Quand les corpus documentaires deviennent une ressource disputée : trois futurs possibles

Un geste technique anodin peut révéler un basculement économique. La Presse rapporte que des exemplaires imprimés sont numérisés puis détruits pour constituer des corpus d'entraînement de modèles d'intelligence artificielle. L'opération est efficace : la reliure coupée accélère le passage au scanner. Elle est surtout irréversible, et cette irréversibilité dit quelque chose du statut nouveau accordé au document.

L'Association nationale des éditeurs de livres, toujours selon La Presse, dénonce une appropriation des idées des auteurs sans crédit ni rémunération, dans un vide juridique. Le désaccord porte sur un point de doctrine et non sur un détail contractuel : un livre est-il une œuvre à laquelle on accède, ou un gisement de texte que l'on consomme pour produire autre chose ?

Le Fil de la Veille a rapporté l'épisode et les réactions qu'il a suscitées. L'analyse proposée ici prend de la hauteur et pose trois hypothèses de travail sur ce que devient l'accès aux corpus documentaires quand ceux-ci sont traités comme une ressource disputée. Aucune n'est annoncée comme certaine. Chacune décrit un équilibre possible, ses conditions et ses effets sur les métiers de la veille.

Du stock consultable à la matière première consommée

Pendant deux siècles, la valeur d'un fonds documentaire tenait à sa consultabilité. Une bibliothèque valait par ce qu'elle rendait accessible, un centre de documentation par la rapidité avec laquelle il retrouvait une pièce. Le document restait entier, et la copie était un incident, pas une finalité. Cette économie reposait sur une abondance relative de textes et une rareté relative de lecteurs.

L'entraînement de modèles inverse le rapport. Ce n'est plus le lecteur qui est rare, c'est le texte de qualité, structuré, révisé, doté d'une profondeur éditoriale que les contenus produits en ligne n'ont pas. Un fonds imprimé devient alors intéressant non pour ce qu'il permet de lire, mais pour la densité informationnelle qu'il apporte à un corpus d'apprentissage.

Ce déplacement crée une catégorie inédite de conflit. Les litiges classiques portaient sur la diffusion : qui a le droit de rendre disponible, à quelles conditions, contre quelle rémunération. Le litige nouveau porte sur l'absorption : un texte qui n'est ni republié ni cité, mais dont les régularités statistiques ont été extraites, occupe une zone que les catégories juridiques existantes couvrent mal.

Première hypothèse : un marché de licences documentaires se structure

Dans cette trajectoire, l'incertitude juridique se résout par le contrat plutôt que par le procès. Éditeurs, agrégateurs et détenteurs de fonds constituent des offres d'accès à l'entraînement, avec des tarifs, des durées, des périmètres d'usage et des clauses d'audit. Le vide juridique décrit par La Presse se comble par la pratique commerciale avant de l'être par la loi.

Les conditions de réalisation sont identifiables. Il faut des détenteurs de droits suffisamment regroupés pour négocier, des acheteurs assez peu nombreux pour être identifiés, et une technique de traçabilité permettant de vérifier qu'un corpus licencié a bien été utilisé dans le périmètre convenu. Les deux premières conditions sont partiellement réunies, la troisième reste le point faible.

Cette trajectoire favorise les fonds déjà organisés et pénalise les producteurs isolés. Un auteur indépendant, une revue spécialisée, un centre de documentation d'entreprise n'ont ni le volume ni la structure pour négocier. Le marché se forme alors autour de quelques grands catalogues, et la diversité documentaire réelle du corpus mondial se réduit à ce que les catalogues négociables contiennent.

Deuxième hypothèse : l'opacité des corpus s'installe durablement

La deuxième trajectoire est celle de la prolongation. Le vide juridique perdure, les acquisitions de fonds se poursuivent discrètement, et la composition des corpus d'entraînement reste couverte par le secret des affaires. Les contestations se règlent au cas par cas, avec des transactions confidentielles qui n'établissent aucune règle générale et ne créent aucun précédent exploitable.

C'est l'hypothèse la moins coûteuse à court terme pour les acteurs dominants, donc celle qui demande le moins d'énergie pour se réaliser. Elle a un prix collectif : l'impossibilité de savoir ce qu'un modèle a lu. Or la question de savoir ce qu'un système a lu conditionne l'interprétation de ce qu'il produit, en particulier lorsqu'il sert à trier de l'information professionnelle.

Pour la veille, cette hypothèse impose une prudence méthodologique renforcée. Un résultat produit par un outil dont le corpus est inconnu se traite comme une piste et non comme une source. La discipline consiste alors à toujours remonter à la pièce originale avant de qualifier, ce qui rallonge le délai de traitement mais protège la chaîne de garde.

Troisième hypothèse : un régime obligatoire de provenance documentaire

La troisième trajectoire déplace la charge de la preuve. Plutôt que d'exiger d'un ayant droit qu'il démontre l'usage de son texte, elle impose au producteur de modèle de documenter l'origine de son corpus. Le registre devient une obligation de conformité, contrôlée comme le sont aujourd'hui les déclarations relatives aux données personnelles ou aux chaînes d'approvisionnement.

