Scandale Mistral AI : 70 To de livres piratés pour entraîner l'IA française

La licorne française de l'intelligence artificielle Mistral AI, valorisée à 12 milliards d'euros, se retrouve aujourd'hui au cœur d'une tempête médiatique suite à des révélations explosives. Une enquête approfondie de Mediapart vient de mettre en lumière des pratiques controversées concernant l'acquisition des données d'entraînement qui auraient servi à développer ses modèles d'IA. Ces accusations soulèvent des questions fondamentales sur l'éthique dans le développement de l'intelligence artificielle et pourraient avoir des répercussions majeures pour l'entreprise considérée comme le fleuron français du secteur.

Le téléchargement massif de 70 téraoctets de contenus protégés

Selon l'investigation publiée par Mediapart, Guillaume Lample, actuel directeur scientifique et cofondateur de Mistral AI, aurait orchestré le téléchargement d'environ 70 téraoctets (To) de données depuis Library Genesis (LibGen) lorsqu'il travaillait encore chez Meta en 2022. Cette plateforme, bien connue pour héberger des millions de livres et d'articles scientifiques piratés, constitue une source majeure de contenus protégés par le droit d'auteur.

L'enquête s'appuie sur des milliers de pages de documents rendus publics dans le cadre de l'affaire judiciaire "Kadrey v. Meta Platforms Inc.", qui oppose des créateurs au géant américain. Ces documents révèlent des échanges internes troublants au sein de Meta. Lorsqu'une chercheuse s'est opposée à ces méthodes en déclarant « je ne pense pas que nous devrions utiliser des ouvrages piratés, c'est une ligne rouge », Guillaume Lample aurait répondu sans ambiguïté : « Tout le monde utilise LibGen. C'est ce qu'OpenAI fait avec GPT3, ce que Google fait avec Palm, ce que DeepMind fait avec Chinchilla. Donc on va le faire aussi ».

Cette opération massive aurait été menée via un protocole Torrent, comme l'attestent les journaux de téléchargement cités dans l'enquête. Pour mettre en perspective, 70 To représentent un volume colossal de données textuelles - l'équivalent de millions de livres complets.

De Meta à Mistral : le parcours controversé de Guillaume Lample

L'affaire prend une dimension particulière lorsqu'on examine la chronologie des événements. À l'automne 2022, période où ces téléchargements auraient eu lieu, les équipes de recherche de Meta cherchaient urgemment à rattraper leur retard face à OpenAI et son modèle ChatGPT qui commençait à faire sensation.

Meta a finalement décidé de ne pas utiliser ces données piratées pour la première version de son modèle LLaMA, publiée en février 2023. Ce modèle, cosigné par Guillaume Lample et Timothée Lacroix (tous deux futurs cofondateurs de Mistral AI), s'appuyait néanmoins sur Books3, une base de données contenant également des ouvrages protégés par le droit d'auteur, mais obtenue par d'autres canaux.

Guillaume Lample a quitté Meta peu après cette période. Selon l'enquête de Mediapart, le piratage se serait poursuivi chez Meta même après son départ : en mai 2023, de nouveaux téléchargements massifs depuis LibGen auraient été effectués, puis en 2024 depuis Anna's Archive, une plateforme pirate qui aurait récemment aspiré l'intégralité du catalogue Spotify. Ce méta-agrégateur, qui compile LibGen, Sci-Hub, Z-Library et d'autres sources, totaliserait plus de 1 100 téraoctets de contenus piratés.

La création de Mistral AI par Arthur Mensch, Guillaume Lample et Timothée Lacroix en avril 2023, peu après leur départ de Meta et Google DeepMind, soulève désormais des questions sur le transfert potentiel de connaissances et de pratiques entre ces entreprises. Les enjeux juridiques liés au droit d'auteur dans le domaine de l'IA deviennent de plus en plus complexes.

L'origine trouble des données d'entraînement de Mistral AI

L'enquête de Mediapart soulève des interrogations légitimes sur l'origine des données ayant servi à entraîner Mistral 7B, le premier modèle de la startup française lancé en septembre 2023. Un mail interne de Meta daté du 19 décembre 2023, révélé par les journalistes, mentionne que l'équipe de recherche « sait, par le bouche-à-oreille, que OpenAI et Mistral utilisent LibGen pour leurs modèles ».

Cette affirmation contraste fortement avec le discours officiel de Mistral AI qui, depuis sa création, affirme utiliser des données de « haute qualité » et négocier des licences appropriées. L'entreprise a effectivement signé un partenariat avec l'AFP début 2025 et participe depuis 2024 au projet ArGiMi donnant accès aux collections de l'INA et de la BNF. Cependant, ces accords sont tous postérieurs au lancement de Mistral 7B, ce qui ne résout pas la question de l'origine des données utilisées pour ce modèle initial.

La controverse prend une dimension réglementaire importante avec l'entrée en vigueur de l'AI Act européen le 2 août 2025. L'article 53 de ce règlement impose aux fournisseurs de modèles d'IA à usage général de publier un résumé suffisamment détaillé de leurs données d'entraînement. À ce jour, Mistral AI n'a pas publié ce document obligatoire, ce qui pourrait l'exposer à des sanctions.

