Thomson Reuters c. Ross : le premier arrêt d'appel sur l'entraînement de l'IA et l'utilisation équitable

Pendant trois ans, le combat juridique pour savoir si les modèles d'IA peuvent être entraînés sur du matériel protégé par le droit d'auteur s'est surtout soit réglé, soit enlisé au niveau des tribunaux de district. En septembre, la Cour d'appel des États-Unis pour le troisième circuit a changé la donne. Sa décision dans Thomson Reuters c. Ross Intelligence est le premier arrêt d'une cour d'appel fédérale à juger que l'utilisation de matériel protégé par le droit d'auteur pour entraîner un outil d'IA commercial concurrent ne relève pas de l'utilisation équitable.

La juge Tamika Montgomery-Reeves a confirmé la conclusion de la juridiction inférieure de février 2025 selon laquelle Ross Intelligence avait enfreint 2 243 notes de jurisprudence de Thomson Reuters, de brefs résumés de points juridiques rédigés par des éditeurs, lorsqu'elle a entraîné sur celles-ci un produit concurrent de recherche juridique. L'aval de la cour d'appel compte parce qu'il fait passer le raisonnement d'une opinion d'un juge au rang de précédent contraignant pour un circuit fédéral, ce que les autres tribunaux doivent désormais prendre en compte.

Ce que l'affaire a réellement tranché

La décision, étroite, porte sur un type précis de système. Ross a conçu un outil de recherche juridique destiné à concurrencer directement le produit sur le contenu duquel il s'était entraîné. La cour a jugé que cet usage ne satisfaisait pas au test de l'utilisation équitable, en grande partie parce que le résultat était en concurrence sur le même marché que l'original.

Le raisonnement s'appuie sur la substitution de marché. Lorsque l'objectif de l'entraînement est de produire quelque chose qui remplace la source, le quatrième facteur de l'utilisation équitable — l'effet sur le marché potentiel de l'original — pèse lourdement contre l'utilisateur. La cour n'a pas été convaincue que la copie intermédiaire impliquée dans l'entraînement était suffisamment transformatrice pour surmonter cela.

Il convient d'être précis sur ce que cela couvre et ne couvre pas. Ross n'était pas, au sens pertinent, un modèle génératif produisant une expression originale. C'était un produit de recherche et de récupération qui reproduisait et réutilisait des résumés protégés par le droit d'auteur. La cour a établi cette distinction explicitement, laissant à l'IA générative la possibilité de plaider pour une protection plus large au titre de l'utilisation équitable, au motif qu'elle génère du contenu nouveau plutôt qu'elle ne reproduit du contenu existant.

Cette exception est généreuse à première vue et moins rassurante en pratique. Cela signifie que l'arrêt d'appel ne tranche pas la question à laquelle l'industrie de l'image et de la vidéo veut le plus de réponse : savoir si l'entraînement d'un modèle de diffusion sur des milliards d'images et de vidéos protégées par le droit d'auteur relève de l'utilisation équitable. Il laisse cette question à des affaires futures, et cela signifie que la réponse peut varier selon le type de modèle.

La question de l'IA générative reste ouverte

Le combat parallèle du côté de l'IA générative a cheminé devant différents tribunaux, et il n'a pas été résolu en faveur de l'industrie. L'élément le plus commenté est le règlement dans Bartz c. Anthropic, en juin 2025, qui a résolu une action collective portant sur des données d'entraînement pour un montant rapporté de 1,5 milliard de dollars. Un règlement n'est pas une décision de justice, mais l'ampleur du montant indique comment les avocats du défendeur évaluaient leurs chances.

Parallèlement à l'arrêt d'appel, une affaire distincte concernant l'entraînement d'IA sur des images a été portée devant un jury à San Francisco, ce qui en fait la première affaire de ce type à atteindre un jury plutôt que de se régler. Un verdict dans cette affaire donnerait à l'industrie quelque chose qu'aucune partie n'a encore eu : une détermination factuelle sur la question de savoir si l'entraînement de modèles d'images sur le travail d'artistes constitue une contrefaçon, décidée par des personnes plutôt que par un juge.

Lus ensemble, l'arrêt Ross et les affaires en cours pointent dans une même direction. Les tribunaux sont de plus en plus réticents à considérer « nous avons entraîné un modèle dessus » comme une défense automatique, et ils distinguent l'analyse selon le degré de concurrence du produit résultant avec la source. Plus un système se substitue directement au contenu dont il a appris, plus l'argument de l'utilisation équitable s'affaiblit.

