L’UE enquête sur les jeux de données d’entraînement de l’IA

Lorsque l’UE examine les jeux de données d’entraînement de l’IA, la question centrale est de savoir ce qu’il est possible d’apprendre sur les contenus utilisés pour entraîner un modèle sans exiger de son fournisseur qu’il publie chaque donnée d’entraînement. Pour les fournisseurs de modèles d’IA à usage général, la réponse commence désormais par un résumé public des contenus d’entraînement, une politique en matière de droit d’auteur et une documentation technique au titre du règlement européen sur l’IA.

Ces obligations concernent les développeurs, les entreprises qui utilisent l’IA, les titulaires de droits d’auteur et les personnes qui cherchent à déterminer si les modèles fonctionnent dans les différentes langues européennes. Elles ont aussi leurs limites : un résumé peut rendre plus visibles les grandes catégories de sources de données, mais il ne constitue ni une copie du jeu de données ni la preuve que toutes les questions relatives aux droits, à la qualité ou aux biais ont été réglées. Comprendre les différentes règles est le meilleur moyen d’interpréter ce qu’une enquête de l’UE sur les données d’entraînement de l’IA peut établir.

Que signifie le fait que l’UE examine les jeux de données d’entraînement de l’IA ?

Cette expression peut laisser penser que des enquêteurs ouvrent l’intégralité des archives de données d’un modèle. Le cadre de l’UE est plus précis. Le règlement (UE) 2024/1689, connu sous le nom de règlement sur l’IA, fixe des obligations aux fournisseurs de modèles d’IA à usage général et prévoit des exigences distinctes en matière de gouvernance des données pour certains systèmes d’IA à haut risque. Il permet également aux autorités de demander des informations relatives à un modèle lorsqu’elles ne peuvent pas mener une enquête à bien autrement.

En bref : l’UE exige des fournisseurs d’IA à usage général qu’ils publient un résumé des contenus d’entraînement et tiennent à jour la documentation à l’appui, tandis que les systèmes d’IA à haut risque sont soumis à des obligations de gouvernance des jeux de données. Ces outils renforcent le contrôle des données d’entraînement, mais n’obligent pas tous les fournisseurs à publier l’intégralité de leurs jeux de données.

Il est important de distinguer la visibilité publique de l’accès réglementaire. Tout citoyen peut consulter le résumé des contenus d’entraînement publié par un fournisseur. Une autorité de régulation qui enquête sur le respect des règles peut avoir besoin d’informations allant au-delà de ce résumé. En vertu du règlement sur l’IA, si une autorité de surveillance du marché ne peut pas conclure une enquête faute d’informations sur un modèle d’IA à usage général, elle peut demander au Bureau de l’IA de faire appliquer son droit d’accès à ces informations. Cette procédure ne transforme pas chaque demande réglementaire en publication destinée au public.

Pour les lecteurs qui suivent un litige particulier, la première étape consiste à déterminer ce qui se passe réellement. Se demander si un fournisseur a publié son résumé n’est pas la même chose que contester l’utilisation de contenus d’entraînement au regard du droit d’auteur. Ces deux questions diffèrent également de l’examen de la gouvernance des jeux de données d’un système à haut risque. Présenter ces trois situations comme une enquête de l’UE peut masquer qui doit fournir les informations, quelle obligation juridique s’applique et ce que les éléments disponibles permettent d’établir.

• Un résumé public des contenus d’entraînement indique les grandes catégories de contenus utilisées pour un modèle d’IA à usage général.
• La documentation technique facilite la surveillance du modèle ; elle ne constitue pas une version téléchargeable de son corpus d’entraînement.
• Une politique en matière de droit d’auteur décrit l’approche du fournisseur à l’égard des obligations liées au droit d’auteur dans le cadre de l’entraînement.
• Les règles applicables aux systèmes à haut risque portent sur la gouvernance et l’adéquation des données d’entraînement, de validation et de test utilisées pour ces systèmes.

Il s’agit d’approches liées, mais qui ne sont pas interchangeables. Le résumé public d’un fournisseur peut aider à formuler des questions, tandis que les pouvoirs d’accès des autorités de régulation et les règles applicables à un système donné déterminent comment ces questions peuvent être examinées. En pratique, cela renforce la responsabilité sans imposer une obligation générale de mettre en ligne l’intégralité des jeux de données d’entraînement.

