Un nouvel arrêt de la Cour suprême américaine vient de redessiner les contours de la responsabilité pour contrefaçon dans le numérique. Si la décision est saluée comme un tournant, elle suscite aussi des interrogations: la méthode employée pour établir la règle laisse, pour l’instant, une large place à l’interprétation des juridictions inférieures.

Un raisonnement jugé trop bref

Dans une analyse, plusieurs juristes estiment que le raisonnement de la décision pourrait manquer de transparence. L’idée n’est pas seulement d’énoncer un principe, mais aussi d’en expliciter la logique, d’anticiper ses effets et d’indiquer comment l’appliquer concrètement.

Cette réserve rejoint une difficulté souvent rencontrée en droit: une règle formulée de manière simple peut, une fois appliquée à des situations réelles, se révéler complexe.

Une rupture avec le test utilisé jusque-là

Malgré ces critiques sur la forme, l’arrêt est considéré comme majeur pour l’avenir des affaires de contrefaçon. Il affecte directement la manière dont la deuxième cour d’appel (2nd Circuit) traite habituellement ces dossiers, notamment en s’éloignant d’un test auparavant dominant, issu de l’affaire Gershwin.

Jusqu’ici, la logique reposait sur l’addition de la connaissance et de la contribution matérielle: en substance, l’idée était que des fournisseurs de services pouvaient être impliqués s’ils savaient qu’une contrefaçon se produisait sur leurs systèmes et s’ils fournissaient les moyens permettant aux actes de se réaliser.

Deux voies désormais limitées

La Cour suprême indique désormais que, pour les fournisseurs de services, deux fondements seulement peuvent être retenus en matière de contrefaçon contributive: l’incitation (inducing) et l’adaptation (tailoring). Autrement dit, il ne suffit plus de constater une connaissance et de constater une contribution; il faut démontrer un comportement plus ciblé.

Cette clarification a été relevée comme déterminante, mais elle ne dissipe pas toutes les zones grises. En particulier, il reste délicat de définir avec précision ce qui relève exactement de l’“intention” nécessaire pour caractériser l’incitation, ou de ce qui constitue une adaptation du service au profit des usages contrefaisants.

Une qualification encore difficile à appliquer

Selon les observations faites par des praticiens, la nouvelle approche impose aux plaignants de démontrer que le fournisseur a fait quelque chose de positif pour orienter son service de manière à mieux répondre aux besoins des contrefacteurs. Dans le raisonnement actuel, la simple commercialisation du même service à tous les clients n’aurait pas, en soi, vocation à suffire.

Pour autant, faute de lignes directrices supplémentaires, la frontière entre une activité neutre et une adaptation juridiquement significative demeure incertaine.

• Les demandeurs pourraient tenter de préciser, au cas par cas, dans quelles circonstances le fait de continuer à servir des clients impliqués dans la contrefaçon pourrait être interprété comme une forme d’incitation ou d’adaptation.
• Les tribunaux devront ensuite apprécier si les actions alléguées vont au-delà de la fourniture ordinaire d’un service.

En attendant que les décisions à venir apportent des précisions, cette évolution devrait influencer la stratégie des parties: les dossiers devront être construits autour d’éléments concrets permettant de relier le comportement du fournisseur à l’incitation ou à l’adaptation visée par la Cour. Dans ce contexte, des outils de suivi et d’analyse de contenus peuvent servir à documenter des incidents et des schémas d’usage, par exemple via un logiciel de filtrage et d’analyse de contenu ou une solution de journalisation et de supervision réseau lorsqu’elle est utilisée dans le cadre d’une politique de conformité et non pour contourner la loi.

L’essor de l’« intelligence artificielle physique » en Asie s’appuie sur une force souvent sous-estimée : la capacité industrielle de la région. En Corée du Sud, au Japon, en Chine et à Taïwan, la production, l’export et des chaînes d’approvisionnement fortement optimisées ont longtemps structuré l’économie. Aujourd’hui, cette logique industrielle influence directement la manière dont l’IA est développée et financée—notamment dans la robotique, où les données ne se résument pas à des textes ou des images.

C’est dans ce contexte qu’un acteur coréen, Config, a attiré l’attention des capital-risqueurs liés à certains des plus grands industriels du pays. La start-up, basée à Séoul et à San Jose, construit une « couche de données » destinée aux modèles de fondation pour la robotique, un segment où l’accès à des données fiables et exploitables conditionne la performance des systèmes.

