Perplexity accusé de vol de données : les pratiques douteuses du moteur IA

Dans le monde de l'intelligence artificielle, l'accès aux données est devenu un enjeu crucial pour le développement des modèles. Une récente étude de Cloudflare vient de mettre en lumière des pratiques controversées employées par Perplexity, le moteur de recherche propulsé par l'IA. L'entreprise est accusée de contourner délibérément les protections mises en place par les sites web pour empêcher le scraping de leurs contenus. Cette révélation soulève d'importantes questions sur l'éthique des pratiques d'acquisition de données dans l'industrie de l'IA.

Comment Perplexity contourne les protections des sites web

Selon l'étude de Cloudflare relayée par TechCrunch, Perplexity utiliserait des techniques sophistiquées pour accéder aux contenus que les sites web tentent explicitement de protéger. Pour comprendre la gravité de ces accusations, il faut d'abord saisir comment fonctionne la protection standard des sites web.

Les sites utilisent généralement un fichier appelé Robots.txt qui indique aux moteurs de recherche et aux robots d'indexation quelles pages ils sont autorisés à explorer et lesquelles sont interdites d'accès. C'est une norme respectée par la plupart des acteurs du web, notamment les moteurs de recherche traditionnels comme Google.

Les techniques de contournement identifiées

D'après Cloudflare, lorsque le robot de Perplexity rencontre un blocage, il ne recule pas. Au contraire, l'entreprise déploierait deux stratégies principales :

• Modification de l'agent utilisateur (user agent) pour se faire passer pour un navigateur web classique
• Masquage de son adresse IP pour éviter d'être identifié et bloqué

Ces techniques permettraient à Perplexity d'accéder à des contenus explicitement protégés contre le scraping. Selon Cloudflare, cette activité a été observée « sur des dizaines de milliers de domaines et des millions de requêtes par jour », ce qui témoigne de l'ampleur du phénomène.

Un problème récurrent dans l'industrie de l'IA

Le cas de Perplexity n'est malheureusement pas isolé. Ces dernières années, plusieurs entreprises d'IA ont été accusées de pratiques similaires. En 2024, des problèmes de confidentialité des données ont été signalés avec d'autres outils d'IA populaires.

iFixit s'était notamment plaint d'Anthropic, l'entreprise derrière l'assistant IA Claude, pour des pratiques de scraping non autorisé. De même, Steve Huffman, PDG de Reddit, avait publiquement dénoncé Microsoft pour des comportements similaires.

Les implications légales et éthiques du scraping non autorisé

Ces pratiques soulèvent d'importantes questions juridiques et éthiques. Si le scraping de données publiques n'est pas nécessairement illégal en soi, le contournement délibéré des mesures de protection mises en place par les propriétaires de sites web pourrait potentiellement violer plusieurs lois.

Cadre juridique en France et en Europe

En France et dans l'Union européenne, le RGPD encadre strictement la collecte et l'utilisation des données. Par ailleurs, la directive sur le droit d'auteur dans le marché unique numérique accorde une protection spécifique aux éditeurs de presse. Les experts en cybersécurité soulignent que ces pratiques pourraient également enfreindre les lois sur l'accès non autorisé aux systèmes informatiques.

De plus, la récente législation européenne sur l'IA (AI Act) impose des obligations de transparence concernant les données utilisées pour entraîner les modèles d'IA, ce qui pourrait compliquer davantage la situation pour les entreprises adoptant ces pratiques.

Problèmes éthiques

Au-delà des aspects légaux, ces pratiques soulèvent des questions éthiques fondamentales :

1. Respect de la volonté exprimée des créateurs de contenu
2. Transparence sur les sources de données utilisées
3. Juste rémunération des producteurs de contenu
4. Impact sur l'écosystème du web et la création de contenu original

Comme l'a souligné OpenAI dans une déclaration controversée, certains acteurs de l'industrie considèrent que l'utilisation de contenus protégés est nécessaire pour développer des modèles d'IA performants. Cette position est vivement contestée par de nombreux créateurs et éditeurs.

