Comment les équipes d’IA peuvent se préparer aux évolutions de la politique chinoise du droit d’auteur

Le dernier plan chinois relatif au droit d’auteur n’est pas une liste de conformité pour chaque développeur de modèles. Il reste néanmoins un signal opérationnel important. L’Administration nationale du droit d’auteur a diffusé le 7 septembre 2026 son quinzième plan quinquennal, publié le 31 août. Le plan place les services liés au droit d’auteur, l’application des règles, la coopération internationale et les nouvelles technologies dans un même programme public. Pour une équipe d’IA, une tâche d’ingénierie familière — savoir d’où vient un contenu — devient donc une question plus large de préparation de l’entreprise.

La réponse utile n’est ni de supposer que toute utilisation de données est interdite, ni d’attendre une règle définitive qui résoudrait toutes les questions sur les données d’entraînement. Les équipes peuvent plutôt rendre leurs décisions actuelles lisibles : consigner ce qu’elles ont obtenu, à quelles conditions, pour quel usage, qui l’a approuvé et ce qui se passe lorsqu’une plainte crédible est soulevée. Ces éléments de preuve resteront utiles même si les règles futures prennent une direction différente de celle attendue.

Il ne s’agit pas d’un avis juridique. C’est un cadre pratique destiné aux responsables produit, achats, données et sécurité qui doivent transformer un environnement de politiques publiques mouvant en travail que l’on peut examiner et améliorer.

Distinguer ce qui est établi de ce qui reste ouvert

La première discipline consiste à ne pas transformer un langage général de politique publique en affirmation de certitude. Le plan sur le droit d’auteur constitue une véritable orientation politique, et l’Administration nationale avait déjà désigné l’IA et d’autres domaines émergents comme nécessitant une conception plus solide du système de droit d’auteur. Mais l’avis relatif au plan ne répond pas universellement à la question de savoir si un corpus donné peut servir à entraîner un modèle, comment chaque sortie doit être traitée ou quel contrat régira un litige.

L’explication du 7 septembre de la Cour populaire suprême sur son avis concernant les litiges liés à l’IA est particulièrement utile pour tracer cette limite. Elle décrit la manière dont les tribunaux peuvent aborder les demandes portant sur du contenu généré par IA : le titulaire de droits doit d’abord étayer l’affirmation selon laquelle le contenu contesté provient d’un service d’IA et présente une similitude substantielle avec l’œuvre protégée. Lorsqu’un développeur d’IA invoque une défense de non-contrefaçon, les sources des données d’entraînement, les processus d’entraînement et les méthodes d’exploitation peuvent devenir des preuves pertinentes.

La même explication laisse sans réponse deux questions fondamentales : la protection par le droit d’auteur d’un contenu généré par IA et la qualification juridique de l’utilisation sans permission d’œuvres protégées pour entraîner un grand modèle. Ces silences ne sont pas une raison d’ignorer l’orientation. Ils imposent de tenir un registre des incertitudes. Une équipe doit indiquer si une décision est étayée par un contrat, une règle applicable, un contrôle technique documenté ou une hypothèse non résolue. Traiter ces quatre catégories comme si elles étaient identiques est la manière dont un risque évitable devient invisible.

Établir une carte des preuves sur les données avant qu’un litige ne l’impose

Un inventaire des données doit répondre à davantage que « quel jeu de données avons-nous utilisé ? ». Commencez par l’actif ou le jeu de données, le fournisseur, la date d’acquisition, les conditions applicables, les restrictions géographiques et produit, ainsi que l’usage technique envisagé. Consignez ensuite la chaîne de transformation : filtrage, annotation, déduplication, augmentation synthétique, contrôles d’accès et modèle ou évaluation pour lesquels le matériau a été employé. Gardez un enregistrement versionné, car un instantané ultérieur peut ne pas reproduire ce sur quoi l’équipe a réellement entraîné son modèle.

Ce n’est pas de la bureaucratie pour elle-même. Une plainte relative aux droits commence souvent par une question étroite : d’où viennent cette image, ce document, cet échantillon vocal ou cet extrait de code ? Un système capable de renvoyer vers un dossier source, une voie d’approbation et une décision de conservation peut examiner cette question rapidement. Un système qui ne possède qu’une vaste archive sans étiquette doit reconstituer sa propre histoire sous pression.

La carte doit aussi faire apparaître les lacunes. Les contenus accessibles au public, les contenus fournis par des partenaires, les jeux de données sous licence et les matériaux créés en interne ne sont pas des catégories interchangeables. Ils ont des preuves, des conditions et des modes de défaillance différents. Si une source n’a pas de conditions claires ou de provenance vérifiable, indiquez-le au lieu de la faire passer silencieusement pour « autorisée ». L’équipe peut alors limiter son usage, chercher un remplacement ou prendre une décision de risque documentée.

Poser aux fournisseurs d’IA des questions qui donnent des réponses exploitables

Acheter une API de modèle ou intégrer un outil tiers ne transfère pas toute la responsabilité opérationnelle. Les orientations judiciaires mettent l’accent sur le contrôle, le rôle de chaque partie dans la génération, l’origine des données d’entraînement et les mesures prises pour réduire les dommages. Ce sont des sujets pratiques d’approvisionnement, et pas seulement des sujets de contentieux.

