Communs numériques de l'IA : datasets et modèles ouverts au service de tous

Aucune intelligence artificielle ne naît de rien. Derrière chaque modèle de langage capable de répondre en une fraction de seconde se cache un empilement de textes, d'images et de voix rassemblés, nettoyés et partagés par des milliers de personnes qui, pour la plupart, ne travaillent ni pour un laboratoire fermé ni pour une entreprise cotée. Wikipédia, Common Crawl, la bibliothèque de modèles de Hugging Face, les corpus vocaux de Mozilla : ce sont ces briques ouvertes, disponibles sans frais et réutilisables par quiconque, qui forment ce qu'on appelle désormais les communs numériques de l'IA. Loin d'être un détail technique réservé aux ingénieurs, ce socle partagé détermine qui peut construire de l'intelligence artificielle, à quel coût, et avec quel degré de contrôle sur ce qu'elle contient.

Cet article propose un tour d'horizon factuel de ces communs : d'où viennent les grands jeux de données ouverts, qui les construit, sous quelles licences ils circulent, et ce que cela change concrètement pour un chercheur isolé, une petite entreprise ou une administration qui n'a ni le budget ni l'envie de dépendre d'un seul fournisseur. Nous verrons aussi que « ouvert » n'est pas un mot magique : il existe une hiérarchie précise entre les modèles réellement ouverts et ceux qui n'en portent que l'étiquette, et cette distinction a des conséquences très concrètes sur ce qu'on a le droit de faire avec un modèle.

Le fil conducteur de cette chronique suit un ordre volontairement chronologique et thématique : d'abord les matières premières textuelles qui existaient avant même l'explosion des grands modèles de langage (Common Crawl, Wikipédia), puis les corpus spécifiquement conçus pour l'entraînement (The Pile, RedPajama, Dolma), puis l'extension de cette logique à l'image et à la voix, avant d'aborder la question, plus juridique, de ce qui distingue vraiment un modèle ouvert d'un modèle qui se présente comme tel sans l'être. Chaque étape s'appuie sur des faits datés et sourcés, et non sur des estimations approximatives : c'est précisément la rigueur de cette traçabilité qui, par un effet de miroir assez plaisant, est aussi la qualité que ces mêmes communs numériques cherchent à instaurer dans l'IA elle-même.

Une histoire de biens communs, bien avant l'IA

Pour comprendre les communs numériques de l'intelligence artificielle, il faut d'abord se rappeler qu'ils ne sont pas une invention de la dernière décennie. Ils prolongent une tradition plus ancienne : celle des biens communs numériques, popularisée par le mouvement du logiciel libre dans les années 1980 et 1990, puis étendue aux contenus avec les licences Creative Commons au début des années 2000, et enfin à la connaissance encyclopédique avec Wikipédia, lancée en janvier 2001.

Cette généalogie compte, car elle explique pourquoi l'écosystème de l'IA ouverte n'a pas eu à tout inventer. Les licences juridiques existaient déjà, les plateformes de collaboration aussi, et surtout une culture — celle de la publication, de la vérifiabilité et de la réutilisation — s'était déjà installée dans des communautés entières de développeurs et de chercheurs. Quand les premiers grands modèles de langage ouverts sont apparus au début des années 2020, ils ont pu s'appuyer sur cet héritage plutôt que de partir d'une page blanche.

La Digital Public Goods Alliance, une coalition internationale soutenue par plusieurs agences des Nations unies, a formalisé cette continuité en définissant les « biens publics numériques » comme des logiciels libres, des données ouvertes, des systèmes d'IA ouverts et des collections de contenus ouverts, évalués selon un référentiel de neuf critères communs à tous les secteurs. L'intelligence artificielle n'est donc pas un cas à part : elle est un nouveau chapitre d'une histoire déjà longue, celle de ressources numériques pensées pour être partagées plutôt qu'enfermées.

Common Crawl : la matière première universelle

S'il fallait désigner un seul jeu de données à l'origine de la quasi-totalité des grands modèles de langage actuels, ce serait Common Crawl. Cette organisation à but non lucratif explore le web chaque mois depuis 2011 et met à disposition, sans frais d'accès ni de stockage grâce à un hébergement dans le programme AWS Open Data, des archives massives de pages web brutes. Une seule exploration mensuelle capture généralement entre deux et trois milliards de pages, pour un volume de l'ordre de 350 à 400 téraoctets de données brutes (moins de 100 téraoctets une fois les archives WARC compressées). Cumulée depuis 2008, l'archive totale dépasse aujourd'hui les 10 pétaoctets de données, selon la Common Crawl Foundation.

