La course à l’IA entre Amazon et Google atteint Twitch, où les livestreams entraînent les modèles par défaut

Amazon a confirmé un nouveau front controversé dans la course à l’IA entre Amazon et Google : le contenu des chaînes Twitch peut entraîner ses modèles d’IA générative par défaut.

Le paramètre couvre les contenus associés aux chaînes participantes, y compris potentiellement les livestreams, enregistrements, extraits, images, métadonnées de chaîne et messages de chat. Les créateurs peuvent désactiver cette option, mais Twitch l’a lancée sous la forme d’un contrôle de désactivation. Cela signifie que le contenu des chaînes éligibles reste disponible tant qu’un créateur ne trouve pas le paramètre et ne le désactive pas.

Cette révélation importe, car les livestreams constituent un matériau d’entraînement particulièrement riche. Une seule diffusion peut combiner parole, vidéo, gameplay, expressions faciales, réactions du public, argot et changements rapides de contexte. Amazon accède à ce matériau par l’intermédiaire d’une plateforme qu’il possède, alors que Google et d’autres rivaux doivent constituer ailleurs des jeux de données multimodaux comparables.

Le conflit central dépasse donc largement un paramètre de confidentialité. Amazon veut des données distinctives pour des modèles en concurrence avec Google, OpenAI, Meta et Anthropic. Les créateurs Twitch veulent un contrôle réel sur un travail qui existe parce qu’ils l’ont produit et ont bâti les communautés qui l’entourent.

Twitch a confirmé ce que permet le paramètre par défaut

Le changement immédiat ne consiste pas simplement à autoriser Amazon à étudier le contenu de Twitch. Il consiste à introduire sur Twitch un contrôle activé par défaut pour l’entraînement de l’IA générative.

Le paramètre apparaît dans les contrôles de sécurité et de confidentialité des comptes Twitch. Sa description autorise l’utilisation du contenu des chaînes pour entraîner les modèles de contenu d’IA générative d’Amazon. Le désactiver met fin à cet usage particulier, selon Twitch, mais n’empêche pas toutes les formes d’analyse par apprentissage automatique au sein du service.

Cette distinction est importante. Twitch s’appuie déjà sur des systèmes automatisés pour les recommandations, la modération, la publicité, la sécurité et la découverte des créateurs. Ces systèmes peuvent analyser des comportements ou des contenus sans nécessairement entraîner un modèle génératif à usage général.

L’entraînement génératif poursuit un objectif plus vaste. Il apprend à un modèle à reconnaître ou produire des motifs à travers du texte, des images, de l’audio et de la vidéo. Le modèle résultant peut soutenir des produits allant bien au-delà de l’expérience Twitch d’origine.

Mike Minton, directeur produit de Twitch, a abordé ce choix par défaut lors d’un livestream de l’entreprise. Interrogé sur la raison pour laquelle le paramètre fonctionnait par désactivation plutôt que par adhésion explicite, il a répondu sans détour : « S’il fallait s’y inscrire, personne ne le ferait. »

Cette déclaration a transformé une révélation technique en controverse sur le consentement. Le paramètre par défaut n’a pas été présenté comme une décision neutre d’ergonomie. Twitch savait que les créateurs proposeraient rarement leur contenu volontairement, puis a conçu la participation autour de l’inaction.

Minton a également affirmé qu’Amazon ne revendrait pas le matériel collecté à d’autres entreprises. Cette assurance limite une préoccupation possible, mais elle ne tranche pas la manière dont Amazon traite, conserve, combine ou utilise les données en interne.

Mary Kish, responsable de la communauté chez Twitch, aurait déclaré avoir elle-même désactivé le paramètre en raison des préoccupations de sa communauté. Elle a également fait valoir que Twitch ne peut pas fonctionner sans certaines formes d’IA. Ces deux positions peuvent être vraies, car l’automatisation d’une plateforme et l’entraînement de modèles fondamentaux sont des activités différentes.

Le périmètre se complique lorsque plusieurs personnes apparaissent dans une même diffusion. Le propriétaire d’une chaîne peut contrôler le paramètre de la chaîne, mais les invités peuvent ne pas partager cette préférence. Les participants au chat peuvent contribuer des messages, blagues, emotes et réactions sans examiner le choix d’entraînement de l’hôte.