La réponse de Perplexity aux accusations

Face à ces accusations graves, Perplexity a réagi de manière assez virulente. Dans un courrier adressé à TechCrunch, l'entreprise a qualifié l'étude de Cloudflare de « baratin commercial » et a fourni une capture d'écran suggérant que le robot mentionné dans le blog de Cloudflare ne serait pas le leur.

Cette défense soulève toutefois des questions, car Cloudflare affirme avoir observé ces comportements à grande échelle et sur une période prolongée. En réponse, Cloudflare a indiqué avoir retiré les robots de Perplexity de sa liste de robots vérifiés et mis en place de nouvelles techniques pour les bloquer.

Cette controverse intervient à un moment délicat pour Perplexity, qui cherche à se positionner comme une alternative sérieuse à Google Chrome, avec le lancement imminent de son navigateur Comet. Les investisseurs en technologie observent attentivement l'évolution de cette situation qui pourrait affecter la crédibilité de l'entreprise.

L'avenir du scraping de données pour l'IA

Cette controverse s'inscrit dans un débat plus large sur l'accès aux données pour l'entraînement des modèles d'IA. Alors que les entreprises d'IA ont besoin d'énormes quantités de données pour améliorer leurs modèles, les créateurs de contenu cherchent légitimement à protéger leur travail et à être rémunérés pour son utilisation.

Vers des solutions équilibrées

Plusieurs pistes sont explorées pour résoudre ce dilemme :

• Accords de licence entre les entreprises d'IA et les grands producteurs de contenu
• Développement de standards techniques permettant aux sites d'indiquer précisément quelles données peuvent être utilisées pour l'entraînement d'IA
• Mécanismes de compensation financière pour l'utilisation de contenus
• Régulation gouvernementale plus stricte

Certaines entreprises technologiques ont déjà commencé à conclure des accords avec des éditeurs pour accéder légalement à leurs contenus. Cette approche pourrait devenir la norme à mesure que le cadre légal se précise.

Comment les sites web peuvent se protéger

Face à ces pratiques, les propriétaires de sites web ne sont pas totalement démunis. Plusieurs mesures techniques peuvent être mises en place pour limiter le scraping non autorisé :

1. Utilisation de services de protection comme Cloudflare qui détectent et bloquent les comportements suspects
2. Implémentation de mécanismes de détection des robots avancés (CAPTCHA, analyse comportementale)
3. Limitation de débit pour les adresses IP suspectes
4. Mise en place de contenus dynamiques plus difficiles à scraper
5. Utilisation avancée des cookies pour détecter les comportements anormaux

Ces mesures ne sont pas infaillibles, mais elles peuvent considérablement augmenter la difficulté et le coût du scraping non autorisé, rendant cette pratique moins attractive pour les entreprises d'IA.

Conclusion : un équilibre nécessaire entre innovation et respect des droits

L'affaire Perplexity illustre parfaitement la tension qui existe aujourd'hui entre le besoin d'accès aux données pour développer des technologies d'IA innovantes et la nécessité de respecter les droits des créateurs de contenu. Si les entreprises d'IA veulent bâtir une relation de confiance avec l'écosystème numérique, elles devront adopter des pratiques plus transparentes et respectueuses.

Les régulateurs et les tribunaux joueront probablement un rôle crucial dans l'établissement de règles claires pour encadrer ces pratiques. En attendant, les consommateurs et utilisateurs de ces services devraient rester vigilants quant aux pratiques des entreprises qu'ils soutiennent.

Vous souhaitez générer du contenu de qualité sans recourir à des pratiques controversées ? Inscrivez-vous gratuitement à Roboto pour découvrir comment notre plateforme vous permet de créer des textes, images et vidéos en respectant les meilleures pratiques éthiques du secteur.