Fouille de textes et de données : ce que permet le droit français pour entraîner un modèle

Données et droit · Par la rédaction de Parallel Text · Publié le 2026-11-09

Une baie de serveurs remplie de machines empilées, d'écrans bleus et de faisceaux de câbles réseau blancs — Arrière d'une baie de serveurs au centre de calcul NERSC. Photo : Derrick Coetzee, via Wikimedia Commons, CC0.

Constituer un corpus pour le traitement automatique des langues, c'est presque toujours copier des textes : articles de presse, pages web, livres, décisions. En France, cette copie est encadrée par le droit d'auteur, avec une exception propre à la « fouille de textes et de données », et, dès que les textes parlent de personnes, par le droit des données personnelles. Voici le cadre en vigueur en novembre 2026, expliqué simplement. Ce n'est pas un conseil juridique : pour un projet précis, adressez-vous au service juridique ou au délégué à la protection des données de votre établissement.

Le point de départ : copier une œuvre, c'est la reproduire

Un texte original (article, billet de blog, roman, et même un commentaire suffisamment original) est protégé par le droit d'auteur dès sa création, sans formalité. Le copier sur un serveur pour l'analyser est une reproduction, qui suppose en principe l'autorisation de l'auteur ou de ses ayants droit. C'est pour lever cet obstacle, sans priver les auteurs de tout contrôle, que le droit européen puis le droit français ont créé une exception spécifique.

D'où vient l'exception : la directive de 2019

La directive (UE) 2019/790 sur le droit d'auteur et les droits voisins dans le marché unique numérique, adoptée en avril 2019, impose aux États membres deux exceptions de fouille de textes et de données (en anglais text and data mining, TDM) :

l'article 3, pour la recherche scientifique menée par les organismes de recherche et les institutions du patrimoine culturel ;
l'article 4, pour toute personne et toute finalité, mais à laquelle les titulaires de droits peuvent s'opposer.

Le texte est disponible sur EUR-Lex. La France avait déjà tenté d'introduire une exception de fouille pour la recherche avec la loi pour une République numérique de 2016, restée largement inappliquée. La directive a été transposée par l'ordonnance n° 2021-1518 du 24 novembre 2021, qui a créé l'article L122-5-3 du Code de la propriété intellectuelle (CPI).

Ce que dit l'article L122-5-3 du CPI

L'article définit d'abord la fouille de textes et de données comme la mise en œuvre d'une technique d'analyse automatisée de textes et de données sous forme numérique, afin d'en dégager des informations, notamment des constantes, des tendances et des corrélations. Il prévoit ensuite deux régimes.

L'exception pour la recherche scientifique

Les organismes de recherche, les bibliothèques accessibles au public, les musées, les services d'archives et les institutions du patrimoine cinématographique, audiovisuel ou sonore peuvent faire des copies d'œuvres auxquelles ils ont accédé de manière licite, en vue de fouilles menées à seule fin de recherche scientifique. Les titulaires de droits ne peuvent pas s'y opposer. Les copies doivent être stockées avec un niveau de sécurité approprié, et peuvent être conservées pour vérifier les résultats de la recherche.

Deux conditions méritent attention : l'accès doit être licite (un abonnement de l'université à une base de presse, une page publique ; pas un contenu piraté ni un accès obtenu en contournant un mur payant), et la finalité doit rester la recherche scientifique.

L'exception générale, avec droit d'opposition

Toute autre personne, entreprise comprise, quelle que soit la finalité, peut aussi copier des œuvres licitement accessibles pour les fouiller, sauf si l'auteur s'y est opposé de manière appropriée, notamment par des procédés lisibles par machine pour les contenus publiés en ligne. C'est le fameux opt-out. Les copies peuvent être conservées aussi longtemps que nécessaire à la fouille.

En pratique, l'opposition peut prendre la forme de conditions d'utilisation, d'instructions dans le fichier robots.txt visant les robots d'indexation pour l'IA, ou de protocoles dédiés comme TDMRep, issu d'un groupe communautaire du W3C, qui permet à un éditeur de déclarer qu'il se réserve les droits de fouille. Le droit ne fixe pas de format unique, et la question de savoir quelles formes d'opposition sont « appropriées » fait encore débat ; plusieurs éditeurs de presse français ont publié des réserves de ce type.