Minton aurait reconnu que les diffusions mêlant des personnes aux consentements différents soulevaient une question légitime. Twitch n’a pas annoncé de label visible sur les chaînes indiquant aux spectateurs si un stream contribue à l’entraînement de l’IA générative.

Cette lacune rend le contrôle moins individuel qu’il n’y paraît au premier abord. Un spectateur peut éviter l’entraînement via sa propre chaîne, puis entrer dans une chaîne activée et contribuer à sa conversation en direct. Le paramètre par défaut au niveau de la chaîne régit un espace créatif collectif.

Les conditions d’utilisation relatives au contenu plus larges de Twitch autorisent déjà l’entreprise à mettre en cache ou stocker des éléments individuels de contenu afin de fournir et d’améliorer ses services. Toutefois, une licence générale de service n’efface pas la différence pratique entre exploiter une plateforme et créer des modèles génératifs réutilisables.

Le nouveau paramètre rend cette différence visible. Il envoie également aux créateurs un signal direct : Amazon considère Twitch comme davantage qu’une simple activité de distribution vidéo.

Pourquoi les livestreams comptent dans la course à l’IA entre Amazon et Google

Twitch offre à Amazon ce que tout développeur de modèles recherche : des exemples synchronisés et en temps réel de personnes qui parlent, agissent, regardent et réagissent.

La plupart des grands modèles de langage ont commencé avec d’immenses collections de textes. La prochaine phase concurrentielle dépend de plus en plus des modèles multimodaux, qui traitent plusieurs types de médias dans un même système. La vidéo est particulièrement précieuse parce qu’elle relie les mots aux actions, au timing, aux objets, aux environnements et aux réactions humaines.

Un stream Twitch peut contenir des commentaires oraux, du texte à l’écran, des séquences de jeu, de la musique, une vidéo webcam, des informations de chaîne et une conversation avec le public. Ces éléments se déroulent ensemble plutôt que d’apparaître comme des fichiers isolés.

Cette synchronisation peut aider un modèle à associer le langage aux événements. Lorsqu’un streamer décrit une mécanique de jeu, réagit à un résultat inattendu ou répond à un spectateur, la vidéo et le chat environnants fournissent du contexte.

Le matériau est également conversationnel. La parole en livestream inclut des interruptions, des phrases incomplètes, des expressions régionales, de l’humour, des erreurs, des changements émotionnels et des références dépendant de moments antérieurs. Ces qualités sont difficiles à reproduire avec des vidéos d’entreprise soignées ou des dialogues synthétiques.

Le chat ajoute une autre couche. Il montre comment des groupes réagissent à des événements en direct, quelles expressions se répandent et comment le sens évolue au sein d’une communauté donnée. Les emotes peuvent véhiculer un contexte que les jeux de données textuels ordinaires ne captent pas.

Cela ne signifie pas que chaque stream Twitch améliore automatiquement tous les modèles d’Amazon. Les données d’entraînement doivent être sélectionnées, filtrées, étiquetées, dédupliquées et adaptées à une capacité visée. Des données de faible qualité ou répétitives peuvent gaspiller des ressources de calcul ou fausser le comportement d’un modèle.

La propre déclaration d’Amazon sur l’entraînement indique que ses services génératifs peuvent utiliser des jeux de données sous licence, propriétaires, synthétiques, open source et accessibles publiquement. Ces collections peuvent inclure du texte, des images, de l’audio, de la vidéo, du code et des informations personnelles ou agrégées sur les consommateurs.

La déclaration précise également que la taille des jeux de données varie selon le modèle ou le service, de milliers à des milliers de milliards de points de données. Amazon applique des processus tels que l’évaluation automatisée de la qualité, l’annotation humaine, le classement des préférences et la déduplication, selon l’entreprise.

Twitch peut offrir à Amazon une composante propriétaire dans ce mélange plus vaste. Google possède YouTube, Meta exploite d’importantes plateformes sociales et Microsoft entretient des liens étroits avec OpenAI. Chaque entreprise contrôle des services qui génèrent du matériel indisponible via l’exploration ordinaire du web.