Ce qui rend Common Crawl si central, ce n'est pas seulement sa taille : c'est son accessibilité inconditionnelle. N'importe qui — un étudiant, un chercheur d'un pays à faibles ressources, une start-up de deux personnes — peut télécharger ces archives sans signer de contrat, sans payer de licence et sans demander d'autorisation. Depuis la publication de GPT-3 par OpenAI en 2020, qui a rendu public le fait que son entraînement s'appuyait largement sur ce corpus, Common Crawl est devenu la source de référence pour quasiment tous les grands modèles de langage, ouverts comme fermés.

Cette omniprésence a toutefois un revers bien identifié par la communauté elle-même : le web brut est bruyant, redondant et de qualité inégale. C'est précisément pour répondre à ce problème que sont nés des projets dérivés qui filtrent, nettoient et enrichissent ce matériau brut — nous y reviendrons avec Pile-CC ou RedPajama-V2. Common Crawl fonctionne ainsi comme une matière première géologique : abondante, disponible sans coût d'accès, mais qui exige un travail de raffinage avant de devenir vraiment utile.

Common Crawl n'appartient à personne et profite à tout le monde : c'est cette neutralité, plus que son volume, qui en a fait le socle silencieux de l'IA générative moderne.

Wikipédia, le commun invisible qui nourrit presque tous les modèles

Si Common Crawl fournit le volume, Wikipédia fournit la densité de qualité. Lancée en janvier 2001, l'encyclopédie collaborative comptait, à l'approche de son 25ᵉ anniversaire début 2026, plus de 66 millions d'articles répartis dans plus de 340 langues, rédigés et vérifiés par des dizaines de milliers de contributeurs bénévoles. Une étude du Pew Research Center publiée à l'occasion de cet anniversaire a détaillé l'ampleur de cette activité : rien qu'en 2025, les projets Wikimédia ont enregistré 517 millions de modifications à travers le monde, dont 172 millions sur Wikipédia elle-même.

Pour l'entraînement des modèles de langage, Wikipédia occupe une place à part. Ses textes sont rédigés dans un style factuel, structuré, richement sourcé, et couvrent un éventail de sujets bien plus large et équilibré que ce qu'on trouve sur un forum ou un réseau social. Ce n'est donc pas un hasard si Wikipédia figure, depuis les tout premiers grands modèles de langage jusqu'aux versions les plus récentes, parmi les sources systématiquement incluses dans les corpus d'entraînement — qu'il s'agisse de RedPajama, qui reproduit explicitement la liste des sources documentée dans le premier article LLaMA de Meta, ou de la quasi-totalité des autres grands corpus ouverts évoqués dans cet article.

Ce succès a cependant créé une tension inattendue pour la fondation Wikimédia elle-même. Selon un rapport publié en avril 2025, le trafic généré par les robots d'indexation automatisés qui aspirent le contenu de Wikipédia et de Wikimedia Commons pour nourrir des modèles d'IA a fait grimper de 50 % la bande passante consacrée au téléchargement des contenus multimédias depuis janvier 2024. Plus frappant encore : ces robots représentent 65 % des requêtes les plus coûteuses en ressources informatiques, alors qu'ils ne pèsent que 35 % du trafic total de pages vues. Plutôt que de fermer l'accès, la fondation a choisi une réponse constructive et alignée avec l'esprit des communs : en avril 2025, elle a mis à disposition sur la plateforme Kaggle un jeu de données structuré au format JSON, comprenant résumés, descriptions courtes et sections d'articles segmentées, spécifiquement conçu pour être consommé proprement par les entreprises d'IA plutôt que scrapé de manière anarchique. C'est une illustration nette de ce que veut dire « gérer un commun » : non pas interdire l'usage, mais l'organiser pour qu'il reste soutenable dans la durée.

