Un éditeur de presse ou un détenteur de fonds documentaires cherchant à savoir si son site a été utilisé pour entraîner un modèle peut, en théorie, utiliser un outil : le résumé public des contenus d'entraînement imposé par l'AI Act aux fournisseurs de modèles à usage général. La Commission européenne a prévu une rubrique pour les principaux noms de domaine moissonnés. Cependant, sur les 24 résumés consultables au 25 septembre 2026, 21 incluent cette rubrique, mais aucun n'y mentionne de site spécifique. Les réponses fournissent des descriptions de catégories de sources, des types de contenus, ou des extensions telles que .com. Les trois autres documents, publiés par DeepSeek, omettent également cette rubrique.

Obligations et délais de conformité

Cette obligation s'applique aux nouveaux modèles mis sur le marché européen depuis le 2 août 2025. Pour ceux déjà commercialisés avant cette date, la conformité est exigée d'ici le 2 août 2027, tandis que les pouvoirs de sanction de la Commission sont en vigueur depuis le 2 août 2026. Selon la Commission, la liste des domaines doit permettre aux titulaires de droits de vérifier l'utilisation de leurs contenus sans avoir à contacter chaque fournisseur. Le 24 septembre, le dépôt inclusionAI/AI-Transparency sur Hugging Face a mis à disposition onze nouveaux documents pour les familles Ling, Ring et Ming d'Ant Group, en suivant le formulaire de la Commission. Le corpus analysé comprend également des résumés d'OpenAI, Mistral AI, Z.AI, ByteDance, MiniMax et DeepSeek. Cette analyse ne représente pas un recensement exhaustif des résumés disponibles.

Exigences du formulaire de la Commission

L'article 53, paragraphe 1, point d) de l'AI Act exige des fournisseurs de modèles d'IA à usage général de publier un résumé détaillé de leurs contenus d'entraînement. Le formulaire de la Commission classe les jeux de données publics, les données obtenues auprès de tiers, et les contenus collectés directement sur internet. La section 2.3 requiert une liste de domaines de premier et deuxième niveaux, correspondant aux 10 % les plus significatifs des domaines collectés, classés par volume de contenu extrait. Un seuil adapté pour les PME est également prévu. La liste peut être fournie sous forme de fichier téléchargeable ou via un lien.

Conséquences pour les éditeurs

Les résumés d'Ant Group, ainsi que ceux de GPT-6 Astra et GPT-5.5 d'OpenAI, décrivent les mêmes catégories de contenu, sans fournir de noms de sites. Les résumés de DeepSeek présentent des particularités, ne mentionnant pas de noms de domaine dans la section dédiée au moissonnage du web. Bien que ces documents décrivent des robots de collecte conformes aux protocoles, ils ne fournissent pas la liste des domaines concernés. Pour les éditeurs, l'absence de noms de domaines spécifiques rend difficile la vérification de l'utilisation de leurs contenus. La notice prévoit un mécanisme complémentaire invitant les fournisseurs à répondre, sur une base volontaire, aux titulaires de droits souhaitant savoir si leurs contenus ont été collectés. Cette liste était censée faciliter cette vérification, mais son absence soulève des questions quant à la conformité aux exigences de l'article 53.