- ▸ Le New York Times accuse OpenAI d'avoir menti sur sa capacité de recherche
- ▸ La déposition Monaco décrit une base de 78 millions de conversations
- ▸ De 120 à 20 millions de logs : la bataille sur l'échantillon
- ▸ Fair use et RGPD : ce que la capacité de recherche change au dossier
Le New York Times accuse OpenAI d’avoir dissimulé des preuves dans le procès en droit d’auteur qui les oppose depuis deux ans. Selon une déposition interne rapportée le 9 juillet 2026, l’entreprise aurait constitué une base de 78 millions de conversations ChatGPT dépersonnalisées avant le dépôt de la plainte — tout en soutenant devant le tribunal qu’elle ne pouvait pas fouiller son propre corpus.
Ce qu’il faut retenir – OpenAI aurait détenu une base interne de 78 millions de conversations ChatGPT dépersonnalisées avant l’action en justice du NYT. – Les plaignants réclamaient 120 millions de logs ; OpenAI a négocié l’échantillon à 20 millions, livré en décembre avec de nombreuses expurgations. – Un filtre « Bloom », déployé dans un ensemble d’outils baptisé « Project Giraffe », traçait la reproduction de contenus après le dépôt de la plainte. – OpenAI a répété tout au long de la procédure qu’il lui était techniquement lourd de rechercher ses propres données d’entraînement. – Les 78 millions de conversations « dépersonnalisées » ouvrent un second front, cette fois sur le terrain de la vie privée.
Le New York Times accuse OpenAI d’avoir menti sur sa capacité de recherche
Le New York Times et le Daily News affirment qu’OpenAI a menti sur sa capacité à interroger les journaux de conversation de ses clients et ses jeux de données d’entraînement pour y retrouver leurs contenus protégés. L’accusation, rapportée par TechCrunch, marque une nouvelle escalade dans une bataille judiciaire ouverte depuis deux ans.
Le fond du litige n’a pas changé. Les deux titres reprochent à OpenAI d’avoir entraîné ses modèles génératifs sur leur production journalistique, puis de restituer cette production dans les réponses fournies aux utilisateurs. C’est le cœur de la question du droit d’auteur appliquée à l’IA générative : un modèle qui « recrache » des passages entiers d’un article protégé reproduit-il une œuvre, ou en produit-il une transformation légale ?
L’avocat des plaignants ne s’embarrasse pas de nuances. « Si OpenAI pensait sincèrement que copier le journalisme de nos clients était équitable et légal, l’entreprise n’aurait pas caché la vérité sur le fait de l’avoir fait », déclare-t-il, cité par TechCrunch. La formule vise directement la ligne de défense d’OpenAI, bâtie autour du fair use.
Pour comprendre — le fair use Doctrine du droit américain qui autorise, sans permission, un usage limité d’une œuvre protégée à des fins de critique, de recherche ou de transformation. OpenAI soutient que l’entraînement d’un modèle relève de cet usage transformatif. Le NYT conteste précisément ce point. La notion n’a pas d’équivalent direct en droit français, qui raisonne par exceptions limitativement énumérées.
La déposition Monaco décrit une base de 78 millions de conversations
Le tournant vient d’une déposition. Celle de Vinnie Monaco, ingénieur chez OpenAI, aurait révélé que l’entreprise avait déjà rassemblé, avant même le dépôt de la plainte du NYT, une base d’environ 78 millions de conversations ChatGPT dépersonnalisées. Sa fonction, selon les éléments rapportés : mesurer en interne l’ampleur de ses propres atteintes aux œuvres de tiers.
L’information est lourde de conséquences. Elle suggère qu’OpenAI disposait, en amont du contentieux, d’un outil précisément dédié à ce que l’entreprise a ensuite présenté au tribunal comme techniquement hors d’atteinte.
À ce jeu de données se serait ajouté un dispositif de détection. Un filtre dit « Bloom », intégré à un ensemble d’outils baptisé « Project Giraffe », aurait été mis en place peu après le dépôt de la plainte. Sa mission : détecter et consigner les cas de reproduction — la fameuse regurgitation — dans les réponses du modèle.
Pour comprendre — le filtre de Bloom Structure de données probabiliste qui teste très vite l’appartenance d’un élément à un ensemble massif. Appliqué ici, il permet de repérer si un texte généré correspond à un contenu déjà présent dans un corpus, et d’en garder la trace. Autrement dit, un instrument capable de mesurer, à grande échelle, la reproduction d’œuvres protégées.
Un jeu de données taillé pour quantifier l’infraction, un filtre conçu pour la repérer en sortie de modèle : pris ensemble, ces deux éléments dessinent une entreprise qui documentait le risque juridique bien avant d’être sommée de le faire. C’est cette contradiction que le NYT met désormais au centre de son dossier.
De 120 à 20 millions de logs : la bataille sur l’échantillon
Le désaccord ne porte pas seulement sur ce qu’OpenAI savait, mais sur ce qu’il a accepté de montrer. Les plaignants avaient d’abord réclamé un échantillon de 120 millions de journaux de conversation. OpenAI a négocié pour ramener ce volume à 20 millions — soit un sixième de la demande initiale.
