Pourquoi les données d'entraînement ne comportent-elles aucun enregistrement lisible par machine indiquant si quelqu'un a consenti ?

La question juridique de savoir si l'entraînement de l'IA nécessite un consentement est largement tranchée : tribunaux et régulateurs affirment que cela compte. La question pratique de la façon dont un signal de consentement accompagne un texte à travers les étapes de collecte, de déduplication, de filtrage et de mélange d'un pipeline de données ne trouve pas de réponse. Robots.txt est un mécanisme binaire et grossier, qui s'applique aux robots d'indexation et non aux systèmes d'entraînement, et est régulièrement ignoré par les pipelines à source fermée. L'opt-out TDM de l'UE prévu à l'article 4 de la directive DSM ne dispose d'aucun format lisible par machine standardisé qu'un pipeline puisse vérifier au niveau de chaque élément. L'audit 2025 de la Data Provenance Initiative a constaté des signaux de consentement omniprésents manquants ou ambigus dans les principaux jeux de données d'entraînement, ce qui signifie que même un concepteur souhaitant respecter le consentement ne peut techniquement pas le faire, car l'enregistrement n'est pas attaché aux données.