Comment l'IA apprend à partir des données : explication de la formation au cœur de la controverse sur la clause de scraping de Meta

Pourquoi ceci est à l'actualité maintenant

Le 16 octobre 2026, The Register a rapporté que les conditions d'utilisation commerciales révisées de Meta, qui entreraient en vigueur le 30 octobre, accorderaient à l'entreprise le droit d'utiliser des logiciels automatisés — décrits dans les conditions comme incluant des web scrapers, des bots, des robots, des spiders, des crawlers et des user agents — pour accéder, indexer, mettre en cache, analyser, collecter, récupérer ou parcourir les sites web associés à ses clients commerciaux. Ces clients incluent toute personne exécutant des publicités Facebook, vendant des produits via les outils de Meta, gérant une Page ou un Groupe commercial, ou utilisant les agents d'IA de WhatsApp et Messenger, une catégorie que Meta a déclaré couvrir environ un million d'entreprises.

Les conditions stipulaient que le contenu collecté pourrait être utilisé à une variété de fins, notamment fournir, développer, améliorer, rechercher, entraîner et maintenir les produits de Meta. Danielle Coffey, présidente et PDG de News/Media Alliance, a qualifié la clause d'« outrageous et probablement illégale », arguant qu'elle permettait à Meta de priver les entreprises de l'accès au public à moins qu'elles acceptent des conditions de collecte de données très larges, selon le rapport de The Register. Le professeur de droit de l'Université de Santa Clara, Eric Goldman, a soulevé des préoccupations procédurales concernant Meta modifiant les relations commerciales existantes sans une véritable option de désabonnement, et a pointé l'historique de Meta en matière de litiges sur la confidentialité.

Face aux critiques, Meta a révisé la formulation. TechCrunch a rapporté le 17 octobre que l'entreprise a supprimé le mot « entraîner » de la liste des utilisations autorisées et a limité les fins déclarées à la publicité et aux produits commerciaux plutôt qu'à tous les produits de Meta. Un porte-parole de Meta a déclaré que les conditions de scraping ne s'appliquaient qu'aux produits publicitaires et commerciaux de l'entreprise et que le changement n'a pas modifié la manière dont Meta utilise les web crawlers.

Même après la modification, les experts juridiques ont dit aux journalistes que l'autorisation de scraping plus large restait en place. Selon le compte de mediacopilot.ai des reportages, le professeur de droit de la Université Cornell, James Grimmelmann, a déclaré que les conditions pourraient techniquement permettre à Meta d'enregistrer des identifiants qui voient plus d'un site qu'un visiteur anonyme ne verrait, tandis que l'avocat de Loevy & Loevy, Matt Topic, a déclaré que le matériel en jeu pourrait valoir de nombreux millions de dollars sur un marché de licence. L'universitaire de l'Université du Wisconsin, Benjamin Sobel, a comparé l'arrangement au concept antitrust de vente liée, car l'utilisation des outils commerciaux de Meta exigerait d'accepter les conditions de données.

Comment les modèles d'IA apprennent réellement à partir des données

Indépendamment du différend de Meta, la mécanique sous-jacente de l'entraînement de l'IA est cohérente dans la plupart des systèmes modernes. Selon une explication publiée par la société de force de travail d'IA Mercor, les données d'entraînement sont la collection d'exemples qu'un modèle étudie, chaque exemple poussant les paramètres numériques internes du modèle. Le modèle fait une prédiction, la compare à une réponse correcte dans l'ensemble de données, mesure l'erreur résultante et ajuste ses paramètres pour réduire cette erreur — un cycle répété sur des millions d'exemples.

L'explication de Mercor distingue les données étiquetées, où les humains fournissent la réponse correcte ou la catégorie, des données non étiquetées, où le modèle doit déduire des motifs par lui-même. Elle sépare également les données structurées (tableaux, bases de données) des données non structurées telles que le texte, les images, l'audio et la vidéo. De nombreux modèles de langage volumineux actuels combinent les deux approches : une phase de pré-entraînement initiale sur d'énormes quantités de texte ou d'images non étiquetées construit une capacité générale, suivie d'un ajustement fin sur des ensembles de données plus petits et étiquetés pour façonner le comportement spécifique à la tâche.

D'où vient la matière première

Selon la même explication, les données d'entraînement proviennent généralement de trois canaux : les ensembles de données publiques et les référentiels mis à disposition pour la recherche générale, les données propriétaires telles que les enregistrements internes d'une entreprise, et l'annotation humaine, où les travailleurs rémunérés étiquettent le matériel brut pour créer des exemples supervisés. Le scraping à grande échelle du web — le crawling automatisé des pages accessibles au public — est l'une des façons les plus courantes dont les entreprises assemblent la catégorie d'ensemble de données publiques à l'échelle que les modèles modernes exigent, et c'est pourquoi l'étendue des autorisations de crawling de toute entreprise, comme dans le cas de Meta, importe directement pour la quantité du web ouvert qui peut alimenter légalement un système d'IA.

Pourquoi le débat sur le scraping importe au-delà de Meta

Le différend sur la formulation de Meta illustre deux points récurrents de friction dans les pratiques de données de l'IA : si les conditions d'utilisation d'une entreprise peuvent annuler les signaux techniques de désabonnement tels que le fichier robots.txt d'un site web, et si la même relation commerciale qui donne à une entreprise l'accès au public d'une plateforme peut également être utilisée pour extraire le contenu de cette entreprise à des fins d'entraînement sans paiement ni consentement séparé. Le reportage de Nieman Lab, tel que relayé par mediacopilot.ai, a noté que la plupart des organisations de presse maintiennent au moins un compte commercial Meta, ce qui signifie que la portée de la clause pourrait s'étendre à une grande part de l'industrie des médias bien qu'elle ait été formulée autour des clients commerciaux plutôt que des éditeurs spécifiquement.

Meta n'a pas nié que ses crawlers pouvaient accéder au contenu lié aux comptes commerciaux ; sa position, telle que déclarée à TechCrunch, est que les conditions clarifiées ne changent pas le comportement de crawling existant. Les experts juridiques cités dans les reportages ont déclaré qu'il reste à tester devant les tribunaux si un tel libellé de conditions d'utilisation est applicable contre les tiers ou contre les restrictions de robots.txt, laissant les limites pratiques de la clause non résolues alors que la date d'entrée en vigueur du 30 octobre approche.