C’est à ce niveau qu’Amazon Google devient un mot-clé concurrentiel pertinent plutôt qu’une comparaison arbitraire. Google peut tirer des avantages techniques de l’immense catalogue vidéo de YouTube et des métadonnées associées. Amazon possède une plateforme vidéo plus petite, mais Twitch est spécialisé dans les comportements interactifs en direct.

La différence ne tient pas seulement à la taille du catalogue. YouTube contient des livestreams, des enregistrements, des tutoriels, du divertissement et des vidéos courtes. Twitch se concentre davantage sur de longues sessions avec une participation continue du public.

Amazon peut également relier le développement de modèles à AWS, qui vend des infrastructures informatiques et des services d’IA gérés. De meilleurs modèles internes pourraient renforcer les offres Amazon Bedrock, les fonctionnalités d’achat, les outils publicitaires, les services Alexa, les systèmes médias et de futurs agents.

Toutefois, Twitch n’a pas précisé quels modèles reçoivent le contenu des chaînes. L’entreprise n’a pas indiqué si les données soutiennent un modèle Nova, un système vidéo spécialisé, un modèle publicitaire ou plusieurs projets internes.

Cette omission importe, car le risque dépend de l’objectif. Entraîner un classificateur de modération diffère de l’entraînement d’un modèle capable de générer des voix, des personnalités ou des vidéos. Une référence large aux « modèles de contenu d’IA générative chez Amazon » ne donne pas aux créateurs ce niveau de détail.

Amazon fait également face à une pression stratégique. Un rapport de juillet sur sa stratégie d’IA indiquait que l’entreprise abandonnait progressivement plusieurs modèles Nova phares tout en réorientant ses ressources vers un nouvel effort de modèle de frontière.

Amazon a contesté l’idée qu’elle abandonnait Nova. Un porte-parole a déclaré que l’entreprise continuait de soutenir les modèles utilisés par ses clients tout en investissant dans sa prochaine génération de recherche de frontière.

Les deux descriptions témoignent d’une priorisation. Amazon décide où les données propriétaires, les chercheurs et la capacité de calcul peuvent produire un avantage défendable. L’archive multimodale et en direct de Twitch correspond à cette recherche de différenciation.

Le véritable arbitrage oppose les capacités au consentement

L’avantage d’Amazon en matière de données dépend d’un matériau que de nombreux créateurs ne fourniraient pas sciemment dans les mêmes conditions.

Le paramètre par défaut de Twitch illustre ce compromis avec une clarté inhabituelle. Si presque personne ne choisissait volontairement d’y participer, la plateforme ne peut maximiser la participation qu’en traitant le silence comme une autorisation.

Les paramètres par défaut déterminent souvent les comportements parce que les utilisateurs n’examinent pas chaque réglage. Certains créateurs n’apprendront jamais que ce contrôle existe. D’autres peuvent mal comprendre son périmètre, reporter leur décision ou supposer que leurs choix initiaux de confidentialité s’appliquent toujours.

Cet effet comportemental n’est pas un accident technique. L’explication de Minton indique que la participation attendue a façonné la conception. Twitch a choisi un paramètre par défaut qui sert les besoins d’Amazon en données, tout en offrant aux créateurs informés un moyen de se retirer.

La désactivation peut néanmoins offrir un véritable contrôle lorsqu’elle est visible, stable, compréhensible et appliquée avant le début du traitement. Des questions demeurent quant au respect de ces conditions par Twitch.

Premièrement, l’entreprise n’a pas détaillé publiquement ce qui s’est produit avant l’apparition du nouveau contrôle. Les informations entourant l’annonce indiquent qu’Amazon avait déjà utilisé du matériel Twitch pour le développement de l’IA. Le paramètre pourrait donc régir les traitements futurs sans annuler les entraînements déjà effectués.

Le désapprentissage machine, qui tente de retirer l’influence d’une source de données d’un modèle entraîné, reste techniquement difficile. La suppression d’un fichier source n’inverse pas automatiquement les mises à jour du modèle dérivées de ce fichier.

Deuxièmement, la conception au niveau de la chaîne ne peut pas représenter parfaitement chaque participant. Un diffuseur peut inviter un intervenant, mettre en avant un collaborateur, lire à voix haute le message d’un spectateur ou rediffuser du matériel sous licence. Le propriétaire de la chaîne ne détient pas nécessairement des droits illimités d’entraînement par IA pour chaque élément.