Les implications juridiques et éthiques pour l'industrie de l'IA

Cette affaire s'inscrit dans un contexte plus large de questionnements sur les pratiques d'acquisition de données dans l'industrie de l'IA. Les géants technologiques font face à plus de 70 procédures judiciaires concernant l'utilisation de contenus protégés par le droit d'auteur pour entraîner leurs modèles d'intelligence artificielle.

Les implications juridiques pourraient être considérables pour Mistral AI. Si l'entreprise a effectivement utilisé des données piratées pour entraîner ses modèles, elle pourrait faire l'objet de poursuites similaires à celles qui visent déjà Meta, OpenAI ou Google. Les batailles juridiques sur les droits d'auteur dans le domaine de l'IA se multiplient et créent une jurisprudence qui pourrait s'avérer coûteuse pour les entreprises fautives.

Au-delà de l'aspect légal, cette affaire soulève des questions éthiques fondamentales. L'argument selon lequel « tout le monde le fait » ne constitue pas une justification valable pour enfreindre le droit d'auteur. La course effrénée au développement de modèles d'IA toujours plus performants ne devrait pas se faire au détriment des créateurs et des ayants droit.

L'impact sur la réputation de Mistral AI et de la tech française

Pour Mistral AI, ces révélations arrivent à un moment critique. Valorisée à 12 milliards d'euros et considérée comme le champion français de l'IA, l'entreprise avait jusqu'à présent bénéficié d'une image positive, incarnant l'excellence technologique française face aux géants américains comme OpenAI ou Google.

Ce scandale pourrait entacher durablement sa réputation et remettre en question sa crédibilité auprès des investisseurs, des partenaires et du grand public. Il pourrait également avoir des répercussions sur l'écosystème tech français dans son ensemble, alors que la France cherche à s'imposer comme un acteur majeur de l'intelligence artificielle en Europe et dans le monde.

Les startups françaises d'IA pourraient subir un contrecoup de cette affaire, avec une vigilance accrue des autorités et des investisseurs concernant leurs pratiques d'acquisition et d'utilisation des données.

Vers une réglementation plus stricte des pratiques d'entraînement des IA

Cette affaire pourrait accélérer la mise en place d'une réglementation plus stricte concernant l'acquisition et l'utilisation des données pour l'entraînement des modèles d'IA. L'Union européenne, déjà à la pointe en matière de régulation numérique avec le RGPD et l'AI Act, pourrait renforcer ses exigences en matière de transparence et de respect du droit d'auteur.

Les entreprises développant des modèles d'IA pourraient être contraintes de documenter de manière exhaustive l'origine de leurs données d'entraînement et de prouver qu'elles ont obtenu les autorisations nécessaires. Des systèmes de traçabilité des données pourraient être imposés pour garantir le respect des droits des créateurs.

Cette évolution réglementaire pourrait favoriser l'émergence de nouvelles pratiques plus vertueuses, comme la création de bases de données spécifiquement destinées à l'entraînement des IA, avec des mécanismes de rémunération équitables pour les créateurs. Des solutions techniques permettant de détecter l'utilisation non autorisée de contenus protégés pourraient également se développer.

La réponse attendue de Mistral AI

Face à ces accusations graves, Mistral AI n'a pas encore réagi officiellement. Ni Guillaume Lample ni la direction de l'entreprise n'ont répondu aux sollicitations des journalistes de Mediapart. Cette absence de communication ne fait qu'alimenter les suspicions.

Pour tenter de préserver sa réputation, l'entreprise devra probablement adopter une stratégie de transparence totale concernant ses pratiques passées et actuelles. Elle pourrait également s'engager à respecter scrupuleusement le droit d'auteur pour ses futurs développements et à collaborer avec les autorités de régulation pour établir des standards éthiques pour l'industrie.

• Publication d'un rapport détaillé sur l'origine des données d'entraînement de tous ses modèles
• Mise en place d'un comité d'éthique indépendant pour superviser ses pratiques
• Compensation des ayants droit dont les œuvres auraient été utilisées sans autorisation
• Engagement à respecter strictement l'AI Act européen
• Participation active à l'élaboration de standards éthiques pour l'industrie

Conclusion : un tournant pour l'industrie de l'IA

Le scandale qui touche Mistral AI pourrait marquer un tournant dans l'histoire encore jeune de l'intelligence artificielle générative. Il met en lumière les zones grises éthiques et juridiques dans lesquelles opèrent de nombreuses entreprises du secteur, pressées par une compétition féroce et des attentes démesurées.

Cette affaire rappelle que le développement technologique ne peut se faire au mépris des droits fondamentaux, notamment ceux des créateurs. Elle souligne également l'importance d'une réglementation adaptée et d'une vigilance accrue de la part des autorités et de la société civile.

Pour l'avenir de l'IA, l'enjeu sera de trouver un équilibre entre innovation technologique et respect des droits de chacun. Les entreprises qui sauront adopter des pratiques éthiques et transparentes seront probablement celles qui s'imposeront sur le long terme dans un marché où la confiance des utilisateurs devient un actif de plus en plus précieux.

Vous souhaitez générer du contenu de qualité tout en respectant les droits d'auteur? Inscrivez-vous gratuitement à Roboto et découvrez comment créer des textes, images et vidéos originaux avec une IA éthique et responsable.