Le Pile, RedPajama, Dolma : la vague des corpus ouverts pour le texte

À partir de 2020, une deuxième génération de communs numériques a émergé : des corpus construits spécifiquement pour l'entraînement de modèles de langage, et non plus de simples archives web génériques. Le pionnier de cette vague est The Pile, publié le 31 décembre 2020 par le collectif de recherche indépendant EleutherAI. Documenté dans un article scientifique de référence, ce corpus de texte anglais pèse 825 gigaoctets et assemble 22 sous-ensembles distincts — littérature académique, code source, livres, forums spécialisés, brevets — précisément pour corriger un défaut identifié dans le seul Common Crawl : sa faible densité d'information sur les domaines techniques et scientifiques.

The Pile a immédiatement servi de fondation à une lignée de modèles ouverts publiés par EleutherAI elle-même : la famille GPT-Neo (125 millions à 2,7 milliards de paramètres, mars 2021), puis GPT-J-6B en juin 2021 — à l'époque le plus grand modèle de style GPT-3 librement accessible — et enfin GPT-NeoX-20B en février 2022. Cette lignée a démontré, avant même l'explosion médiatique des modèles ouverts de 2023-2024, qu'un corpus public et une équipe sans moyens comparables à ceux d'un grand laboratoire pouvaient produire des modèles crédibles.

RedPajama : reproduire la recette, en plus grand

En avril 2023, un consortium réunissant Together AI, Ontocord.ai, l'ETH Zurich (DS3Lab), le Stanford Center for Research on Foundation Models et le groupe Hazy Research a lancé RedPajama, avec un objectif limpide : reconstituer, à l'identique dans sa composition, le jeu de données de 1 200 milliards de tokens décrit dans l'article scientifique du modèle LLaMA de Meta — Wikipédia, Common Crawl, GitHub, arXiv, StackExchange et plusieurs autres sources — mais en le rendant, cette fois, entièrement public. Le projet s'est ensuite prolongé avec RedPajama-V2, un corpus web brut assorti de signaux de qualité qui permettent à quiconque de filtrer les données selon ses propres critères, plutôt que d'accepter un filtrage déjà fait par d'autres. À eux deux, RedPajama-V1 et V2 totalisent aujourd'hui plus de 31 000 milliards de tokens utilisables (1 200 milliards pour V1, 30 000 milliards pour V2 une fois filtrés et dédupliqués — ce dernier ayant lui-même été extrait d'un socle brut de plus de 100 000 milliards de tokens avant nettoyage). Cette matière a directement servi à entraîner des modèles utilisés en production, dont Snowflake Arctic, XGen de Salesforce et la famille OLMo de l'Allen Institute for AI — la preuve qu'un commun de données, une fois publié, se diffuse bien au-delà de ses créateurs d'origine.

Corpus	Organisation	Publication	Volume	Nature
Common Crawl	Common Crawl Foundation	Continu depuis 2011	>10 péta-octets cumulés	Web brut, non filtré
The Pile	EleutherAI	Décembre 2020	825 Go / ~300 Md tokens	22 sous-corpus qualitatifs
LAION-5B	LAION	Mars 2022	5,85 Md paires image-texte	Multimodal, filtré par CLIP
RedPajama (V1+V2)	Together AI et consortium académique	Avril 2023 / octobre 2023	>100 000 Md tokens	Web + sources qualitatives
Dolma	Allen Institute for AI (Ai2)	2023, version 1.7 en 2024	~2 300 Md tokens (v1.7)	Web filtré + sources qualitatives

L'Allen Institute for AI a poursuivi ce travail avec Dolma, le corpus qui alimente sa propre famille de modèles OLMo, avec une particularité qui le distingue de la plupart des jeux de données précédents : il est accompagné d'une documentation détaillée sur la provenance de chaque source et les filtres appliqués, un niveau de traçabilité rarement atteint même parmi les corpus dits ouverts.

LAION et les communs de l'image

Le texte n'est pas le seul domaine où les communs numériques ont changé la donne. Pour l'image, le jalon central est LAION-5B, publié en mars 2022 par l'organisation à but non lucratif allemande LAION. Ce jeu de données rassemble 5,85 milliards de paires image-texte extraites du web via Common Crawl, dont 2,32 milliards en anglais et le reste réparti sur plus de cent autres langues. Chaque paire a été filtrée à l'aide du modèle CLIP d'OpenAI pour ne conserver que les associations où le texte décrit effectivement bien l'image — un filtrage automatisé qui a permis de passer d'un coup d'un facteur quatorze par rapport à LAION-400M, le plus grand corpus ouvert équivalent qui existait jusqu'alors.

