L’IA générative n’est pas la première révolution technologique vécue par les arts visuels, telle qu’atteste cette lithographie réalisée par Théodore Maurisset, La Daguerréotypomanie (ci-dessous), suite à l’apparition de l’ancêtre de la photographie en 1839.
La Daguerréotypomanie, de Théodore Maurisset, 1839.
Outre les enjeux d’automatisation et de transformation des métiers, les premiers modèles d’IA générative disponibles au public sont entraînés sur des masses de contenus sans le consentement de leurs auteurs.
Un modèle génératif de base vise la capacité de représenter tout ce qui existe, agissant comme une sorte de dictionnaire. C'est ce qui explique l'appétit des créateurs de modèles de base pour les données. Tant qu'il y a un assez grand nombre d’images pour représenter un concept, on pourra le simuler.
Common Crawl est un outil qui parcourt le web et archive des milliards de pages plusieurs fois par année. Cette technologie nous permet, entre autres, de faire des recherches en ligne. C’est aussi une façon d’accumuler une masse de données pour entraîner des modèles d’IA générative.
À partir de ces données, des chercheurs ont construit une collection de liens menant vers des images ainsi que les texte leur étant associés. Le résultat, la base de données LAION-5B, est une collection d’environ 5,85 milliards de paires image-texte pouvant être utilisées pour entraîner des modèles.
Génération d’une image ressemblant à la Mona Lisa à l’aide de Stable Diffusion 1.5
Un de ces modèles, Stable Diffusion 1.5, est diffusé en octobre 2022 et pèse approximativement 7,7 Go. Le modèle contient donc moins de deux octets d’information sur chaque image, ce qui est nettement insuffisant pour obtenir une reproduction fidèle. Cependant, si plusieurs exemplaires se retrouvent dans le corpus de données, il y a risque de mémorisation (e.g. célébrités, œuvres connues, etc.).
Il devient possible de générer des images émulant des styles d’artistes connus œuvrant présentement dans l'industrie, comme c’est le cas pour Greg Rutkowski. De plus, les images générées polluent souvent les résultats de recherche associés aux noms de ces artistes, diluant leur marque.
Des artistes décident de poursuivre des organisations qui ont entraîné des modèles sans consentement. L’intégration de générateurs d’images sur des plateformes d’artistes soulève la colère.
Des entreprises comme Getty Images se lancent aussi dans des poursuites pour barrer l’accès aux réserves d’images pour lesquelles ils ont acquis les droits. Celles-ci leur permettraient d’entraîner leur propre modèle qu’ils pourraient vendre comme éthique et qui permettrait un usage commercial.
Égoportrait pris par le singe Naruto avec l’équipement de David Slater
Au Canada, un rapport précédé de deux consultations publiques sur le droit d’auteur à l’ère de l’IAg a été publié en 2025. Des développements légaux sont toujours attendus.
Aux États-Unis, un précédent (Naruto v. Slater) établi que le droit d’auteur ne protège pas la créativité non-humaine, ce qui implique qu’une image générée à partie de requêtes ne peut pas présentement être protégée.
Ce précédent est contesté, plus particulièrement dans le cas Théâtre d’opéra spatial. En février 2025, un montage d’images générées par IA a pu bénéficier d’une certaine protection.
Dans plusieurs pays, le niveau de protection possible est associé à l’ampleur de la contribution humaine. Un rapport du U.S. Copyright Office publié en 2025 affirme qu’une œuvre ne peut être protégée que si la contribution humaine est substantielle, démontrable et originale et qu’elle doit aller au-delà de simples instructions textuelles ou de modifications mineures.
On retrouve typiquement trois niveaux d’intervention humaine:
| Niveau d’apport humain | Exemple | Protection |
|---|---|---|
| Contribution humaine minimale | Saisie d’une requête simple dans un générateur d’images et aucune modification significative de l’image. | Aucune protection par droit d’auteur |
| Créativité humaine substantielle | Sélection, modification et organisation des éléments générés par IA de manière créative. | Protection possible, mais uniquement sur l’organisation et les choix artistiques faits par l’humain, pas sur les éléments IA eux-mêmes. |
| Création collaborative | Génération de croquis qui seront retravaillés à la main (peinture, composition numérique, etc.). | Les parties créées par l’humain peuvent être protégées, comme c’est le cas dans les pratiques d’art numérique qui mélangent images de stock, pinceaux numériques, rendus 3D et dessins originaux. |
Des chercheurs ont développé des outils de protection qui opèrent sur différents fronts. Certains s’appliquent directement sur des images: Glaze et Mist ajoutent des filigranes peu perceptibles à l’œil nu et qui interfère avec la reproduction du style de l’image. Nightshade vise à corrompre les modèles et interférant avec les concepts pouvant être générés. D’autres visent à protéger les sites des robots ramassant les données, ou à leur fournir des images différentes de celles hébergées, comme Kudurru.
Même s’il est possible de demander l’exclusion de ses œuvres dans l’entraînement de nouveaux modèles via le registre Have I Been Trained?, peu d’organisations ont accepté de s’engager à respecter ce registre d’exclusion.