TechnologieIAAutomatisation

Un dirigeant de Microsoft a admis en interne que le « scraping » d'actualités pour l'entraînement de l'IA constitue « le plus grand vol de main-d'œuvre »

21 septembre 2026·6 min de lecture

Lundi 21 septembre 2026, 6 h 45. Je buvais mon café noir devant mon terminal en vérifiant les logs de mon outil de suivi SAV. Zéro alerte, mes conteneurs tournaient sans accroc. J'ouvre ma veille technique matinale.

Un document judiciaire déclassifié me stoppe net. Une pièce issue du litige opposant la presse américaine à Microsoft et OpenAI.

Ce n'est ni un avocat adverse, ni un syndicat qui parle. C'est Brent Hecht, directeur des sciences appliquées chez Microsoft (Applied Sciences, division transformant la recherche en logiciels concrets).

Dans une note interne, il écrit que le scraping (moissonnage automatisé de pages web sans autorisation) d'actualités pour entraîner l'IA représente « un vol stupéfiant d'une ampleur sans précédent ».

Mieux encore : il le qualifie de « plus grand vol de main-d'œuvre de l'histoire de l'humanité ».

Quand le haut responsable scientifique d'un géant tech contredit les juristes de sa boîte dans un mémo interne, le vernis marketing explose.

Pour moi qui fais tourner mon laboratoire d'indépendant grâce à des modèles de langage, cette révélation fait l'effet d'une douche froide. Elle expose les coulisses d'une industrie bâtie sur une appropriation sauvage et nous oblige à repenser nos choix techniques.

Ce que cachent les scellés : l'envers du décor

Depuis trois ans, la Silicon Valley répète le même refrain : aspirer le web relèverait du fair use (l'usage loyal, doctrine américaine autorisant l'usage d'œuvres protégées sans accord préalable si l'usage est transformatif).

Sauf qu'en coulisses, la lucidité des équipes était totale.

Les pièces judiciaires révèlent quatre faits accablants :

1. Une parodie d'usage loyal

Brent Hecht a rejeté la thèse de Microsoft. Pour lui, aspirer massivement les articles constituait « une véritable parodie de la notion d'usage loyal ». Il a alerté sa direction sur un « cercle vicieux » : ruiner les médias détruit la matière première indispensable aux futurs modèles.

2. Le contournement délibéré des accès payants

Pour gaver leurs LLM (Large Language Models, grands modèles de langage entraînés sur des masses de texte), les équipes ont forcé les barrières payantes (paywalls). Un chercheur d'OpenAI, Nick Ryder, a ainsi signalé au président Greg Brockman un contournement (hack) du paywall du New York Times. Réponse de Brockman ? « Ah, sympa », lui qui confessait être « profondément motivé par les milliards » de la commercialisation.

3. La suppression délibérée du copyright

Le pillage a opéré à échelle industrielle : plus de 2 millions d'articles du New York Times aspirés via Common Crawl et 160 903 œuvres via le projet Mango. Les mentions de copyright ont été purgées des jeux de données d'entraînement (datasets) pour éviter que les modèles ne citent leurs sources ou n'affichent les mentions légales.

4. La preuve irréfutable de substitution

L'argument prétendant que l'IA renvoie du trafic vers les créateurs est faux. Chez OpenAI, Nick Turley (responsable de ChatGPT) évoquait une « menace existentielle » pour les éditeurs. Sous serment, Satya Nadella, PDG de Microsoft, a admis que le chatbot retient l'internaute en livrant l'information sur place au lieu de le renvoyer vers la source. Résultat : une chute de 83 % à 93 % des taux de clics (CTR, pourcentage d'internautes cliquant vers le site source).

Le serpent qui se mord la queue : rupture de stock pour l'IA

Un mémo interne résume le piège avec clarté :

« Il est très inhabituel qu'un produit final menace les fondements économiques de ses fournisseurs essentiels, mais c'est pourtant la situation que nous avons créée pour notre activité LLM en ce qui concerne sa chaîne d'approvisionnement en contenu. »

L'intelligence artificielle n'invente rien ex nihilo. Elle recombine des données produites par des humains.

