Publié le 31 octobre 2025 20h00. L’essor fulgurant des intelligences artificielles capables de générer des vidéos réalistes soulève une question cruciale : d’où proviennent les millions d’images qui alimentent ces systèmes, et à quel prix ? Une enquête révèle que de nombreuses vidéos ont été utilisées sans consentement, notamment celles hébergées sur YouTube.
- Des millions de vidéos, dont une part importante provenant de YouTube, ont été utilisées pour entraîner des modèles d’IA générative.
- Des médias de renom tels que le New York Times, la BBC et The Guardian ont vu leur contenu utilisé sans autorisation préalable.
- YouTube interdit formellement l’utilisation de ses vidéos pour l’entraînement de modèles d’IA, et plusieurs médias ont engagé des actions en justice.
L’intelligence artificielle générative a connu une progression spectaculaire en seulement deux ans, passant de simples expérimentations à des modèles capables de produire des vidéos indiscernables de la réalité. Des outils comme Stable Video Diffusion et Sora 2 d’OpenAI ont suscité l’enthousiasme, mais ont également mis en lumière un problème de transparence : les données utilisées pour former ces IA restent souvent floues. OpenAI a simplement indiqué que Sora était entraîné avec des données « accessibles au public », sans plus de précisions.
Une enquête menée par The Atlantic met en évidence l’ampleur de la collecte de données. Plus de 15 millions de vidéos auraient été utilisées pour entraîner ces modèles, une part considérable provenant de YouTube sans autorisation formelle. Plusieurs ensembles de données, associés à diverses entreprises, ont été créés dans le but d’améliorer les performances des générateurs vidéo, sans que les créateurs de contenu ne soient informés.
Le type de contenu utilisé est particulièrement préoccupant. Il ne s’agit pas uniquement de vidéos anonymes ou personnelles, mais aussi de reportages d’information et de productions professionnelles. L’enquête révèle que des milliers d’articles proviennent de chaînes appartenant à des médias de premier plan tels que le New York Times, la BBC, The Guardian, le Washington Post ou Al Jazeera. Un volume considérable de travail journalistique aurait ainsi alimenté les systèmes d’IA sans accord préalable avec leurs propriétaires.
Runway, une entreprise pionnière dans le domaine de la vidéo générative, est également citée dans les ensembles de données examinés. Selon les documents consultés, ses modèles auraient été entraînés avec des clips classés par type de scène et de contexte : interviews, reportages explicatifs, infographies animées, séquences de cuisine, plans de ressources. L’objectif est clair : pour reproduire des situations humaines et des récits audiovisuels, l’IA a besoin de références concrètes couvrant tous les aspects, des gestes aux rythmes de montage.
Extrait d’une vidéo générée avec l’outil Runway
La recherche mentionne également l’utilisation de ces ensembles de données dans les laboratoires de grandes entreprises technologiques telles que Meta et ByteDance, dans le cadre de leurs travaux de recherche et de développement. La dynamique était similaire : collecte massive de vidéos sur Internet et partage entre équipes pour améliorer les capacités audiovisuelles.
YouTube a clairement exprimé sa position à ce sujet. Sa politique interdit explicitement le téléchargement de vidéos à des fins d’entraînement de modèles d’IA, et son PDG, Neal Mohan, l’a réaffirmé publiquement. Il a souligné que les créateurs s’attendent à ce que leurs contenus soient utilisés conformément aux règles du service. L’utilisation de millions de vidéos dans les bases de données d’IA a mis en évidence cette question juridique et a intensifié la pression sur les plateformes impliquées dans le développement de modèles génératifs.
La réaction du secteur des médias est mitigée. Certaines entreprises, comme Vox Media ou Prisa, ont conclu des accords pour concéder des licences d’utilisation de leur contenu aux plateformes d’intelligence artificielle, dans l’espoir d’établir un cadre clair et d’obtenir une compensation financière. D’autres médias ont choisi la voie de la contestation : le New York Times a intenté une action en justice contre OpenAI et Microsoft pour utilisation non autorisée de ses articles, affirmant qu’il protégerait également son contenu vidéo.
Le cadre juridique reste incertain. La législation actuelle n’est pas adaptée aux modèles traitant des millions de vidéos simultanément, et les tribunaux sont en train de définir les limites. Certains experts estiment que la simple publication d’un contenu ne signifie pas le transfert des droits de formation, tandis que les entreprises d’IA soutiennent que l’indexation et l’utilisation de matériel public relèvent du progrès technologique. Cette tension, toujours non résolue, maintient les médias et les développeurs dans un équilibre précaire.
Nous assistons aux prémices d’un débat qui dépasse largement le domaine technologique. L’entraînement de modèles d’IA avec du matériel disponible sur Internet est une pratique courante depuis des années, mais il est désormais temps de déterminer où se situent les limites. Les entreprises promettent des accords et de la transparence, les médias exigent des garanties et les créateurs réclament le contrôle. La prochaine étape sera à la fois technologique et politique : la manière dont l’intelligence artificielle sera alimentée déterminera qui en bénéficiera.
Images | Xataka avec Gemini 2.5
À lire également sur Xataka : Toutes les grandes IA ont ignoré les lois sur le droit d’auteur. Ce qui est étonnant, c’est qu’il n’y a toujours aucune conséquence
Pour aller plus loin