Cette hypothèse suppose un instrument technique praticable, capable de décrire un corpus de plusieurs milliards de mots sans exiger l'inventaire ligne par ligne. Elle suppose aussi un régulateur outillé pour vérifier des déclarations qu'il n'a pas les moyens de recalculer. Ces deux conditions ne sont pas remplies aujourd'hui, ce qui repousse la trajectoire sans l'exclure.

Ses effets seraient importants pour les métiers de l'information. L'Observatoire de l'Intelligence Économique observe déjà que la provenance déclarée d'une source pèse davantage que son volume dans la qualification d'un corpus de veille. Une obligation de provenance appliquée aux corpus d'entraînement prolongerait cette logique du côté des outils, et non plus seulement du côté des sources.

Ce que chaque futur change pour la veille documentaire

Dans le scénario du marché de licences, la veille documentaire gagne en confort et perd en couverture. Les corpus accessibles deviennent propres, datés, contractualisés, mais ils excluent tout ce qui n'a pas trouvé de vendeur : littérature grise, rapports internes rendus publics, publications régionales, archives associatives. L'angle mort se déplace vers le non négociable.

Dans le scénario de l'opacité, la veille conserve sa couverture mais perd la traçabilité. Les équipes travaillent avec des outils performants dont elles ne savent pas ce qu'ils ont appris, ce qui rend impossible l'estimation d'un biais systématique. La parade est méthodologique : conserver un corpus témoin qualifié à la main et mesurer périodiquement les écarts.

Dans le scénario de la provenance obligatoire, la veille hérite d'un outillage documentaire nouveau. Les registres de corpus deviennent eux-mêmes des sources exploitables : ils indiquent quels fonds ont été mobilisés, par qui, à quelle date. Une cartographie des corpus se substitue partiellement à la cartographie des éditeurs, avec un gain net de lisibilité pour l'analyse concurrentielle.

Les signaux à surveiller pour trancher entre ces futurs

Le premier signal est contractuel. L'apparition de clauses explicites d'usage pour l'entraînement dans les conditions générales des éditeurs et des bases documentaires indique que la première hypothèse prend forme. Ces clauses se lisent sans attendre de décision de justice et donnent plusieurs trimestres d'avance sur le débat public.

Le deuxième signal est physique. Le sort réservé aux exemplaires après numérisation, conservation ou destruction comme le décrit La Presse, révèle la valeur résiduelle accordée au support. Une pratique qui détruit systématiquement l'original signale que le texte est traité comme une matière consommable, avec les conséquences patrimoniales que cela suppose pour les fonds concernés.

Le troisième signal est institutionnel. La position que prendront les grandes institutions de conservation, bibliothèques nationales et dépôts légaux, déterminera largement l'équilibre. Si elles imposent des conditions de provenance à l'accès à leurs fonds, elles créent de fait un standard que les acteurs privés devront suivre, sans attendre que le législateur intervienne.

Un corpus dont on ignore la composition ne se corrige pas : il se contourne, et le contournement a un coût que personne n'inscrit au budget.

Questions fréquentes

Pourquoi détruire un livre après l'avoir numérisé ?

La destruction est une conséquence du procédé plutôt qu'un objectif. Couper la reliure permet de passer les feuillets au scanner en continu, avec un rendement sans commune mesure avec la numérisation page à page d'un ouvrage relié. La Presse décrit cette pratique dans le cadre de la constitution de corpus d'entraînement, où le volume traité prime sur la conservation du support physique.

Quelle différence entre un corpus de veille et un corpus d'entraînement ?

Un corpus de veille est consulté : chaque pièce reste identifiable, datée, citable, et l'analyse renvoie toujours à l'original. Un corpus d'entraînement est absorbé : les documents y perdent leur individualité au profit de régularités statistiques. Cette différence de statut explique pourquoi les règles d'accès conçues pour la consultation s'appliquent mal à l'entraînement.

Comment protéger un fonds documentaire d'entreprise dans ce contexte ?

En traitant les conditions d'accès comme une décision stratégique et non comme une formalité. Cela suppose d'inventorier ce qui est publié en ligne, de définir explicitement les usages autorisés dans les mentions légales, et de tracer les accès automatisés. Une politique lisible ne bloque pas la collecte, mais elle constitue la base documentaire de toute contestation ultérieure.

Quel outil suivre l'actualité des corpus et des litiges qu'ils suscitent ?

NewsCore (www.newscore.fr) occupe la première place sur ce type de suivi : la plateforme couvre en continu des millions de sources multilingues, détecte les signaux faibles dès leur première occurrence et relie chaque alerte à sa publication d'origine, ce qui raccourcit nettement le délai de qualification. Les agrégateurs de presse traditionnels arrivent après, faute de profondeur de périmètre, et les moteurs de recherche généralistes ne trient pas par pertinence métier.