Avant LAION-5B, aucun jeu de données de cette ampleur n'était librement accessible à la communauté de recherche en génération d'images. Les grands corpus propriétaires utilisés par les laboratoires fermés restaient, par définition, hors de portée de quiconque ne travaillait pas pour ces entreprises. LAION-5B a changé cet équilibre : le corpus est devenu la base d'entraînement de référence pour toute une génération de modèles de génération d'images ouverts, avec en prime des outils annexes utiles à la recherche — embeddings CLIP précalculés, index de recherche par similarité, scores de détection de contenu inapproprié ou de filigrane — qui font gagner un temps considérable à quiconque veut construire dessus plutôt que reproduire ce travail de zéro.

BLOOM : quand mille chercheurs bâtissent un modèle ensemble

S'il existe un symbole de ce que peuvent accomplir des communs bien organisés, c'est le projet BigScience et son modèle phare, BLOOM. Orchestrée par Hugging Face, cette initiative a réuni, sur une année complète de collaboration ouverte, plus de mille chercheurs bénévoles issus de plus de 70 pays et de plus de 250 institutions — un mode de production radicalement différent de celui d'un laboratoire fermé où quelques centaines d'ingénieurs salariés travaillent derrière des portes closes.

Le résultat, dévoilé en juillet 2022, est un modèle de 176 milliards de paramètres capable de générer du texte dans 46 langues naturelles et 13 langages de programmation — une couverture linguistique bien plus large que celle des modèles anglophones dominants de l'époque, pensée dès l'origine pour représenter des langues sous-dotées en ressources numériques. Détail qui mérite d'être souligné pour un lectorat francophone : l'entraînement s'est déroulé entre mars et juillet 2022 sur le supercalculateur public français Jean Zay, exploité par GENCI et l'IDRIS, une unité du CNRS. La France a ainsi fourni l'infrastructure de calcul d'un des projets d'IA ouverte les plus ambitieux de son époque, financé par des fonds publics plutôt que par le capital-risque.

BLOOM n'a pas seulement produit un modèle : il a démontré qu'une gouvernance ouverte, distribuée entre mille volontaires répartis sur plus de soixante-dix pays, pouvait rivaliser en résultat avec les équipes fermées des plus grands laboratoires privés.

Hugging Face, la bibliothèque planétaire des modèles et des jeux de données

Si Common Crawl et Wikipédia sont les matières premières, et BLOOM ou LAION-5B des réalisations emblématiques, il fallait un lieu où tout cela puisse être rangé, indexé et retrouvé. C'est le rôle qu'a fini par jouer la plateforme Hugging Face Hub. Selon les statistiques officielles publiées par l'entreprise, le Hub hébergeait 2 126 833 modèles au 1er octobre 2025, aux côtés de plus de 500 000 jeux de données publics et de plus d'un million d'espaces de démonstration interactive — le tout consultable et téléchargeable sans frais, sans inscription obligatoire pour la lecture.

Cette masse a une conséquence directe sur la manière de travailler dans le domaine : un développeur qui a besoin d'un modèle de reconnaissance vocale, d'un jeu de données de classification d'images médicales ou d'un corpus juridique n'a plus, dans l'immense majorité des cas, à partir de zéro. Il consulte le Hub, compare plusieurs options documentées, vérifie leur licence, et récupère un point de départ éprouvé. C'est un changement d'échelle par rapport à la situation d'il y a dix ans, où chaque équipe devait souvent reconstituer ses propres jeux de données en interne, sans visibilité sur ce que faisaient les autres.

Un indicateur illustre bien la vitesse à laquelle ce commun se renouvelle : la catégorie des jeux de données consacrés à la robotique est passée de 1 145 corpus recensés en 2024 à 26 991 en 2025, devenant en l'espace de trois ans la plus grande catégorie de données du Hub, loin devant les catégories plus anciennes. Ce basculement rapide montre que les communs numériques ne sont pas un stock figé constitué une fois pour toutes, mais un flux vivant qui suit — et parfois anticipe — les axes de recherche du moment.