Pourquoi la robotique exige des données différentes

La formation de grands modèles de langage repose surtout sur des ressources disponibles à grande échelle : des volumes massifs de texte existent déjà. En revanche, apprendre à un robot à agir dans le monde réel représente un défi distinct. Chaque séquence d’entraînement doit être collectée dans un cadre physique : robot, installations, et opérateurs nécessaires pour exécuter les tâches. Dans ce modèle, les coûts de développement peuvent grimper rapidement lorsque les entreprises cherchent des robots toujours plus capables.

Config part donc d’un principe central : améliorer la qualité et l’adaptation des données plutôt que considérer que le modèle « s’ajustera » tout seul. L’entreprise vise à fournir ce que les équipes robotique doivent exploiter pour entraîner leurs systèmes, en particulier lorsque les robots n’évoluent pas dans le même environnement ni selon les mêmes modalités que les données brutes utilisées pour l’apprentissage.

Un modèle « à la TSMC » pour la robotique

L’ambition de Config s’exprime par une analogie fréquente dans l’industrie : celle de la fabrication sans concurrence directe. Comme un fondeur de semi-conducteurs produit pour plusieurs clients sans viser à remplacer leurs produits finaux, Config cherche à jouer un rôle d’infrastructure pour les intelligences artificielles de robotique.

L’idée trouve un terrain favorable : de nombreux grands industriels envisagent de développer une partie de leur « robot AI » en interne, afin de réduire leur dépendance à des fournisseurs externes et de mieux maîtriser leurs résultats. Dans cette dynamique, la capacité à fournir des données prêtes à l’emploi devient un avantage stratégique.

Un tour de table porté par de grands acteurs

Config a annoncé avoir bouclé un tour de financement de 27 millions de dollars mené par Samsung Venture Investment, pour une valorisation supérieure à 200 millions de dollars. Le tour a également été soutenu par des entités liées à Hyundai Motor, LG, et à un acteur télécom sud-coréen via sa branche d’investissement.

Au-delà des investisseurs, l’enjeu est aussi opérationnel : Config dit déjà produire des données et générer des revenus. Ses clients actuels incluraient des industriels, des intégrateurs et des acteurs opérant dans des secteurs tels que l’agriculture ou la défense—des domaines où la robotique et l’automatisation peuvent avoir des contraintes fortes en termes de fiabilité et d’adaptation aux tâches réelles.

La collecte de données et la « conversion » avant l’entraînement

Config collecte des données issues de mouvements humains, dans des environnements contrôlés (studios) et sur le terrain. L’entreprise indique disposer d’une force de travail d’environ 300 personnes réparties sur plusieurs sites, et accumuler un volume important de données de mouvement. Une donnée clé est sa façon d’aborder l’étape d’entraînement : plutôt que de se contenter d’utiliser les données brutes, Config s’attache à transformer ces données afin qu’elles reflètent mieux la manière dont les robots se déplacent et interagissent avec le monde.

Le principe peut être résumé comme une logique de « traduction » : entraîner un modèle sur un type de données puis l’attendre à fonctionner directement dans un autre contexte revient, selon l’entreprise, à demander au modèle d’acquérir par lui-même une adaptation que les données devraient déjà porter.

Quels objectifs pour les prochains mois ?

Le financement annoncé doit soutenir trois priorités. D’abord, intensifier la collecte de données afin d’atteindre un objectif d’un million d’heures produites. Ensuite, renforcer une offre « entreprise » autour d’une plateforme, avec un objectif de revenus récurrents d’ici 2027. Enfin, Config prévoit de lancer un service basé sur le cloud de type « Robot-as-a-Service », permettant à des entreprises d’utiliser ses modèles sans forcément déployer toute l’infrastructure sur site.

Ce que l’on peut retenir pour l’écosystème robotique

Le pari de Config illustre une tendance plus large : l’IA appliquée au monde réel avance souvent par couches d’infrastructure, là où l’on ne peut pas simplement réutiliser des modèles entraînés sur des données « faciles ». Pour les grands industriels, investir dans la donnée réduit un risque majeur : celui de construire des systèmes coûteux sur des corpus insuffisamment adaptés à la réalité des robots. Pour les équipes robotique, disposer d’un pipeline de données mieux structuré peut accélérer les itérations, et potentiellement diminuer une partie des coûts liés à l’apprentissage.