Que doivent révéler les fournisseurs d’IA à usage général sur les contenus d’entraînement ?

Les fournisseurs de modèles d’IA à usage général dans l’UE doivent publier un résumé public des contenus utilisés pour l’entraînement et tenir à jour leur documentation technique. Ils doivent également mettre en œuvre une politique en matière de droit d’auteur. Ces obligations s’appliquent depuis le 2 août 2025. La Commission a publié un modèle de résumé afin que les informations communiquées soient simples, uniformes et efficaces, plutôt que de laisser chaque fournisseur inventer un format sans rapport avec celui des autres.

Le résumé est expressément destiné au public. Il est donc utile non seulement aux autorités de régulation, mais aussi à toute personne qui souhaite mieux comprendre les types de contenus ayant façonné un modèle. Par exemple, un éditeur préoccupé par l’utilisation de ses œuvres ou une organisation qui évalue un modèle destiné à des utilisateurs européens peut consulter les informations sur les contenus d’entraînement et repérer les questions à poser. Il ne faut toutefois pas considérer ce résumé comme un inventaire détaillé, élément par élément, à moins que le fournisseur ne fournisse séparément ce niveau de détail.

Pourquoi le modèle de la Commission est important

Un modèle commun facilite la recherche, la lecture et la comparaison des informations communiquées. En l’absence d’une structure commune, un fournisseur pourrait décrire les grandes catégories de sources, un autre présenter un récit de la collecte des données et un troisième fournir des détails dans un format difficile à comparer aux autres. La standardisation ne rend pas les informations identiques sur le fond, mais elle offre aux lecteurs un cadre plus prévisible pour trouver des réponses.

La Commission indique que son modèle complète le code de bonnes pratiques et les lignes directrices relatifs à l’IA à usage général. Elle a également présenté ce modèle et ces orientations comme des moyens d’aider les fournisseurs à mettre leurs modèles sur le marché de l’UE sans retard, tout en respectant leurs obligations de transparence. Il s’agit d’un choix important : l’UE cherche à faire de la communication d’informations une exigence applicable au marché et praticable, et non une simple réaction ponctuelle à une controverse.

Ce qu’un résumé utile peut ou ne peut pas établir

Un résumé peut préciser les grandes catégories de contenus utilisées pour l’entraînement et permettre aux personnes extérieures de poser des questions plus ciblées. Il peut aider à distinguer une préoccupation liée à une catégorie de sources d’une préoccupation portant sur une œuvre ou une donnée précise. Il crée également un compte rendu public qui peut être lu en parallèle de la description de la politique du fournisseur en matière de droit d’auteur.

Sa limite découle de son objectif. Le règlement sur l’IA exige un résumé des contenus d’entraînement, et non la publication de l’intégralité du jeu de données d’entraînement. Le lecteur doit donc éviter de déduire qu’un contenu absent d’une liste détaillée n’a nécessairement pas été utilisé pour l’entraînement : le document est un résumé, pas forcément une liste d’éléments individuels. À l’inverse, la présence d’une catégorie de sources ne permet pas, à elle seule, de déterminer si l’utilisation de contenus particuliers était conforme aux règles sur le droit d’auteur. Le résumé améliore la visibilité, mais la solidité de toute conclusion dépend toujours de la question posée et des informations disponibles.

Comment fonctionnent les mesures d’application et les demandes d’informations au titre du règlement sur l’IA ?

Le calendrier d’application donne un poids concret aux règles de transparence. Les obligations relatives à l’IA à usage général s’appliquent depuis le 2 août 2025. À partir du 2 août 2026, la Commission indique qu’elle peut faire appliquer le respect intégral des obligations par les fournisseurs, notamment au moyen d’amendes en cas de non-respect des règles de transparence du règlement sur l’IA. En 2026, la Commission a également publié des lignes directrices expliquant les obligations de transparence liées à l’application du règlement à compter du 2 août 2026.

