Si vous avez déjà publié quelque chose sur internet, il y a de fortes chances que vos données aient déjà été extraites, collectées et utilisées pour entraîner des systèmes d’IA comme ceux qui alimentent ChatGPT, Midjourney et Sora. L’IA générative est conçue pour réussir en tant que généraliste, et apprendre à le faire, comme l’a dit OpenAI, nécessite des données « à l’échelle de l’internet » pour s’entraîner. Vous n’avez probablement pas besoin que je vous dise ce qui se passe lorsque les entreprises utilisent des données publiques extraites – souvent sans la permission de ceux qui les ont créées – à partir d’articles de presse, de livres et de projets créatifs pour enseigner aux outils d’IA comment, par exemple, générer des articles, des livres et des projets créatifs. Le New York Times poursuit actuellement OpenAI pour avoir prétendument utilisé ses vastes archives sans autorisation pour entraîner des chatbots (dans un dépôt récent, OpenAI a accusé le Times d’avoir « engagé quelqu’un pour pirater » ChatGPT afin de prouver que le chatbot volait leur contenu). Getty Images a poursuivi en justice Stable Diffusion pour violation de copyright. D’autres poursuites judiciaires de la part d’auteurs et de créateurs, mécontents de découvrir que leurs œuvres ont été utilisées pour former des modèles d’IA, ont subi des revers en tribunal. D’autres entreprises ont décidé de conclure des accords. L’Associated Press a accordé une licence d’une partie de ses archives à OpenAI. Shutterstock, l’archive de photos stockées, a signé un accord de six ans avec OpenAI pour fournir des données de formation, y compris l’accès à ses bases de données de photos, de vidéos et de musique. La manière dont les systèmes d’IA utilisent le travail des journalistes, des musiciens et des photographes a des implications importantes pour notre écosystème d’information et culturel, et pour les personnes qui travaillent dans les domaines que les entreprises d’IA semblent déterminées à développer des outils pour remplacer. Le besoin de collecter de plus en plus de données de formation avec le moins de tracas possible signifie que quiconque est un internaute – que ce soit un compte Tumblr de fans, une présence active sur Reddit ou un blog personnel – pourrait voir l’accès à leur contenu vendu par les plateformes qui l’hébergent à l’une de ces grandes entreprises d’IA.
« Survivre cet été sur Internet »
Un après-midi d’août, alors qu’un suprémaciste blanc conduisait une voiture à travers une foule de manifestants pacifiques à Charlottesville, en