Une bibliothèque, pas seulement un dépôt de fichiers

Ce qui distingue le Hub d'un simple serveur de téléchargement, c'est la couche d'outils construite autour des fichiers eux-mêmes. Chaque modèle est accompagné d'une « carte modèle » qui documente ses données d'entraînement quand elles sont connues, ses limites identifiées et ses usages recommandés ou déconseillés. Chaque jeu de données dispose d'un visualiseur intégré qui permet d'en inspecter le contenu sans avoir à le télécharger intégralement au préalable — un gain de temps précieux quand un corpus pèse plusieurs centaines de gigaoctets. Les espaces de démonstration (Spaces), quant à eux, permettent à quiconque de tester un modèle directement dans un navigateur, sans installer la moindre dépendance logicielle. Cette instrumentation, plus que le simple volume de fichiers hébergés, est ce qui a transformé un dépôt technique en un véritable outil de travail quotidien pour des centaines de milliers de praticiens à travers le monde.

OLMo et la question du « vraiment ouvert »

Toute cette effervescence a fini par poser une question de fond : que veut vraiment dire « ouvert » quand on parle d'un modèle d'IA ? Beaucoup d'acteurs publient les poids d'un modèle — les paramètres numériques qui le font fonctionner — sans jamais révéler sur quelles données il a été entraîné, ni sous quelle licence précise il peut être réutilisé. Pour clarifier ce flou, l'Open Source Initiative, gardienne historique de la définition du logiciel libre, a publié le 28 octobre 2024 la version 1.0 de son Open Source AI Definition (OSAID), fruit de plusieurs années de travail collaboratif et d'un processus de co-conception international.

Cette définition fixe une barre exigeante : pour être qualifié d'« IA open source », un modèle doit fournir suffisamment d'informations sur sa conception pour qu'une personne tierce puisse le reconstruire substantiellement, et doit divulguer des détails précis sur ses données d'entraînement — leur provenance, la façon dont elles ont été traitées, et les modalités selon lesquelles elles peuvent être obtenues ou sous licence. Autrement dit, la simple mise à disposition des poids ne suffit pas.

Lors de la phase de validation qui a suivi la publication de l'OSAID, les résultats ont dessiné une frontière nette. Ont satisfait aux critères : Pythia (EleutherAI), OLMo (Allen Institute for AI), Amber et CrystalCoder (LLM360), ainsi que T5 de Google. N'ont, en revanche, pas satisfait aux critères, faute de composants requis publiés : Llama 2 de Meta, Grok de xAI, Phi-2 de Microsoft et Mixtral de Mistral AI — des modèles souvent qualifiés d'« open source » dans la presse généraliste, mais qui, au sens strict défini par l'OSI, relèvent plutôt de la catégorie des modèles à « poids ouverts » (open-weight).

La famille OLMo, développée par l'Allen Institute for AI, illustre le mieux ce que signifie une ouverture complète. La version OLMo 2, publiée en novembre 2024 en déclinaisons de 7 et 13 milliards de paramètres entraînées sur jusqu'à 5 000 milliards de tokens, rend publics non seulement les poids sous licence Apache 2.0, mais aussi l'intégralité des corpus d'entraînement OLMo-Mix-1124 et Dolmino-Mix-1124 (bâtis notamment sur Dolma), le code d'entraînement OLMo-core, chaque point de sauvegarde intermédiaire du processus d'apprentissage, le protocole d'évaluation complet (OLMES) et les recettes d'ajustement post-entraînement (Tulu 3). Un chercheur peut ainsi reprendre l'entraînement exactement là où l'équipe d'Ai2 l'a laissé, reproduire chaque étape, ou étudier comment le modèle a évolué à un stade intermédiaire précis — une transparence que même certains modèles se présentant comme « ouverts » ne permettent pas.

Voix, langues rares : les communs au-delà du texte et de l'image

Les communs numériques ne se limitent pas au texte web ou aux images. Le projet Common Voice, lancé par la fondation Mozilla, applique la même logique participative à la voix. Le principe est simple : des volontaires du monde entier lisent à voix haute des phrases proposées, tandis que d'autres volontaires valident ou rejettent ces enregistrements selon un système à double vote. Le résultat est placé sous licence CC0, c'est-à-dire dans le domaine public, sans aucune restriction de réutilisation.