Ces dates permettent de distinguer l’existence d’une obligation de l’intensification ultérieure de son application. Elles ne prouvent ni que chaque fournisseur a manqué à ses obligations ni qu’un modèle particulier fait l’objet d’une enquête. Lorsqu’on lit qu’une enquête de l’UE est en cours, il vaut mieux vérifier si cela concerne le résumé publié par un fournisseur, une autorité de régulation qui demande des informations supplémentaires ou un débat politique plus large sur la manière dont les règles devraient fonctionner.

Le règlement sur l’IA prévoit une procédure pour les autorités qui ne disposent pas des informations nécessaires à la clôture d’une enquête concernant un modèle d’IA à usage général. Dans ce cas, une autorité de surveillance du marché peut demander au Bureau de l’IA de faire appliquer l’accès aux informations relatives au modèle. Ce mécanisme est important, car un résumé public peut révéler un problème sans fournir tous les éléments nécessaires à son examen. L’existence d’une procédure réglementaire permettant d’obtenir des informations supplémentaires est l’une des raisons pour lesquelles il ne faut pas confondre le document public avec l’ensemble du dispositif de contrôle.

1. Déterminer l’objet de l’examen : un modèle à usage général, un système d’IA particulier ou une allégation concernant des contenus d’entraînement précis.
2. Associer la question à l’obligation applicable, par exemple la publication d’un résumé, une politique en matière de droit d’auteur, la documentation technique ou la gouvernance des jeux de données à haut risque.
3. Distinguer les informations accessibles au public de celles qu’une autorité peut demander dans le cadre d’une enquête.
4. Évaluer le résultat à partir des éléments effectivement obtenus, sans supposer qu’un résumé public prouve ou réfute toutes les préoccupations sous-jacentes.

Cette démarche est utile aux entreprises comme aux lecteurs de l’actualité réglementaire. Une entreprise qui choisit un modèle peut consulter un résumé public et poser des questions complémentaires à son fournisseur. Elle ne devrait pas présenter cet examen comme équivalent à l’accès dont dispose une autorité aux informations dans le cadre d’une enquête. De même, annoncer que la Commission peut infliger des amendes décrit un pouvoir d’application, et non la preuve qu’une amende est justifiée dans un cas particulier.

La tendance générale va vers une communication d’informations standardisée et dont le respect peut être imposé. Les récents documents de la Commission et du Parlement portent sur la mise en œuvre, les modèles, l’alignement des politiques en matière de droit d’auteur et l’application des règles, plutôt que de proposer de repartir de zéro en matière de transparence. Pour les fournisseurs, cela rend d’autant plus important le maintien de la cohérence entre les informations publiques et techniques sur les contenus d’entraînement, à mesure que les modèles et leur documentation évoluent.

Pourquoi le droit d’auteur reste une question centrale concernant les données d’entraînement

Le droit d’auteur est l’une des raisons les plus évidentes pour lesquelles les gens veulent savoir ce que contiennent les jeux de données d’entraînement de l’IA. Un fournisseur peut entraîner un modèle sur de grandes quantités de contenus, tandis qu’un créateur ou un éditeur individuel dispose de peu de moyens pour savoir si certaines œuvres ont été utilisées. Le règlement sur l’IA met en lien ces préoccupations en exigeant des fournisseurs d’IA à usage général qu’ils mettent en œuvre une politique en matière de droit d’auteur et publient un résumé des contenus d’entraînement.

Ces deux obligations remplissent des fonctions différentes. Une politique décrit la manière dont le fournisseur aborde ses obligations en matière de droit d’auteur. Un résumé décrit, à l’intention du public, les contenus utilisés pour l’entraînement. Les lire conjointement peut faciliter l’examen de l’approche du fournisseur, mais aucun de ces documents ne doit être pris pour une décision sur la légalité de chaque utilisation de contenus pour l’entraînement.

En 2025 et 2026, des documents du Parlement européen ont qualifié l’utilisation d’œuvres protégées par le droit d’auteur dans les jeux de données d’entraînement des IA à usage général de sujet de controverse persistant et signalé la poursuite des travaux de l’UE sur l’examen des règles de droit d’auteur dans le contexte de l’IA. Ce débat en cours aide à comprendre pourquoi le niveau de détail et la comparabilité des résumés publics sont importants. Si un résumé est si général qu’il ne permet pas de poser une question de suivi pertinente, la transparence peut exister officiellement tout en n’apportant que peu d’éclairages pratiques.

