumé public des contenus d'entraînement, Commission européenne (Bureau de l'IA), 24 juillet 2025, analyse WilmerHale. https://wilmerhale.com/en/insights/blogs/wilmerhale-privacy-and-cybersecurity-law/european-commission-releases-mandatory-template-for-public-disclosure-of-ai-training-data
- Common Crawl, présentation de l'archive. https://commoncrawl.org/