Dans la pratique, l’écart de maturité entre robots et logiciels d’IA « classiques » se joue souvent sur l’accès à la donnée et sur sa préparation. À ce titre, le positionnement de Config s’inscrit dans une stratégie où l’avantage compétitif ne réside pas uniquement dans le modèle, mais dans la capacité à livrer des données exploitables.

Deux pistes d’équipement à considérer

Pour des équipes qui testent des approches IA et robotique, le choix du matériel influence la qualité des mesures et des itérations. Selon les besoins, un kit de capteurs ou un contrôleur adapté peut faire la différence dans les premiers prototypes, par exemple via un kit de développement pour robotique ou un système de caméra pour robots.

Pardon pour le cliché : en finance, on parle souvent de « moat », soit une barrière de protection qui permet à une entreprise de conserver un avantage durable. Dans le vocabulaire tech, le terme est revenu en force avec une question simple : les grands acteurs de l’intelligence artificielle disposent-ils d’un avantage réellement difficile à reproduire ? À l’échelle des « labs » de pointe, la réponse ressemble davantage à un terrain de course qu’à une forteresse intangible. En revanche, Nvidia présente un élément que beaucoup considèrent comme structurant : sa technologie CUDA.

Le débat autour des « moats » s’est ravivé avec la progression des modèles open source, qui n’ont pas, jusqu’ici, remplacé massivement les solutions propriétaires des principaux acteurs de la recherche appliquée. Malgré des épisodes de stress lors de l’arrivée de certains modèles open source, l’écart de performance ne s’est pas transformé en basculement général. Dans ce contexte, Nvidia met en avant un avantage moins visible que le hardware, mais central pour l’exécution des charges de calcul IA : CUDA.

CUDA : une « plateforme » pensée pour la performance parallèle

CUDA signifie Compute Unified Device Architecture. Le nom évoque davantage une formule technique qu’un produit grand public, et il est généralement employé tel quel. Son intérêt principal tient à une idée clé : l’exécution efficace en parallèle. Pour entraîner ou exécuter des modèles, il faut traiter de très nombreuses opérations de calcul simultanément et réduire au maximum les pertes de temps à chaque étape.

Un exemple simple permet d’en saisir le principe : une table de multiplication 9×9 contient 81 opérations. Sur une machine à un seul cœur, elles s’effectuent séquentiellement. Sur une architecture GPU disposant de cœurs multiples, le calcul peut être réparti par colonnes, ce qui accélère fortement l’exécution. Dans certains cas, des optimisations supplémentaires (comme l’exploitation de la symétrie d’une opération) réduisent encore le nombre d’actions nécessaires. À l’échelle d’un entraînement à très grande échelle, ces gains deviennent déterminants.

De la 3D aux calculs IA : pourquoi CUDA compte

Historiquement, les GPU étaient associés à la génération d’images et de graphismes pour les jeux vidéo. Puis des chercheurs ont compris que la même architecture pouvait servir à des calculs haute performance. CUDA s’est progressivement imposé comme la couche logicielle qui facilite l’exploitation de ces capacités par les développeurs, en particulier pour les charges liées à l’apprentissage automatique.

Il ne s’agit pas uniquement d’un « langage » au sens strict, mais d’un ensemble de composants et de bibliothèques destinés à accélérer des opérations récurrentes en IA. Ces optimisations jouent le rôle de raccourcis techniques : elles permettent de gagner de petites quantités de temps sur des opérations élémentaires, qui, additionnées, peuvent représenter une différence notable en production.

L’avantage ne se résume pas au matériel

Un GPU moderne n’est pas qu’un assemblage de puces : il s’appuie sur des mécanismes d’accès mémoire, des unités spécialisées (dont des « tensor cores » pour certains calculs) et des capacités d’exécution distribuée. Dans cette logique, le matériel fournit la puissance ; CUDA aide à l’orchestrer, en répartissant le travail et en réduisant les inefficacités.

Cette différence éclaire pourquoi certains projets cherchent à aller plus près de l’exécution interne. Quand des équipes écrivent du code à un niveau très bas pour mieux contrôler la chaîne d’instructions, elles réduisent les marges laissées par des couches plus générales. Ce choix peut contribuer à gagner en efficacité sur des opérations spécifiques.