Les questions que la communication d’informations peut aider à préciser

• Quels grands types de contenus le fournisseur indique-t-il avoir utilisés pour l’entraînement ?
• Le fournisseur met-il sa politique en matière de droit d’auteur à disposition à côté de ses explications sur les contenus d’entraînement ?
• La préoccupation porte-t-elle sur une catégorie entière de contenus, une collection particulière ou une œuvre identifiable ?
• Quelles informations supplémentaires seraient nécessaires avant de tirer une conclusion sur cette préoccupation ?

Ces questions ne présupposent aucun comportement fautif. Elles permettent de distinguer un problème de transparence d’un litige relatif aux droits. Un créateur peut avoir besoin de savoir si une œuvre précise a été utilisée, alors qu’un résumé public peut se limiter principalement à des catégories. Un fournisseur peut disposer d’une politique en matière de droit d’auteur, tandis qu’un critique peut s’interroger sur son application à une source particulière. L’écart qui en résulte ne disparaît pas automatiquement en exigeant que chaque fichier d’entraînement soit rendu public, car une divulgation complète peut soulever ses propres difficultés pratiques et liées aux droits.

L’approche actuelle de l’UE accorde donc une grande importance à la qualité des résumés et à l’existence d’autres mécanismes de contrôle. Des informations communiquées de manière plus standardisée peuvent faciliter la comparaison des fournisseurs, tandis que les demandes d’informations des autorités de régulation peuvent traiter certaines questions auxquelles un document public ne répond pas. Les lecteurs doivent toutefois distinguer la possibilité d’enquêter d’une conclusion définitive : le fait que le droit d’auteur soit une question centrale de la politique relative aux données d’entraînement ne permet pas d’établir le statut d’une œuvre individuelle dans les contenus d’entraînement d’un modèle.

En quoi la gouvernance des jeux de données d’IA à haut risque est-elle différente ?

Le résumé des contenus d’entraînement d’un modèle à usage général n’est pas la seule règle du règlement sur l’IA qui concerne les données. L’article 10 porte sur la gouvernance des jeux de données utilisés par les systèmes d’IA à haut risque. Il concerne notamment la qualité et la gouvernance des jeux de données d’entraînement, de validation et de test utilisés pour ces systèmes. Il s’agit d’une question différente de celle qui consiste à fournir au public un aperçu général des contenus ayant servi à entraîner un modèle d’IA à usage général.

Les données d’entraînement aident un système à apprendre ; les données de validation et de test servent à évaluer ses performances. Il est important de traiter ces données comme des jeux distincts, car une mauvaise gouvernance à n’importe quelle étape peut nuire à la fiabilité de l’évaluation du système. Le cadre de l’article 10 attire l’attention sur la manière dont les données sont sélectionnées, traitées et documentées pour un usage à haut risque, plutôt que de considérer qu’une liste de sources suffit à prouver leur qualité.

Le règlement traite également du cas sensible des données à caractère personnel relevant de catégories particulières utilisées pour détecter ou corriger les biais. Les règles prévues exigent la tenue de registres justifiant pourquoi l’utilisation de ces données était strictement nécessaire. Cette obligation d’archivage illustre le compromis à trouver : détecter des résultats inégaux peut nécessiter un examen attentif de caractéristiques sensibles, mais cela exige une justification précise, plutôt que de partir du principe que la collecte d’une plus grande quantité de données sensibles est acceptable.

Des questions différentes nécessitent des éléments différents

Pour un système à haut risque, il peut être nécessaire de se demander si les jeux de données sont adaptés à la finalité du système et si le fournisseur est en mesure d’expliquer ses décisions en matière de gouvernance. Pour un modèle à usage général, la première question à poser au public peut plutôt être de savoir si un résumé des contenus d’entraînement existe et ce qu’il indique. Un modèle à usage général peut également être intégré à un produit d’IA plus large ; il est donc particulièrement important de ne pas supposer qu’un seul document d’information répond à toutes les questions concernant le système.