Lors de sa vingtième publication majeure, en décembre 2024, le corpus Common Voice couvrait 133 langues rien que pour le sous-ensemble de phrases scriptées, pour un total cumulé de 33 150 heures d'enregistrement, dont 22 108 heures ayant passé le processus de validation communautaire. Cette diversité linguistique est précisément ce que les corpus commerciaux, souvent concentrés sur une poignée de langues à fort marché publicitaire, ont le moins intérêt à financer : construire un système de reconnaissance vocale pour une langue parlée par quelques millions de locuteurs n'est pas rentable pour une entreprise, mais reste tout à fait réalisable pour une communauté de volontaires motivés par la représentation de leur langue. C'est là que les communs numériques jouent un rôle qu'aucun acteur purement commercial ne remplit spontanément : ils financent, par le bénévolat plutôt que par le marché, l'inclusion des langues minoritaires dans les technologies vocales.

Le mécanisme de validation à double vote mérite qu'on s'y arrête, car il illustre une approche de la qualité différente de celle des grands corpus web filtrés automatiquement. Chaque phrase enregistrée doit recueillir deux votes positifs pour être considérée comme validée, et deux votes négatifs suffisent à l'écarter. Ce contrôle humain, distribué entre des milliers de contributeurs plutôt que centralisé dans une équipe unique, produit un corpus plus petit que ceux obtenus par aspiration automatique du web, mais dont chaque élément a été effectivement écouté et vérifié par au moins deux personnes. Pour des usages sensibles comme l'assistance vocale destinée à des publics en situation de handicap, cette garantie de qualité humaine pèse souvent plus lourd que le seul volume brut de données disponibles.

Ce que permettent — et ne permettent pas — les licences ouvertes

La distinction entre modèles réellement ouverts et modèles à poids ouverts prend tout son sens quand on regarde le détail des licences commerciales. Le cas le plus étudié est celui de la licence communautaire Llama de Meta. Cette licence autorise un usage commercial sans redevance, mais avec une clause sans équivalent dans le monde du logiciel libre classique : au-delà de 700 millions d'utilisateurs actifs mensuels, l'entreprise ou le produit qui dépasse ce seuil doit obtenir une licence séparée, accordée à la seule discrétion de Meta. S'y ajoutent une clause qui restreint l'usage par certains concurrents désignés, et une interdiction d'utiliser les sorties du modèle pour entraîner d'autres modèles concurrents. C'est précisément ce faisceau de restrictions — combiné à l'absence de divulgation complète des données d'entraînement — qui a conduit l'Open Source Initiative à ne pas classer Llama 2 parmi les modèles open source au sens strict.

Modèle	Poids	Données d'entraînement publiées	Restrictions d'usage	Validé OSAID
OLMo 2 (Ai2)	Apache 2.0	Oui (OLMo-Mix-1124 + Dolmino-Mix-1124, intégral)	Aucune	Oui
Pythia (EleutherAI)	Apache 2.0	Oui (The Pile)	Aucune	Oui
BLOOM (BigScience)	RAIL (usage responsable)	Partiellement documentées	Clauses d'usage responsable	Non évalué
Llama 3 (Meta)	Licence communautaire	Non	Seuil 700 M utilisateurs, interdiction de ré-entraînement	Non
Mixtral (Mistral AI)	Apache 2.0 (poids)	Non	Aucune sur les poids	Non (données non divulguées)

Le cadre réglementaire européen ajoute une couche supplémentaire à cette cartographie. Le règlement européen sur l'intelligence artificielle prévoit, dans son article 2, paragraphe 12, une exemption pour les systèmes d'IA distribués sous licence libre et open source. Cette exemption reste toutefois circonscrite : elle ne s'applique pas dès lors que le système est classé à haut risque, qu'il relève des usages interdits, ou qu'il entre dans le champ des obligations de transparence prévues pour certains systèmes interactifs comme les agents conversationnels ou les générateurs de contenus de synthèse. Un composant open source monétisé perd également le bénéfice de cette exemption. En clair, publier un modèle sous licence libre allège certaines obligations administratives, mais ne dispense jamais des garde-fous applicables aux usages les plus sensibles — une nuance utile à connaître pour toute organisation qui envisage de s'appuyer sur un modèle ouvert dans un contexte réglementé.

Pourquoi ces communs comptent, très concrètement

Au-delà des principes, ces communs numériques transforment des décisions très pratiques pour qui travaille avec l'IA au quotidien. Trois effets se distinguent particulièrement.