Les conditions de Twitch exigent que les utilisateurs détiennent les droits nécessaires pour diffuser leur contenu. Pourtant, l’autorisation de diffuser une œuvre n’équivaut pas toujours à l’autorisation de la réutiliser pour l’entraînement d’un modèle. La musique, les jeux, les œuvres artistiques, les performances et les apparitions d’invités peuvent être soumis à des limites contractuelles ou juridiques distinctes.

Troisièmement, Twitch n’a pas expliqué la conservation des données. Les créateurs doivent savoir si la désactivation du paramètre bloque toute nouvelle collecte, les futures phases d’entraînement, les jeux de données d’évaluation, ou les trois. Ils doivent aussi obtenir des précisions sur les copies mises en cache et les données déjà transférées dans les systèmes d’Amazon.

Quatrièmement, le contrôle n’indique pas si un modèle entraîné peut reproduire des caractéristiques reconnaissables d’un créateur. Le contenu Twitch peut contenir la voix, le visage, les mimiques, les expressions récurrentes et les relations d’une personne avec ses spectateurs.

Un modèle peut apprendre des schémas généraux de parole ou de vidéo sans copier un diffuseur précis. Les créateurs souhaitent néanmoins, à juste titre, des tests mesurant la mémorisation, l’imitation vocale, les fuites d’identité et la reproduction de contenus protégés par le droit d’auteur.

Amazon affirme utiliser des garde-fous pour limiter les risques liés aux données personnelles et dédupliquer les contenus d’entraînement. Ce sont des pratiques utiles, mais elles restent des déclarations de l’entreprise tant qu’elles ne sont pas étayées par une documentation propre aux modèles ou une évaluation indépendante.

La même incertitude concerne la rémunération. Les créateurs Twitch produisent les enregistrements et le contexte social qui rendent ce jeu de données distinctif. Amazon peut potentiellement utiliser ces éléments pour améliorer des systèmes commerciaux, tandis que ce paramètre ne promet ni paiement, ni attribution, ni accès aux modèles aux créateurs.

Les défenseurs d’un entraînement à grande échelle peuvent soutenir que les plateformes ont besoin de vastes jeux de données pour développer des systèmes utiles. Exiger des négociations individuelles pour chaque contenu public pourrait ralentir la recherche, favoriser les acteurs déjà établis et rendre certaines formes d’apprentissage automatique impraticables.

Cet argument ne répond pas à la question du réglage par défaut. Twitch entretient déjà des relations directes avec les créateurs. La plateforme peut communiquer avec eux, présenter des conditions et concevoir des incitations plus facilement qu’une entreprise qui explore une page web publique inconnue.

Un programme d’adhésion volontaire pourrait offrir aux créateurs des avantages précis. Twitch pourrait proposer des outils de découverte améliorés, du montage assisté par modèle, une participation aux revenus ou l’accès à des analyses de performance. La participation deviendrait alors un échange plutôt qu’une hypothèse implicite.

Le commentaire de Minton laisse entendre que Twitch ne s’attendait pas à ce que son offre actuelle convainque les créateurs par ses seuls mérites. La plateforme s’est plutôt appuyée sur une inscription par défaut.

Pour les créateurs qui gèrent contrats, extraits, notes de sponsoring et changements de politiques, suivre ces détails devient également un problème de gestion des connaissances. Une base de connaissances IA interrogeable peut aider les équipes à conserver les avis, décisions de consentement et conditions des plateformes au fil de leurs évolutions.

Google, YouTube et leurs rivaux font face à la même question des données

Amazon n’est pas la seule entreprise à rechercher des données de plateforme, mais l’aveu de Twitch offre aux concurrents et aux régulateurs un cas de test clair.

Google entre dans la comparaison parce que YouTube lui donne un accès direct à une variété inégalée de formats vidéo. Google développe également les modèles Gemini, capables de traiter du texte, de l’audio, des images et des vidéos.