• La transparence sur les contenus d’entraînement porte sur les types de contenus qui ont contribué à un modèle à usage général.
• La gouvernance des jeux de données à haut risque porte sur la gestion des données d’entraînement, de validation et de test pertinentes pour un type de système particulier.
• Les registres relatifs aux données à caractère personnel relevant de catégories particulières indiquent pourquoi leur utilisation pour détecter ou corriger les biais était strictement nécessaire.

Cette distinction aide les organisations à éviter une erreur courante lorsqu’elles évaluent un fournisseur d’IA : accepter un résumé soigné du modèle comme substitut aux éléments attestant de la gouvernance des jeux de données d’un système à haut risque. L’erreur inverse est également possible. La documentation relative aux données de validation d’un système particulier n’explique pas, à elle seule, l’ensemble des contenus qui ont servi à entraîner le modèle d’IA à usage général sous-jacent. Une évaluation rigoureuse commence par déterminer le type d’IA fourni et la question précise concernant les données à laquelle il faut répondre.

Pourquoi la couverture linguistique et culturelle compte-t-elle dans l’examen des jeux de données par l’UE ?

Savoir d’où proviennent les contenus d’entraînement n’est qu’un aspect de l’évaluation d’un modèle d’IA en Europe. Les utilisateurs doivent également savoir si le modèle a été testé dans les langues et les contextes pertinents. Un modèle peut sembler performant lorsqu’il est évalué principalement à partir de contenus en anglais, mais donner des résultats différents lorsqu’une tâche dépend d’une autre langue européenne ou d’un concept propre à une région.

La direction générale de la traduction de la Commission a mis ce problème en évidence lors du lancement d’EU MMLU en juillet 2026. Elle a indiqué que la plupart des jeux de données d’évaluation de l’IA avaient été conçus en anglais et ne reflétaient souvent pas les contextes éducatifs, culturels et sociaux européens. EU MMLU est disponible dans 16 langues officielles de l’UE et vise à mesurer la capacité des modèles à fonctionner équitablement dans différents contextes linguistiques et culturels.

Ce référentiel porte sur l’évaluation, et non sur un inventaire public de chaque élément utilisé pour l’entraînement. Cette distinction est importante. Un résumé des contenus d’entraînement peut indiquer qu’un fournisseur a utilisé des contenus multilingues, mais il ne peut pas, à lui seul, démontrer que les performances sont comparables d’une langue à l’autre. Une évaluation conçue en fonction des contextes européens peut révéler des problèmes qu’une description générale des sources d’entraînement ne mettrait pas au jour. À l’inverse, les résultats d’un référentiel ne permettent pas, à eux seuls, de reconstituer le jeu de données sous-jacent d’un modèle.

Des objectifs multilingues à de meilleurs éléments d’évaluation

L’UE soutient également le développement de modèles dans toutes ses langues officielles. En 2026, la Commission a sélectionné le consortium EUROPA pour un projet d’IA de pointe visant à créer un modèle open source couvrant les 24 langues de l’UE. Cette initiative traduit une ambition plus large que le périmètre d’EU MMLU, qui couvre 16 langues : l’une porte sur la création d’un modèle destiné à prendre en charge toutes les langues officielles de l’UE, tandis que l’autre propose un référentiel d’évaluation multilingue.

Aucune de ces initiatives ne signifie qu’un score unique à un référentiel ou qu’une mention de langue suffira à régler les questions de qualité. La couverture peut varier selon la tâche, le sujet et le contexte culturel. Pour choisir un modèle d’IA, il est plus utile de combiner la transparence sur les contenus d’entraînement avec des évaluations qui reflètent les langues et les contextes dans lesquels le modèle sera réellement utilisé.

1. Déterminer les langues et les contextes pertinents pour l’usage prévu, sans supposer que les résultats en anglais se transposent sans changement.
2. Consulter les informations disponibles sur les contenus d’entraînement afin de comprendre comment le fournisseur décrit ses sources.
3. Rechercher des évaluations portant sur les performances linguistiques et culturelles pertinentes, notamment des référentiels multilingues, le cas échéant.
4. Distinguer la transparence sur les sources des éléments relatifs aux performances : chacune répond à une question à laquelle l’autre ne peut pas répondre.