Si tu asphyxies ceux qui enquêtent, écrivent et vérifient, que donneras-tu à manger aux modèles de demain ?

De la bouillie synthétique produite par d'autres algorithmes. C'est le collapsus de modèle (model collapse, dégradation d'une IA réentraînée sur ses propres sorties), provoquant baisse de pertinence et hallucinations (erreurs factuelles inventées par le modèle).

En voulant économiser des licences, les géants ont scié la branche sur laquelle ils sont assis.

Ce que ça m'apprend pour mon activité d'indépendant

Je ne dirige pas une multinationale et je ne gère pas de datacenters. Je suis un indépendant qui crée des solutions logicielles stables.

J'utilise des agents IA au quotidien. Mais ce scandale m'impose trois garde-fous stricts :

1. Zéro moissonnage sauvage

Mes scripts n'aspirent aucun contenu tiers sans accord. Si un outil a besoin de données externes, il passe par des API officielles.

2. Le RAG sur des données souveraines

Plutôt que d'attendre d'un modèle public qu'il sache tout grâce à des données siphonnées, j'applique le RAG (Retrieval-Augmented Generation, technique obligeant le modèle à répondre uniquement à partir de documents vérifiés fournis en contexte). Mes outils s'appuient sur mes propres bases et celles de mes clients.

3. Anticiper la fin de l'IA bradée

Le modèle des API subventionnées va disparaître sous l'effet des procès et des licences payantes. Les tarifs vont grimper. Mon architecture reste modulaire pour basculer sur des modèles ouverts en local.

Comment tourne mon laboratoire au quotidien

Aujourd'hui, j'ai 5 applications opérationnelles en production :

Un assistant familial avec commande vocale pour organiser le quotidien,
Une application de gestion d'équipements de protection pour garantir la conformité du matériel de sécurité,
Un outil de suivi SAV pour traiter et classer les incidents techniques,
Un planificateur de mariage complet gérant prestataires, budgets et plannings,
Un site familial dédié à l'organisation d'un projet d'expatriation.

Tu peux retrouver le détail de ces réalisations et de leur architecture sur ma page /projets.

Ces outils fonctionnent avec une rigueur financière totale : du code optimisé, zéro dépense superflue.

💸 Ce que ça m'a coûté

Google AI Pro : 20 €/mois

API LLM : ~10 €/mois

Hébergement : 0 € (tiers gratuits)

Base de données : 0 € (tiers gratuits)

Nom de domaine : ~10 €/an

Total : environ 30 €/mois pour 5 applications en production.

À retenir

La fin du mythe du fair use : Les experts de Microsoft et d'OpenAI admettaient en interne que le scraping sauvage constituait une spoliation directe du travail humain.
Le piège de la substitution : En captant 83 % à 93 % du trafic des médias, l'IA détruit la source d'information fiable dont elle dépend.
Miser sur des données souveraines : En tant qu'indépendant, sécurise tes projets avec du RAG sur données maîtrisées et des modèles locaux.

FAQ — les questions que tout le monde se pose

Que révèlent ces documents judiciaires déclassifiés ?

Ils démontrent que les dirigeants de Microsoft et OpenAI avaient conscience d'enfreindre le droit d'auteur : contournement de paywalls, suppression des mentions de copyright et effondrement du trafic des éditeurs.

Pourquoi le mémo de Brent Hecht est-il si lourd de sens ?

En qualifiant le scraping de « plus grand vol de main-d'œuvre de l'histoire de l'humanité », le directeur des sciences appliquées de Microsoft désavoue directement la stratégie juridique de sa propre entreprise.

Qu'est-ce que le collapsus de modèle (model collapse) ?

C'est la dégradation d'une IA réentraînée sur des données synthétiques. Sans apport de données humaines vérifiées, les modèles accumulent rapidement erreurs et hallucinations.

Comment un indépendant peut-il utiliser l'IA de manière éthique ?

En refusant le scraping pirate, en privilégiant des architectures RAG sur données propriétaires et en adoptant des modèles ouverts en local.