PewDiePie banni deux fois pour distillation, et les règles sont devenues personnelles

Felix Kjellberg, plus connu sous le nom de PewDiePie, a déclaré à son audience qu'OpenAI l'avait banni deux fois. Son infraction n'était pas la contrebande de poids ni la revente d'accès à l'API à grande échelle. Il a utilisé les sorties de l'un des modèles d'OpenAI pour entraîner Ajax, un modèle 9B qu'il exécute sur son propre matériel pour des tâches quotidiennes comme la recherche et les e-mails.

Ajax est construit sur Qwen3.5-9B, un petit modèle ouvert, et affiné sur des données générées par un modèle plus grand et fermé. Ce processus s'appelle la distillation. C'est la même technique qui a produit une vague de modèles bon marché et performants au cours des deux dernières années, et c'est la technique que les grands laboratoires s'efforcent désormais de contrôler.

Ce qu'est réellement la distillation

Distiller un modèle signifie entraîner un modèle plus petit à imiter un plus grand. Vous soumettez des prompts à l'enseignant, collectez ses réponses et entraînez l'élève à les reproduire. L'élève n'a pas besoin des poids de l'enseignant ni de son architecture. Il a simplement besoin de suffisamment d'éléments du comportement de l'enseignant pour apprendre le schéma.

C'est pourquoi les laboratoires s'en préoccupent. Un modèle de pointe coûte des dizaines ou des centaines de millions de dollars à entraîner. Si un concurrent ou un particulier peut récolter ses sorties via une API et transférer cette capacité dans un modèle qu'il possède, la partie coûteuse du travail est en partie contournée. La sortie ressemble à du texte, mais le signal sous-jacent est ce qui est copié.

Le cas de Kjellberg compte parce qu'il est petit. Il n'est pas une start-up bien financée qui livre un produit rival. C'est une personne avec un GPU grand public et un modèle local. L'application des règles est allée jusque-là.

Les laboratoires ne devinent pas l'ampleur

Le bannissement de Kjellberg par OpenAI n'est que la partie visible. Les campagnes plus vastes sont industrielles. Le directeur général d'Anthropic, Dario Amodei, a décrit une seule opération de distillation qui a utilisé environ 25 000 faux comptes et a réalisé environ 28,8 millions d'échanges avec Claude. À ce volume, la collecte de sorties n'est pas un projet annexe ; c'est un pipeline de données avec du personnel et de l'infrastructure.

OpenAI a également sévi contre des entreprises. Elle a coupé l'accès de Cursor à ses modèles, invoquant des préoccupations liées à la distillation, après que xAI a utilisé des sorties d'OpenAI pour entraîner Grok. Le schéma commun à ces actions est que l'application des règles ne vise plus seulement les revendeurs évidents. Elle vise quiconque dont le produit dépend d'une capacité extraite d'un modèle fermé.

Toute une industrie de la détection se forme autour de cela. Les laboratoires recherchent des schémas de comptes, des volumes de requêtes et les empreintes statistiques des données collectées. Être pris ne signifie pas toujours un procès ; cela peut signifier perdre l'accès à l'API, ce qui, pour une start-up, revient souvent au même.

Vingt-cinq entreprises ont demandé des règles plus claires

L'application des règles par les laboratoires se déroule sur fond de désaccord ouvert sur ce que ces règles devraient être. En juillet 2026, vingt-cinq organisations, dont Nvidia, Meta et Microsoft, ont signé une lettre affirmant que les modèles à poids ouverts sont essentiels au leadership américain en matière d'IA. Elles ont demandé des cadres juridiques ciblés qui traitent directement de la distillation, plutôt que des restrictions générales sur les modèles ouverts.

OpenAI, Anthropic et Google n'ont pas signé. Tous trois possèdent des modèles de pointe dont la valeur dépend de la limitation de la facilité avec laquelle leurs sorties peuvent être copiées. La division se résume à qui a le droit de le faire et à quelles conditions.

Dans ce vide, une cour d'appel américaine a ajouté un point de données distinct fin septembre. Dans Thomson Reuters c. Ross Intelligence, le Troisième circuit a confirmé une décision selon laquelle la copie du contenu éditorial d'un concurrent pour entraîner un produit de recherche ne constituait pas un fair use, parce que le produit résultant concurrençait directement la source. Cette affaire concerne un moteur de recherche plutôt qu'un modèle génératif, et la cour a pris soin de préciser qu'elle ne statuait pas sur l'ensemble de l'entraînement de l'IA. Mais elle signale que le terrain juridique sous les données d'entraînement se déplace en même temps que l'application technique se resserre.