L’entreprise a finalement transmis cet échantillon à la justice en décembre. Mais le document remis aurait comporté un tel volume d’expurgations que son exploitation s’en trouvait, de fait, compromise. Un échantillon réduit à un sixième, puis caviardé : la mécanique procédurale a, à chaque étape, restreint ce que les plaignants pouvaient réellement examiner.
Ces chiffres méritent une mise en perspective. Passer de 120 à 20 millions de logs n’est pas un ajustement technique marginal : c’est une réduction de 100 millions d’unités d’analyse, celles-là mêmes qui auraient pu servir à établir la fréquence des reproductions. Rapporté à la base de 78 millions de conversations qu’OpenAI aurait constituée pour son propre usage, l’échantillon concédé au tribunal apparaît d’autant plus étroit. L’entreprise disposait, en interne, d’un corpus supérieur à ce qu’elle a livré à la partie adverse.
C’est le point de bascule que soulève le NYT : la question n’est plus seulement de savoir si OpenAI a copié, mais s’il a organisé l’accès à la preuve de cette copie.
Fair use et RGPD : ce que la capacité de recherche change au dossier
Tout au long de l’affaire, OpenAI a soutenu qu’il ne pouvait pas rechercher dans son propre corpus d’entraînement. L’entreprise a également fait valoir que fouiller ou produire son immense collection de conversations ChatGPT serait techniquement lourd et poserait des problèmes de vie privée : les journaux devraient être récupérés, traités, puis dépersonnalisés avant toute transmission.
L’argument de la charge technique est classique en discovery — la phase américaine de communication des pièces. Il perd toutefois de sa force si l’existence d’une base déjà constituée, déjà dépersonnalisée et déjà exploitée en interne est établie. Un travail présenté comme trop coûteux à réaliser aurait, dans cette hypothèse, déjà été accompli avant même le procès.
OpenAI conteste frontalement la lecture du NYT. « À mesure que le dossier du Times s’affaiblit et qu’ils ont été contraints d’abandonner des demandes contre nous, ils persistent à vouloir violer la vie privée de personnes qui n’ont rien à voir avec cette affaire, notamment par ces allégations manifestement fausses », a réagi l’entreprise, citée par TechCrunch. Et d’ajouter : « Nous continuerons à défendre la vie privée de nos utilisateurs et les principes établis de longue date du fair use. »
La défense d’OpenAI opère ainsi un déplacement du terrain : du droit d’auteur vers la protection des données. C’est habile, mais cela ouvre un flanc que la juriste européenne ne peut ignorer. Ces 78 millions de conversations « dépersonnalisées » interrogent directement les catégories du RGPD.
Pour comprendre — dépersonnalisation, anonymisation, pseudonymisation En droit européen, une donnée anonymisée de façon irréversible sort du champ du RGPD ; une donnée pseudonymisée, elle, reste une donnée personnelle et demeure protégée. Le terme « de-identified » employé outre-Atlantique ne tranche pas cette distinction. Selon le procédé réellement utilisé, la constitution d’une base de 78 millions d’échanges pourrait relever, en Europe, d’un traitement de données personnelles soumis à base légale.
Le paradoxe est net. OpenAI invoque la vie privée des utilisateurs pour justifier la difficulté de produire les logs, tout en ayant — selon l’accusation — exploité en interne ces mêmes logs à grande échelle. Notre lecture : la protection des données ne peut pas être à la fois un bouclier contre la discovery et un outil de mesure interne du risque. L’une des deux positions devra céder.
Pour un régulateur européen, l’affaire dépasse le seul contentieux américain. Elle documente, pièces à l’appui, la manière dont un fournisseur de modèle gère — ou dissimule — la traçabilité de ses données d’entraînement, sujet que l’AI Act et les autorités de protection des données scrutent de près.
FAQ
Pourquoi OpenAI a-t-il contesté sa capacité à rechercher des données qu’il détenait déjà ?
L’entreprise a invoqué la charge technique et la protection de la vie privée : récupérer, traiter et dépersonnaliser des millions de journaux représenterait un effort disproportionné. L’accusation répond que ce travail avait déjà été effectué en interne, via une base de 78 millions de conversations, ce qui viderait l’argument de sa substance.
La distinction « dépersonnalisé » a-t-elle un poids juridique en Europe ?
Oui. Le RGPD ne traite pas de la même façon une donnée anonymisée de manière irréversible et une donnée simplement pseudonymisée, qui reste protégée. Le terme américain « de-identified » ne précise pas le procédé employé. Selon les sources disponibles à ce jour, la nature exacte de la dépersonnalisation opérée par OpenAI n’est pas communiquée.
Les prochaines échéances du dossier
Le calendrier reste partiellement ouvert. L’échantillon de 20 millions de logs a été transmis à la justice en décembre. La suite dépendra de la façon dont le tribunal traitera l’accusation de dissimulation de preuves et les expurgations contestées ; aucune date d’audience sur ce point n’est communiquée à ce jour.
Une inconnue domine désormais l’affaire : si le juge retient que la capacité de recherche existait bel et bien, la ligne de défense fondée sur la charge technique s’effondre — et avec elle une partie de l’argumentaire fair use. Reste une question que ce procès, quelle qu’en soit l’issue, pose à toute l’industrie : un fournisseur de modèle peut-il invoquer la vie privée de ses utilisateurs pour se soustraire à l’examen de ce qu’il a entraîné sur le dos des autres ?