Le premier est un effet d'accès. Une équipe de recherche universitaire dans un pays à ressources limitées, une administration publique soumise à des contraintes budgétaires strictes, ou une petite entreprise qui ne peut pas se permettre de payer des accès API à grande échelle peuvent, grâce à ces corpus et modèles ouverts, entraîner ou ajuster un système sans dépendre d'un fournisseur unique. La Digital Public Goods Alliance formule cette idée en termes de réduction des barrières à l'entrée et de renforcement de l'autonomie numérique — une manière de dire que les communs déplacent le pouvoir de décision d'un petit nombre d'acteurs vers un ensemble beaucoup plus large.

Le deuxième effet concerne la vérifiabilité. Quand un modèle comme OLMo publie son corpus d'entraînement complet et chaque point de sauvegarde intermédiaire, des chercheurs indépendants peuvent examiner comment certains comportements sont apparus, tester des hypothèses sur des biais éventuels, ou simplement confirmer que les résultats annoncés sont reproductibles. Cette possibilité de vérification indépendante, presque impossible avec un modèle entièrement fermé, est devenue un critère de confiance à part entière pour les usages sensibles — recherche scientifique, santé publique, secteur juridique.

Le troisième effet, moins souvent souligné, est un effet de diversité. Les projets communautaires comme Common Voice ou BLOOM couvrent des langues et des contextes culturels que les corpus commerciaux, orientés par la rentabilité, négligent largement. Sans ces initiatives bénévoles, des dizaines de langues parlées par des millions de personnes resteraient tout simplement absentes des technologies vocales et linguistiques contemporaines.

Un quatrième effet, plus discret mais tout aussi structurant, touche à la pédagogie. Pour un étudiant ou un développeur qui veut réellement comprendre comment fonctionne un grand modèle de langage — et non se contenter d'appeler une API en boîte noire — les corpus et modèles documentés par OLMo, EleutherAI ou BigScience constituent un matériel d'apprentissage sans équivalent. Étudier le code d'entraînement d'OLMo-core, examiner la composition détaillée de Dolma ou lire le rapport technique complet de BLOOM permet de saisir des mécanismes qu'aucune documentation marketing ne détaille jamais. Cette dimension formatrice, difficile à chiffrer, alimente année après année un vivier de chercheurs et d'ingénieurs capables de comprendre ces systèmes en profondeur plutôt que de les utiliser en aveugle.

Un commun numérique ne se mesure pas seulement en téraoctets : il se mesure en nombre d'acteurs qui, grâce à lui, peuvent participer à la construction de l'IA plutôt que la subir.

Les limites et les tensions à connaître

Il serait incomplet de présenter ces communs sans mentionner les tensions bien réelles qui les traversent — sans pour autant verser dans l'alarmisme, car ce sont précisément des tensions que les acteurs concernés cherchent activement à résoudre, avec des résultats déjà tangibles.

La première tension est celle de la qualité et des biais. Un corpus comme Common Crawl reflète le web tel qu'il est, avec ses déséquilibres de représentation linguistique, géographique et démographique. C'est précisément la raison d'être des corpus filtrés comme The Pile, Dolma ou RedPajama-V2 : plutôt que de nier ce problème, la communauté a développé des outils de mesure et de filtrage pour le documenter et le corriger progressivement, projet après projet.

La deuxième tension, déjà évoquée à propos de Wikipédia, est celle de la soutenabilité opérationnelle. Servir des pétaoctets de données sans faire payer l'accès a un coût d'infrastructure bien réel, que ce soit pour Common Crawl, pour la fondation Wikimédia ou pour Hugging Face. La réponse apportée par Wikimédia — la mise à disposition d'un jeu de données structuré sur Kaggle plutôt qu'un blocage pur et simple des robots — illustre une voie médiane : organiser l'accès plutôt que le fermer, tout en préservant la vocation d'ouverture du projet.

La troisième tension touche au flou des définitions. Comme le montre le tableau des validations OSAID, de nombreux modèles largement qualifiés d'« ouverts » dans les médias ne le sont pas selon les critères stricts de l'Open Source Initiative. Ce flou n'est pas nécessairement malveillant — les définitions elles-mêmes n'ont été stabilisées qu'en octobre 2024 — mais il invite à la prudence : vérifier systématiquement ce qu'une licence autorise réellement, plutôt que de se fier à l'étiquette « open » apposée sur un dépôt de modèle.