C’est pourquoi les enquêtes de l’UE sur les jeux de données d’entraînement de l’IA ne concernent pas uniquement le droit d’auteur et les formalités réglementaires. La composition des données peut déterminer quelles langues et quelles expériences un modèle reflète, tandis que l’évaluation permet de vérifier si ces préoccupations se manifestent dans les performances observées. Les résumés publics et les référentiels multilingues sont des outils complémentaires, et non des solutions de remplacement.

L’UE peut-elle exiger la transparence tout en améliorant l’accès aux données d’entraînement ?

Les règles de transparence demandent aux fournisseurs de rendre compte des contenus utilisés dans leurs modèles. La politique de l’UE en matière de données s’intéresse également à la manière dont les développeurs peuvent obtenir des données appropriées. Ces objectifs peuvent entrer en tension si la communication d’informations est considérée uniquement comme une contrainte, mais ils peuvent aussi se renforcer mutuellement : un accès fiable et une meilleure traçabilité peuvent faciliter l’explication des méthodes d’entraînement d’un modèle.

Dans ses travaux sur l’IA et les données en 2025, la Commission a désigné l’accès limité aux jeux de données essentiels comme l’un des obstacles les plus immédiats au développement de l’IA à grande échelle dans l’UE. Elle a appelé à améliorer l’accès aux jeux de données essentiels et aux environnements de confiance, notamment au moyen de laboratoires de données reliant les espaces de données aux développeurs d’IA. Cette préoccupation porte sur les conditions nécessaires à la création et à l’amélioration de l’IA, et non sur un assouplissement des obligations relatives aux contenus d’entraînement.

Le règlement sur l’IA établit lui-même un lien entre les infrastructures de données et la qualité des modèles. Le considérant 68 indique que les espaces européens communs de données et le partage des données entre les entreprises et les pouvoirs publics seront essentiels pour fournir un accès fiable, responsable et non discriminatoire à des données de haute qualité destinées à l’entraînement, à la validation et au test des systèmes d’IA. Lus conjointement avec les obligations de transparence, ces éléments font apparaître un objectif politique à deux volets : rendre les données utiles accessibles grâce à des dispositifs crédibles et rendre leur utilisation dans les systèmes d’IA plus responsable.

Le compromis qui sous-tend un meilleur accès

Ouvrir davantage de voies d’accès aux données ne signifie pas que chaque jeu de données devrait pouvoir être librement copié ou publié. Les données peuvent être assorties de droits ou de restrictions, ou porter sur des éléments sensibles ; un environnement de confiance n’équivaut pas à un accès public sans restriction. À l’inverse, les obstacles à l’accès peuvent limiter la capacité des développeurs à créer des modèles et des évaluations adaptés aux langues et aux contextes européens. L’importance accordée par la Commission aux laboratoires et aux espaces de données reconnaît que l’infrastructure permettant un accès responsable compte autant que le volume de contenus disponibles.

Pour les fournisseurs, cela crée un lien concret entre l’acquisition des données et la transparence. Si l’origine des données et les conditions d’accès sont difficiles à retracer en interne, il devient plus ardu de produire un résumé public pertinent et de tenir la documentation à jour. Si les dispositifs d’accès et la gouvernance des données sont pris en compte dès le départ, les fournisseurs sont mieux placés pour expliquer les grandes orientations retenues pour les contenus d’entraînement sans supposer qu’ils doivent révéler chaque donnée sous-jacente.

Pour les décideurs politiques et les utilisateurs, il ne faut pas opposer la transparence et l’innovation dans un choix binaire. Un résumé peut faciliter le contrôle, tandis qu’une infrastructure de données fiable peut soutenir le développement. Dans les deux cas, il faut toutefois évaluer les résultats obtenus : un accès utile à des données de qualité, une gouvernance crédible et des informations permettant à d’autres personnes de poser des questions éclairées sur les modèles qui en résultent.

Que doivent vérifier les lecteurs et les acheteurs de solutions d’IA dans les informations sur les données d’entraînement ?