En pratique, pour travailler et tester ces environnements, l’accès à une machine avec une configuration GPU robuste reste un prérequis. Par exemple, un PC équipé d’une carte graphique Nvidia haut de gamme peut être pertinent pour exécuter des charges CUDA dans des conditions proches de celles utilisées en développement et en expérimentation. De même, pour des environnements de calcul plus centrés sur l’accélération, un kit de développement Jetson peut convenir à des cas d’usage embarqués et à des prototypes orientés IA.

Ce que cela signifie pour le « moat » de Nvidia

Dire que CUDA constitue un avantage compétitif revient à observer la réalité du terrain : dans l’écosystème IA, l’efficacité dépend fortement de la manière dont les calculs sont mappés sur l’architecture GPU. Si CUDA devient la référence de facto pour exploiter ces capacités, il peut rendre plus coûteux le changement de plateforme, surtout pour des équipes qui doivent préserver des délais et des performances.

À l’inverse, rien n’empêche l’émergence d’outils concurrents ou de stratégies alternatives. Mais pour l’instant, l’idée centrale reste la même : dans une industrie où la performance dépend de chaque micro-optimisation, une plateforme logicielle qui sait tirer le meilleur du parallélisme constitue un avantage difficile à ignorer.

La chanteuse Dua Lipa a engagé une action en justice contre Samsung, reprochant au groupe d’avoir utilisé son visage pour commercialiser des téléviseurs, sans autorisation ni compensation. La demande, d’un montant annoncé à 15 millions de dollars, s’appuie sur plusieurs griefs liés au droit d’auteur et à l’atteinte présumée à des droits de propriété intellectuelle.

Une image du visage utilisée sur des emballages

Selon la plainte, Samsung aurait employé une photo du visage de Dua Lipa sur des boîtes en carton destinées à promouvoir certains modèles de téléviseurs. La star affirme avoir découvert l’usage de son image autour de juin 2025, puis avoir demandé à plusieurs reprises l’arrêt de la commercialisation de contenus la mettant en scène sur ces emballages.

La procédure indique que les échanges avec Samsung n’auraient pas abouti, et que les produits concernés seraient encore vendus. Les avocats de Dua Lipa soutiennent que cette utilisation aurait généré des bénéfices pour l’entreprise, tout en donnant au public l’impression que l’artiste approuvait la gamme de produits.

Copyright, marque et exploitation commerciale non autorisée

Au-delà de l’argument central autour de l’image, la plainte évoque des atteintes potentielles au droit d’auteur, ainsi qu’à des droits liés à la propriété intellectuelle, notamment pour ce qui est de l’usage jugé « non autorisé » à des fins commerciales. Les termes employés visent également l’idée d’une exploitation sans consentement susceptible d’affecter le contrôle et la monétisation de l’image de l’artiste.

Le dossier avance aussi que le cliché utilisé appartiendrait à Dua Lipa, la photo ayant été réalisée lors du festival Austin City Limits en 2024.

Un contexte juridique déjà chargé autour des téléviseurs

Cette affaire s’inscrit dans un climat plus large où certains fabricants de téléviseurs ont été confrontés à des procédures judiciaires. Dans le passé, des tensions juridiques ont notamment concerné des pratiques publicitaires et des questions liées à la collecte ou à l’usage de données. Même si ce litige-ci porte sur des emballages promotionnels, il illustre la vigilance accrue autour de la conformité des contenus marketing.

Samsung n’a, à ce stade, pas donné de réponse dans le cadre rapporté, la position de l’entreprise n’étant pas encore présentée dans les éléments fournis.

Ce que cette affaire peut changer pour le marketing produit

Au-delà du cas de Dua Lipa, l’enjeu porte sur la manière dont les marques emploient l’image d’artistes, influenceurs ou personnalités dans leurs campagnes et supports de vente. En pratique, ce type de procédure peut encourager les entreprises à renforcer leurs vérifications en amont : droits liés aux visuels, permissions d’exploitation, cadre contractuel et cohérence entre l’emballage et l’existence d’une approbation réelle.

Pour les consommateurs, le litige rappelle aussi que la présence d’un visage sur un produit peut relever d’une logique promotionnelle susceptible d’être contestée si elle n’est pas autorisée.

• Un téléviseur OLED avec fonctions smart pour le home cinéma
• Une barre de son pour améliorer le rendu audio