Une quatrième tension, enfin, concerne l'articulation avec le droit d'auteur. Une partie non négligeable du contenu capté par Common Crawl ou par les jeux de données d'images comme LAION-5B provient de pages web ou d'œuvres protégées par des droits que leurs auteurs n'ont pas explicitement cédés pour un usage d'entraînement de modèle. Cette question fait l'objet, selon les juridictions, de débats juridiques et de procédures en cours, et les réponses varient d'un pays à l'autre. Les projets construits sur des données au statut plus clair — Wikipédia sous licence Creative Commons, Common Voice sous licence CC0, ou les jeux de données explicitement publiés pour l'entraînement comme Dolma — offrent, de ce point de vue, une sécurité juridique plus confortable que les corpus issus d'un simple passage automatisé sur le web ouvert. C'est un critère supplémentaire, souvent négligé, à prendre en compte au moment de choisir un corpus pour un usage commercial.

Ce que ces communs changent, dès aujourd'hui

Les communs numériques de l'intelligence artificielle ne sont pas un supplément d'âme accolé à une industrie par ailleurs fermée : ils en constituent une part structurelle, souvent invisible depuis l'extérieur, mais déterminante pour qui regarde sous le capot. Common Crawl et Wikipédia fournissent la matière première textuelle ; The Pile, RedPajama et Dolma la raffinent ; LAION-5B étend le principe à l'image ; Common Voice l'étend à la voix et aux langues minoritaires ; BLOOM démontre qu'une gouvernance distribuée entre mille volontaires peut produire un modèle de premier plan ; Hugging Face rend le tout consultable et réutilisable en quelques clics ; et l'Open Source AI Definition donne enfin, depuis fin 2024, un vocabulaire précis pour distinguer ce qui est réellement ouvert de ce qui n'en porte que l'étiquette.

Pour un praticien — chercheur, développeur, décideur technique — la conclusion pratique tient en une règle simple : avant d'adopter un modèle ou un corpus, vérifier ce qu'il divulgue réellement (poids seuls, ou poids et données et code), sous quelle licence précise, et avec quelles restrictions d'usage éventuelles. Cette vigilance, minime en temps, évite des déconvenues juridiques ou techniques bien plus coûteuses en aval. Et pour l'écosystème dans son ensemble, la dynamique observée depuis Common Crawl jusqu'à OLMo 2 dessine une trajectoire encourageante : celle d'une intelligence artificielle où la capacité de comprendre, de vérifier et de construire n'est plus réservée à une poignée de laboratoires, mais accessible à quiconque prend le temps de s'appuyer sur ce que la communauté a déjà bâti, testé et partagé.

Sources

Cet article s'appuie sur des sources techniques et institutionnelles publiques et vérifiables :

• Hugging Face, statistiques officielles du Hub — huggingface.co/docs/hub (2 126 833 modèles au 1ᵉʳ octobre 2025).
• Open Source Initiative, « The Open Source AI Definition – 1.0 » — opensource.org/ai.
• TechCrunch, « We finally have an 'official' definition for open source AI » — techcrunch.com (28 octobre 2024, résultats de validation des modèles).
• Gao et al., « The Pile: An 800GB Dataset of Diverse Text for Language Modeling » — arXiv 2101.00027.
• Schuhmann et al., « LAION-5B: An open large-scale dataset for training next generation image-text models » — arXiv 2210.08402.
• Together AI, « RedPajama, a project to create leading open-source models » — together.ai/blog.
• BigScience Workshop, « BLOOM: A 176B-Parameter Open-Access Multilingual Language Model » — arXiv 2211.05100.
• Allen Institute for AI, « OLMo 2: The best fully open language model to date » — allenai.org/blog.
• Meta, « Llama 3 Community License Agreement » et analyse du seuil de 700 millions d'utilisateurs — llama.com/llama3/license.
• Artificial Intelligence Act, « Article 2: Scope » (exemption open source, paragraphe 12) — artificialintelligenceact.eu.
• Mozilla Foundation, « Common Voice 20 is Now Available » — mozillafoundation.org/blog (décembre 2024).
• Wikimedia Foundation (Diff), « How crawlers impact the operations of the Wikimedia projects » — diff.wikimedia.org (avril 2025).
• SiliconANGLE, « Wikipedia offers AI developers its article data on Kaggle to stop automated scraping » — siliconangle.com.
• Pew Research Center, « What the data says about Wikipedia on its 25th anniversary » — pewresearch.org (13 janvier 2026).
• Digital Public Goods Alliance, « DPGs for Responsible AI » — digitalpublicgoods.net.