Pourquoi cela dépasse la legaltech

Il est tentant de classer Ross dans une catégorie étroite, la recherche juridique, et de passer à autre chose. Ce serait une erreur pour quiconque utilise l'IA pour produire du contenu commercial, et la raison en est la logique de substitution de marché.

Prenons le cas ordinaire d'un outil d'IA qui rédige des descriptions de produits. S'il a été entraîné sur les textes de catalogue d'un détaillant, puis utilisé pour générer des textes de catalogue concurrents, le raisonnement de Ross s'applique avec une franchise inconfortable. Il en va de même pour un modèle d'image entraîné sur les photos de produits de la marque qu'il aide un concurrent à attaquer sur les prix, ou pour un outil de rédaction publicitaire alimenté par les articles d'une publication et utilisé pour générer du contenu qui attire les mêmes lecteurs.

L'exposition pratique ne se limite pas aux développeurs de modèles. Les entreprises qui déploient des outils d'IA héritent du risque lié à la manière dont ces outils ont été conçus, et la piste d'audit est souvent absente. Les vendeurs qui travaillent avec des modèles gratuits entraînés sur des données non licenciées sont les plus exposés, car ils ne peuvent pas démontrer la provenance, même s'ils le souhaitaient. Les équipes qui s'approvisionnent en modèles entraînés sur des données sous licence ou détenues peuvent documenter ce choix, ce qui constitue une position défendable en cas de litige et de plus en plus une exigence imposée par les partenaires et les plateformes.

Le coût de conformité de ce changement est réel et inégal. Les acteurs plus importants peuvent négocier des licences et constituer des ensembles de données sous licence ; les plus petits ne le peuvent pas, et doivent choisir entre payer pour des outils sous licence, générer du contenu original à la main, ou assumer un risque qu'ils ne peuvent peut-être pas quantifier. Les plateformes sont susceptibles de combler une partie de cet écart elles-mêmes, en analysant le contenu téléversé pour détecter des signaux de matériel généré par IA non licencié, comme elles le font déjà pour les contrefaçons.

L'ambiguïté pratique mérite d'être énoncée clairement. L'arrêt Ross porte sur un produit de récupération, pas sur un modèle de diffusion, de sorte que personne ne devrait y voir un verdict sur l'entraînement d'images ou de vidéos. Ce qu'il établit, en revanche, c'est une méthode d'analyse qui sera appliquée plus largement : des tribunaux qui demandent à quel point le résultat du système entraîné concurrence le matériel dont il a appris. Cette question a une réponse inconfortable pour beaucoup de produits d'IA commerciaux, et elle ne dépend pas du caractère génératif ou non du modèle.

La conséquence à court terme est que la provenance devient une caractéristique produit. Les outils qui peuvent montrer d'où viennent leurs données d'entraînement, ou qui ont été construits uniquement sur du contenu que le client possède déjà, présentent moins de risque et peuvent facturer cela. Les outils qui ne le peuvent pas se tourneront vers des clients qui, soit ne savent pas qu'il faut poser la question, soit n'ont pas les moyens de s'en soucier.

L'état des lieux

Ce qui existe aujourd'hui, ce sont un ensemble de repères plutôt qu'une règle établie. L'entraînement sur du matériel protégé par le droit d'auteur pour créer un produit commercial directement concurrent ne relève pas de l'utilisation équitable, du moins dans le troisième circuit. Les modèles génératifs ont plus de marge pour arguer, et cette marge n'a pas été testée jusqu'à un verdict de jury. Les règlements ont évalué le risque à des montants qui attirent l'attention dans les salles de conseil.

Pour quiconque construit des produits sur l'IA, la réponse sensée est d'arrêter d'attendre que le droit se cristallise. Sachez d'où viennent les données d'entraînement, conservez ce registre, privilégiez les modèles qui peuvent documenter leur provenance, et traitez la source des poids d'un modèle comme une question de chaîne d'approvisionnement plutôt qu'une note de bas de page juridique. La direction est claire même si la destination ne l'est pas, et les organisations qui peuvent répondre dès aujourd'hui à la question de la provenance dépenseront bien moins d'énergie à y répondre sous une échéance plus tard.