Pourquoi le terme « distillation » porte tant de poids

Toutes les utilisations de la sortie d'un modèle ne se valent pas, et les règles actuelles brouillent la différence. Demander à un modèle de vous aider à écrire du code est un usage normal. Lui demander de générer des millions d'exemples pour entraîner un rival ne l'est pas. Quelque part entre les deux se trouve une personne qui utilise des sorties pour améliorer un peu le comportement d'un modèle de loisir, ce qui correspond à peu près à la situation de Kjellberg.

Les laboratoires traitent les données de sortie comme un actif dont ils détiennent les droits d'utilisation et de contrôle. Leurs conditions d'utilisation le disent, et l'application suit les conditions plutôt qu'une norme juridique. C'est pourquoi le même acte peut être autorisé sur un compte et interdit sur un autre : cela dépend du volume, de l'intention telle que le fournisseur l'interprète, et de la question de savoir si le modèle résultant ressemble à un concurrent. Il n'y a pas de limite claire, et l'absence d'une telle limite est le vrai problème pour quiconque tente de rester du bon côté.

La détection rend la frontière plus difficile à voir. Les laboratoires recherchent des schémas qui suggèrent une collecte : volumes de requêtes inhabituels, comptes créés par lots, prompts qui ressemblent à des suites d'évaluation. Une personne exécutant quelques milliers de prompts peut n'en déclencher aucun. Une opération utilisant 25 000 comptes les déclenchera. Entre les deux, la réponse est réellement incertaine, et l'incertitude est une piètre fondation pour un produit.

Une décision de justice est tombée au même moment

L'application technique se resserre tandis que le paysage juridique est encore en mouvement. Fin septembre, le Troisième circuit a confirmé une décision selon laquelle la copie du contenu éditorial d'un concurrent pour entraîner un produit de recherche ne constituait pas un fair use, parce que le produit résultant concurrençait la source. La cour a pris soin de noter que sa décision portait sur un moteur de recherche, et non sur un modèle génératif, et qu'elle n'établissait pas une règle universelle pour l'entraînement de l'IA.

Lue de manière restrictive, cette affaire dit peu de chose sur le modèle local de Kjellberg. Lue comme un signal, elle indique que les tribunaux sont prêts à accorder beaucoup de poids au préjudice de marché lorsqu'un modèle est entraîné sur du matériel provenant d'un produit avec lequel il est en concurrence. Les laboratoires agissent déjà comme si ce principe s'appliquait à leurs sorties. Les tribunaux n'ont pas encore dit si c'est le cas.

Ce que cela signifie si vous exécutez un petit modèle

Pour les développeurs individuels et les petites équipes, la situation pratique a changé plus vite que la loi.

Entraîner un modèle local sur des sorties que vous avez générées vous-même relève d'une zone grise qui dépend des conditions d'utilisation du fournisseur, et non du droit d'auteur. La plupart des grands fournisseurs interdisent d'utiliser les sorties pour entraîner des modèles concurrents. Ce qui compte comme « concurrent » est défini par le fournisseur, et l'application des règles peut survenir sans avertissement sous la forme d'une clé suspendue.

Il y a quelques choses qui valent la peine d'être faites. Lisez les conditions d'utilisation du modèle précis à partir duquel vous distillez, pas la politique générale. Conservez des traces de la manière dont les données d'entraînement ont été produites, car si un fournisseur le demande, une piste auditable fait la différence entre un avertissement et un bannissement. Privilégiez les sorties de modèles dont les licences autorisent explicitement l'entraînement dérivé, ce qui inclut de nombreux modèles à poids ouverts. Et si votre produit dépend de l'API d'un seul fournisseur, considérez cette dépendance comme un risque, et non comme un simple confort.

Kjellberg est un cas de test inhabituel parce qu'il est public et que les enjeux pour lui sont faibles. La leçon n'est pas qu'il a été traité injustement ou qu'il l'a mérité. C'est que la tolérance à l'égard de la distillation s'est réduite au point qu'un projet personnel sur du matériel grand public a entraîné deux bannissements. Les équipes qui utilisent la même technique à grande échelle devraient supposer moins de marge, et non plus.