La relation de YouTube avec les créateurs crée donc des possibilités stratégiques et des problèmes de confiance similaires. Les opérateurs de plateformes peuvent utiliser les contenus pour améliorer les recommandations, détecter les abus, générer des sous-titres ou développer des systèmes d’IA plus larges. Les utilisateurs ne distinguent pas toujours ces usages.

Meta fait face à la même tension sur Facebook et Instagram. Les publications publiques peuvent être utiles aux modèles qui nécessitent des connaissances culturelles, visuelles et conversationnelles. Meta a également fait face à des objections concernant la manière dont les utilisateurs peuvent s’opposer à l’entraînement de l’IA.

Reddit a adopté une approche plus explicitement commerciale en accordant sous licence l’accès aux contenus de la plateforme. Cette approche reconnaît les données comme un actif, même si les contributeurs individuels peuvent toujours se demander si les accords au niveau de la plateforme reflètent leurs intérêts.

OpenAI et Anthropic ne disposent pas de plateformes vidéo grand public comparables. Ils dépendent davantage de partenariats, de collections sous licence, de sources publiques, de données synthétiques et de contenus soumis via leurs produits. Cela peut les désavantager lorsque leurs concurrents contrôlent des réseaux médiatiques continuellement renouvelés.

La concurrence encourage chaque propriétaire de plateforme à réinterpréter ses services existants comme une infrastructure d’entraînement. Les requêtes de recherche deviennent des retours linguistiques. Les photos deviennent des données de vision. Les vidéos deviennent des exemples multimodaux. Les conversations deviennent des démonstrations de préférences humaines.

La concurrence entre Amazon et Google renforce cette incitation, car les deux entreprises exploitent des activités cloud, des services grand public, des systèmes publicitaires et des portefeuilles de modèles d’IA. Un modèle utile peut renforcer plusieurs divisions à la fois.

Pourtant, posséder une plateforme ne confère pas des droits illimités sur tout ce qui s’y déroule. Un livestream peut réunir l’œuvre originale du diffuseur, les éléments d’un éditeur de jeux, de la musique sous licence, les propos d’invités, le chat des spectateurs et du matériel de marque dans une même image.

Cette structure de droits superposés rend la vidéo en direct plus complexe sur les plans juridique et opérationnel qu’un jeu de données interne propre. Filtrer les atteintes évidentes ne répond pas à la question de savoir si tous les contenus restants disposent d’une base appropriée pour l’entraînement.

Les régulateurs examineront également avec quelle clarté les plateformes décrivent la finalité du traitement. Le consentement doit être éclairé et spécifique dans les juridictions qui s’y appuient comme base juridique. Un réglage par défaut dissimulé peut faire l’objet d’un contrôle plus strict qu’un choix visible et volontaire.

La meilleure défense de Twitch serait une transparence détaillée. L’entreprise pourrait identifier les familles de modèles, catégories de données, périmètres géographiques, périodes de conservation, dates limites, méthodes d’évaluation et l’effet du refus.

Elle pourrait également distinguer les créateurs, les invités et les participants au chat. Un badge de chaîne pourrait indiquer si l’entraînement génératif est activé. Les spectateurs pourraient alors décider de participer ou non avant de publier des messages.

Twitch n’a pas annoncé un tel label. Sans lui, un spectateur ne peut pas facilement savoir si sa contribution entre dans le pool d’entraînement d’une chaîne activée.

Des audits indépendants apporteraient un autre contrôle utile. Les auditeurs pourraient vérifier si les refus se propagent dans les systèmes d’Amazon, si les contenus exclus apparaissent dans des jeux de données ultérieurs et si les modèles reproduisent des contenus protégés ou personnels.

La concurrence n’oblige pas chaque entreprise à adopter la norme de consentement la plus faible disponible. Google, Amazon, Meta et les autres propriétaires de plateformes peuvent aussi rivaliser sur la fiabilité de leurs pratiques en matière de données, au-delà des performances de leurs modèles.

Twitch a désormais l’occasion de prouver que son contrôle fonctionne. Si l’entreprise considère plutôt l’interrupteur comme une divulgation suffisante, la contestation se poursuivra, car les questions sans réponse portent sur le traitement, et non sur la conception de l’interface.

Ce que les créateurs et acheteurs d’IA devraient surveiller ensuite

Les trois prochains signaux montreront si le paramètre de Twitch représente un véritable contrôle ou seulement une réponse limitée à la pression publique.