Une évaluation utile d’un fournisseur demande des éléments précis. Quels cas d’usage et quelles catégories de contenus sont couverts par les conditions du service ? Quelles informations le fournisseur peut-il fournir sur l’origine et la gouvernance de ses données d’entraînement ou de récupération ? Comment reçoit-il, évalue-t-il et traite-t-il les plaintes relatives aux droits ? Quels journaux sont disponibles pour le client ? Quels contrôles existent pour les éléments transmis par le client, le réglage fin, les index de récupération et la sortie générée ?

Évitez d’accepter des assurances vagues, telles que « IA responsable », à la place d’un processus de réponse. Un fournisseur peut légitimement protéger des détails techniques confidentiels, mais un client peut tout de même demander des contacts, des délais d’escalade, des avis, des engagements contractuels et une explication claire des responsabilités partagées. Conservez la réponse avec la décision d’achat afin qu’une équipe ultérieure n’ait pas à la redécouvrir.

Faire des contrôles de sortie et du traitement des plaintes des fonctions du produit

Le risque lié au droit d’auteur ne s’arrête pas à l’entraînement. Les équipes produit doivent définir comment les utilisateurs signalent une copie présumée, quelles informations ils doivent fournir, comment le signalement est trié et à quel moment une sortie potentiellement dommageable est limitée. L’explication de la Cour populaire suprême cite des facteurs tels que la technologie et le modèle d’affaires, le rôle dans la génération, les données d’entraînement, les précautions et le profit lorsqu’elle examine la responsabilité. Ils conduisent à une question produit simple : le service peut-il expliquer ce qui s’est passé et prendre une mesure proportionnée ?

Pour un produit destiné au grand public, cela peut signifier un canal de signalement visible, un identifiant de dossier et un moyen de stopper des générations répétées à partir d’un schéma de prompt abusif. Dans un système d’entreprise, cela peut aussi signifier des journaux au niveau de l’espace de travail, des contrôles administrateur, des paramètres de conservation et une voie d’escalade documentée. Le contrôle approprié dépend du produit. Ce qui ne devrait pas varier est la capacité à préserver des preuves sans exposer inutilement les données privées du client.

Les équipes devraient tester le processus par un exercice sur table. Choisissez une plainte hypothétique portant sur une image générée ou un passage récupéré. Mesurez le temps nécessaire pour identifier le compte, les journaux pertinents, la version du modèle, les dossiers source et les actions possibles. L’exercice révélera souvent que les équipes données, juridique, support et ingénierie utilisent des identifiants ou des périodes de conservation incompatibles. Le découvrir avant une plainte réelle est précisément l’objectif.

Rendre le travail interne assisté par IA vérifiable

La nouvelle orientation judiciaire s’adresse également directement aux personnes qui utilisent l’IA pour préparer des documents de procédure : les utilisateurs restent responsables de vérifier l’exactitude des présentations assistées par IA et de signaler cette assistance lorsque cela est requis. La leçon plus large dépasse les écritures judiciaires. Une sortie d’IA ne devient pas une source simplement parce qu’elle est fluide.

Établissez une règle interne pour les documents ayant des conséquences importantes : le rédacteur identifie les affirmations factuelles, conserve les sources primaires, enregistre le modèle ou l’outil utilisé lorsque cela est pertinent et désigne un relecteur humain habilité à corriger ou à rejeter le résultat. C’est particulièrement important pour les synthèses de politiques, les affirmations sur un produit, les analyses de droits et les communications clients. Une citation inventée par le modèle, ou une règle qui a changé après la rédaction, peut créer un problème beaucoup plus grand qu’une simple faute de frappe.

L’objectif n’est pas d’interdire l’assistance de l’IA. Il est de préserver la différence entre un brouillon assistif et une affirmation vérifiée. Cette distinction aide les équipes à utiliser l’automatisation sans prétendre qu’un texte automatisé a établi un fait de manière indépendante.

Organiser une revue périodique de préparation

Une revue mensuelle ou trimestrielle peut faire de ce cadre une pratique normale. Examinez les nouvelles sources de données, les changements importants chez les fournisseurs, les plaintes ouvertes, les enseignements tirés d’incidents, la couverture des journaux et les hypothèses juridiques non résolues. Suivez un petit ensemble de mesures fondées sur des preuves : la proportion de jeux de données actifs dont les conditions sont documentées, le temps nécessaire pour constituer un dossier de plainte, le pourcentage de fournisseurs à haut risque disposant d’un contact d’escalade et l’ancienneté des lacunes de provenance non résolues.

N’utilisez pas ce tableau de bord pour revendiquer une conformité juridique là où le droit reste incertain. Son objectif est plus modeste et plus utile : montrer si l’organisation sait expliquer ses pratiques actuelles, corriger une faiblesse connue et prendre sa prochaine décision avec de meilleures informations.

L’orientation de la politique chinoise et les indications des tribunaux rendent cette capacité de plus en plus précieuse. Elles ne font pas disparaître les questions difficiles sur l’entraînement de l’IA et la titularité. Elles rendent toutefois plus difficile de justifier l’absence de réponse lorsqu’un client, un créateur, un régulateur ou un tribunal demande comment un système a été construit et contrôlé.