**Note de l’éditeur** : Cette analyse fait partie de l'exploration par The Atlantic du jeu de données de Library Genesis. Accédez ici à l'outil de recherche de The Atlantic pour les écrits de films et de télévision utilisés pour former l'IA. Lorsque Meta a commencé à créer son modèle d’IA, Llama 3, l’équipe a été confrontée à un dilemme éthique : acquérir légalement un vaste corpus de textes de qualité était lent et coûteux. Ils ont envisagé de pirater des données après avoir été insatisfaits des options de licence, citant des coûts élevés et des délais de livraison prolongés de la part de partenaires potentiels. Les discussions internes ont révélé un fort désir d'utiliser des livres, jugés essentiels pour l'entraînement, les poussant à explorer Library Genesis (LibGen), un vaste répertoire de littérature et de recherche piratées. Les communications internes ont montré que des employés de Meta cherchaient à obtenir l'approbation du PDG Mark Zuckerberg pour utiliser l’ensemble de données de LibGen, désormais public en raison d’un procès pour copyright intenté par plusieurs auteurs. De plus, OpenAI a également été associée à LibGen dans des cas d'utilisation passés. Bien que la portée exacte des textes sur lesquels les deux entreprises se soient entraînées ne soit pas claire—le contenu de LibGen étant en constante mise à jour—la base de données contient des millions de titres, y compris des œuvres significatives et des articles académiques. Meta et OpenAI défendent leurs approches sur la base de l’assertion de « l'utilisation équitable », arguant que leur IA générative transforme les sources en nouveau contenu. Cependant, l'utilisation de LibGen soulève d'importantes questions, notamment parce que des documents internes indiquent que Meta a téléchargé des données via BitTorrent, ce qui comporte des risques juridiques liés à la distribution potentielle de contenu piraté.

Meta a insisté sur le fait qu'elle avait pris des précautions contre le partage de fichiers. Les employés ont reconnu les risques juridiques, discutant de stratégies pour dissimuler leurs activités, telles que l'évitement des références à des œuvres sous copyright et le filtrage des informations identifiables. LibGen, nettement plus vaste que d'autres collections de piratage, attire les développeurs d'IA en raison de sa large sélection, y compris la littérature contemporaine et les revues académiques. Établi en 2008 par des scientifiques russes, LibGen sert les zones avec un accès limité aux ressources éducatives. Sa croissance a été alimentée par les contributions de matériaux piratés, entraînant une prédominance de textes en anglais au fil du temps. Malgré de multiples tentatives de la part des éditeurs pour freiner le piratage, y compris des décisions judiciaires significatives et des amendes contre LibGen, le répertoire persiste. Cette accessibilité soulève des préoccupations éthiques concernant le travail sous-jacent des auteurs, qui ne reçoivent souvent ni crédit ni compensation. Les technologies d'IA générative risquent de décontextualiser les connaissances et de diminuer la reconnaissance due aux créateurs originaux. Le principal défi reste de trouver un équilibre efficace entre la diffusion des connaissances et le travail créatif au bénéfice de la société, alors que des entreprises comme Meta tirent profit de ces ressources, risquant ainsi de diminuer la valeur de l'engagement intellectuel humain.