Le premier signal sera un avis de transparence propre aux modèles. Amazon devrait nommer les familles de modèles ou les catégories de produits qui utilisent les contenus Twitch. L’entreprise devrait également expliquer si l’entraînement a commencé avant l’apparition du paramètre et ce qu’il advient des données déjà traitées.

Cette divulgation renforcerait l’affirmation d’Amazon selon laquelle les créateurs disposent d’un choix réel. Une ambiguïté persistante laisserait penser que l’entreprise accorde plus de valeur à sa flexibilité qu’à une participation éclairée.

Le deuxième signal concernera la manière dont Twitch gère les streams à consentement mixte. La plateforme a besoin d’une règle claire pour les invités, co-streamers et participants au chat dont les préférences diffèrent du paramètre choisi par le propriétaire de la chaîne.

Un badge visible indiquant le statut d’entraînement ne résoudrait pas toutes les questions de droits, mais il améliorerait l’information. Des contrôles appliqués aux contributions individuelles au chat pourraient offrir un choix plus précis.

Observez si Twitch introduit l’une ou l’autre de ces fonctionnalités lors des trois prochaines mises à jour de produit. Le silence laisserait le propriétaire de la chaîne comme seul décideur pour un jeu de données généré par la communauté.

Le troisième signal sera la pression réglementaire ou contractuelle. Des groupes de créateurs, éditeurs de jeux, artistes interprètes ou autorités de protection de la vie privée pourraient demander à Twitch de documenter sa base juridique et sa chaîne de droits. Une enquête formelle imposerait des réponses plus précises que celles fournies lors d’un livestream de l’entreprise.

Les acheteurs d’IA devraient s’en préoccuper autant que les créateurs. Les entreprises évaluent de plus en plus l’origine des données de modèles, la possibilité pour les personnes de s’y opposer et la couverture des licences pour un déploiement commercial. Une provenance incertaine peut devenir un risque d’approvisionnement, de conformité ou de réputation.

Les développeurs devraient également éviter de supposer que davantage de données produit toujours un meilleur modèle. Les contenus Twitch contiennent du bruit, des répétitions, des médias protégés par le droit d’auteur, des comportements de chat coordonnés et un langage très localisé. Une curation rigoureuse compte autant que l’échelle.

Les créateurs peuvent agir dès maintenant en examinant les paramètres de sécurité et de confidentialité de Twitch sur le web. Ils devraient consigner leur choix, le réévaluer après les mises à jour de politiques et informer leurs collaborateurs de la configuration de la chaîne.

Ils devraient aussi recenser les contenus assortis de droits de tiers. Désactiver l’entraînement ne remplace pas les accords concernant la musique, les jeux, les sponsors ou les invités, mais cela réduit une voie de réutilisation incertaine.

Les spectateurs disposent de moins de contrôles directs, car le paramètre de la chaîne façonne l’environnement. Avant de partager des détails sensibles dans le chat, ils devraient supposer que leurs messages peuvent être stockés, analysés et reliés à la diffusion environnante.

Pour l’ensemble de la course à l’IA entre Amazon et Google, la question essentielle n’est pas de savoir quelle entreprise possède le plus de vidéos. Elle est de savoir si les plateformes propriétaires peuvent transformer des communautés en infrastructure de modèles sans affaiblir la confiance qui rendait ces communautés précieuses.

Amazon a obtenu l’accès à une ressource multimodale inhabituelle. Twitch a également révélé le coût de cet avantage. Son responsable produit a reconnu que la participation volontaire serait faible, puis a défendu un système fondé sur le consentement par défaut.

Cet aveu donne aux créateurs, régulateurs et clients d’entreprise un critère concret pour juger la prochaine réponse. Surveillez l’apparition de modèles nommés, d’exclusions applicables, d’un statut de chaîne visible et de tests indépendants.

Si ces mesures sont mises en place, Twitch pourra transformer une contestation en un accord sur les données plus crédible. Dans le cas contraire, la compétition entre Amazon et Google aura produit une nouvelle issue familière : un meilleur accès aux données, mais moins de confiance dans la manière dont elles ont été obtenues.