Les bases de données bénéficient d'un mécanisme parallèle : le droit du producteur de base de données connaît les mêmes exceptions de fouille, avec la même distinction entre recherche et usage général.

Le règlement européen sur l'IA ajoute des obligations

Le règlement (UE) 2024/1689 sur l'intelligence artificielle, publié en juillet 2024 et consultable sur EUR-Lex, impose aux fournisseurs de modèles d'IA à usage général deux obligations liées aux données d'entraînement :

mettre en place une politique de respect du droit d'auteur, y compris des réserves de droits exprimées au titre de l'article 4 de la directive de 2019, c'est-à-dire de l'opt-out ;
publier un résumé suffisamment détaillé des contenus utilisés pour l'entraînement, selon un modèle fourni par la Commission européenne.

Ces obligations visent les fournisseurs de modèles, pas chaque laboratoire qui entraîne un petit classifieur. Mais elles renforcent l'intérêt de bien documenter ses corpus, comme le recommandent depuis longtemps les pratiques de datasheets et model cards (en anglais).

Les données personnelles : le RGPD et les recommandations de la CNIL

Le droit d'auteur n'est qu'une moitié de la question. Un corpus de forums, de courriels, de décisions de justice ou d'enregistrements contient des données personnelles : noms, situations, opinions, voix. Le règlement général sur la protection des données (RGPD) s'applique alors, que les textes soient publics ou non.

La CNIL a publié, à partir de 2024, une série de fiches pratiques sur l'IA qui répondent aux questions concrètes des concepteurs de systèmes : choix de la base légale (l'intérêt légitime est souvent mobilisable, sous conditions), information des personnes, minimisation, durée de conservation, sécurité, exercice des droits, et cas particulier de la collecte par moissonnage du web. Elles rappellent notamment qu'il faut définir à l'avance les données utiles, exclure les catégories inutiles et documenter ses choix.

Pour la recherche, le RGPD prévoit des aménagements (conservation plus longue, limitation de certains droits) à condition de mettre en place des garanties appropriées, comme la pseudonymisation. Notre article en anglais sur le RGPD et les données textuelles détaille ces mécanismes à l'échelle européenne.

Récapitulatif pratique

Situation	Ce qu'il faut vérifier
Laboratoire public, corpus de presse via l'abonnement de l'université	Exception recherche (pas d'opt-out opposable) ; accès licite ; stockage sécurisé ; données personnelles éventuelles
Entreprise, collecte de pages web publiques	Exception générale : respecter les réserves exprimées (robots.txt, TDMRep, conditions d'utilisation) ; RGPD et fiches de la CNIL
Textes sous licence libre (Wikipédia, Licence Ouverte)	Respect des conditions de la licence (attribution, partage à l'identique pour CC BY-SA)
Fournisseur d'un modèle d'IA à usage général	En plus : politique de droit d'auteur et résumé public des données d'entraînement (règlement IA)

L'exception permet de fouiller ; elle ne permet pas de republier les textes. Diffuser un corpus de presse copié, même après analyse, reste soumis à l'autorisation des ayants droit. C'est pourquoi beaucoup de jeux de données publics sont construits à partir de textes sous licence libre ou de textes publics : notre inventaire des jeux de données en français indique la licence de chacun. Et pour voir comment ces questions ont pesé sur les modèles français, voir la recherche francophone en TAL.

Sources

Directive (UE) 2019/790 du 17 avril 2019 sur le droit d'auteur et les droits voisins dans le marché unique numérique, articles 3 et 4, EUR-Lex.
Code de la propriété intellectuelle, article L122-5-3, créé par l'ordonnance n° 2021-1518 du 24 novembre 2021 (Légifrance) ; règlement (UE) 2024/1689 sur l'intelligence artificielle, article 53, EUR-Lex.
CNIL, Les fiches pratiques IA, consultées en novembre 2026.