Un résumé public est plus utile lorsqu’on le considère comme le début d’une évaluation, et non comme sa conclusion. Les étapes suivantes dépendent de votre rôle. Un titulaire de droits d’auteur peut s’intéresser à une catégorie particulière d’œuvres. Une entreprise qui achète un modèle peut se préoccuper de la documentation et de l’évaluation de ses performances dans les langues parlées par ses clients. Une équipe qui déploie un système à haut risque peut avoir besoin d’examiner la gouvernance des jeux de données au-delà de la déclaration publique relative au modèle sous-jacent.

Commencez par lire la description des contenus d’entraînement fournie par le fournisseur et vérifiez à quel modèle elle s’applique. Déterminez ensuite si la question à laquelle vous cherchez une réponse relève du résumé public, de la politique du fournisseur en matière de droit d’auteur, de la documentation technique, de la gouvernance au niveau du système ou de l’évaluation des performances. Le modèle de la Commission devrait rendre cette première lecture plus uniforme d’un fournisseur à l’autre, mais l’uniformité du format ne remplace pas le jugement nécessaire pour déterminer si les informations sont suffisantes.

• Si vous souhaitez comprendre la provenance générale des données : consultez le résumé public des contenus d’entraînement et notez ce qu’il explique clairement ainsi que les éléments qui restent trop généraux pour répondre à votre question.
• Si vous avez une préoccupation liée au droit d’auteur : lisez le résumé en parallèle de la politique du fournisseur en matière de droit d’auteur, puis distinguez les questions concernant une catégorie de sources de celles portant sur une œuvre particulière.
• Si vous évaluez un système à haut risque : renseignez-vous sur la gouvernance des données d’entraînement, de validation et de test de ce système, plutôt que de vous fier uniquement au résumé d’un modèle d’IA à usage général.
• Si les performances multilingues sont importantes : recherchez des éléments d’évaluation pertinents et vérifiez qu’ils tiennent compte de vos langues et de vos contextes.
• Si vous suivez une affaire liée à l’application des règles : distinguez une obligation de communication publique d’une demande d’informations supplémentaires sur un modèle émanant d’une autorité ou d’un constat de non-conformité.

Il est également utile de connaître les limites des conclusions qu’un lecteur extérieur peut tirer. Un résumé apparemment détaillé ne permet pas nécessairement d’établir le statut de chaque œuvre. Un résumé succinct peut justifier des questions supplémentaires sans prouver que l’entraînement était irrégulier. L’affirmation qu’un modèle est multilingue peut inciter à le tester, sans garantir des résultats également solides dans toutes les langues officielles. Il est plus crédible d’examiner ces questions en gardant clairement à l’esprit ces limites.

L’analyse la plus solide combine donc plusieurs types d’éléments : ce que le fournisseur indique publiquement sur les contenus d’entraînement, la manière dont il décrit son approche du droit d’auteur, la documentation applicable au modèle ou au système, et l’évaluation des performances au regard de l’usage prévu. Lorsqu’une autorité de régulation a besoin d’informations supplémentaires pour conclure une enquête, le règlement sur l’IA prévoit une procédure faisant intervenir le Bureau de l’IA. Pour les autres, le résumé public reste un point de départ précieux, à condition de ne pas le confondre avec le dossier complet de l’affaire.

L’examen par l’UE des jeux de données d’entraînement de l’IA évolue : on passe d’une demande générale d’ouverture à des questions précises sur les résumés, la documentation, les politiques en matière de droit d’auteur, la gouvernance des jeux de données et l’accès réglementaire. Le règlement sur l’IA rend les contenus d’entraînement plus visibles et donne aux autorités les moyens d’obtenir des informations, sans pour autant exiger la publication intégrale des jeux de données.

Le principal enseignement est qu’il faut faire correspondre les éléments examinés à la question posée. Consultez un résumé des contenus d’entraînement pour comprendre les grandes lignes des données utilisées pour un modèle, examinez la gouvernance des jeux de données à haut risque lorsqu’un système le requiert et utilisez des évaluations adaptées aux langues pour tester les performances. Aucun de ces outils ne répond à toutes les questions à lui seul ; ensemble, ils permettent d’évaluer plus concrètement les données sur lesquelles un modèle d’IA a été construit et de déterminer où un examen complémentaire est nécessaire.