OpenAI et Anthropic achètent des conversations Slack, des e-mails et des enregistrements d'employés à prix d'or

L'internet public s'épuise en textes humains de qualité, et les plus grands laboratoires d'IA du monde se ruent vers une nouvelle source de carburant : vos communications internes. OpenAI et Anthropic achètent désormais massivement des messages Slack, des e-mails, des enregistrements vidéo et des historiques de code auprès de startups, payant jusqu'à 300 000 $ par accord dans un marché discret mais en pleine explosion pour les données d'interaction humaine propriétaires .

Le mur de la donnée : pourquoi l'IA convoite vos conversations Slack

Cette quête de données internes est motivée par un simple problème mathématique. L'estimation la plus citée, du groupe de recherche Epoch AI, évalue le stock total de textes publics de haute qualité générés par l'humain à environ 300 billions de tokens (intervalle de confiance à 90 % : 100 à 1 000 billions) . Au rythme actuel de consommation des modèles de pointe, cette réserve devrait être épuisée entre 2026 et 2032, avec une estimation médiane en 2028 . Certaines analyses suggèrent que les textes de très haute qualité sur le web ouvert ne représentent que 15 à 20 billions de tokens, repoussant l'épuisement dès 2026 . PBS rapportait fin 2025 que la « ruée vers l'or » des données d'entraînement des chatbots pourrait s'arrêter dès 2026 .

À mesure que ce plafond se rapproche, OpenAI et Anthropic se tournent vers un gisement jusqu'alors inexploité : les données de collaboration internes des entreprises . Les enregistrements d'interactions humaines réelles (e-mails de négociations, comptes-rendus de réunions avec des prises de décision en temps réel, fils Slack montrant une dynamique de travail authentique) offrent le type de données conversationnelles organiques qui se fait rare sur le web public.

Les prix : de 10 000 $ à 300 000 $ par affaire

Un nouvel écosystème d'intermédiaires a vu le jour pour négocier ces transactions sensibles. Deux noms reviennent le plus souvent : Mercor et SimpleClosure .

• Les startups en faillite ou acquises vendent leurs archives Slack complètes, leurs corpus d'e-mails et leurs référentiels de documents pour 10 000 $ à 100 000 $ par affaire via des services spécialisés de liquidation .
• Mercor, une entreprise de données d'entraînement IA, offre jusqu'à 300 000 $ pour les fils Slack, les historiques de commits GitHub et les transcriptions de réunions .
• Warmly, une startup IA récemment acquise par HubSpot, a reçu quatre offres distinctes allant jusqu'à 300 000 $ chacune pour ses données de communication internes (comptes-rendus de réunions, e-mails) après la signature de l'accord d'acquisition, et les a toutes refusées .

Les taux du marché, rapportés par Reuters en 2024, donnent une idée de la valeur unitaire : environ 0,001 $ par mot pour le texte, 1 à 2 $ par image, 2 à 4 $ par vidéo courte, et 100 à 300 $ par heure de film ou de vidéo plus longue .

SimpleClosure, une société de liquidation de startups, a traité près de 100 transactions de ce type au cours de la dernière année, avec des paiements allant de 10 000 $ à 100 000 $ par entreprise . Sa plateforme « Asset Hub » aide les fondateurs à nettoyer les informations personnelles (PII) des données avant de les concéder sous licence, mais l'efficacité et la cohérence de cette anonymisation restent incertaines et sont un sujet de discorde croissant .

Le pari à 1,5 milliard de dollars d'Anthropic sur les livres : le règlement du Projet Panama

Les efforts des entreprises d'IA pour sécuriser des données d'entraînement ont été mis en lumière par l'affaire extraordinaire du Projet Panama, le programme secret d'Anthropic visant à constituer un gigantesque ensemble de données d'entraînement à partir de livres .

Le projet avait deux volets. D'une part, Anthropic a acheté des livres imprimés, a coupé leurs reliures et les a numérisés de manière destructive, page par page, les convertissant en PDF consultables et jetant les originaux. L'objectif : convertir jusqu'à 2 millions de livres en six mois . Une note de service interne conseillait d'utiliser un nom de code « parce que nous ne voulons pas que l'on sache que nous travaillons là-dessus » .

D'autre part, l'entreprise a téléchargé plus de 7 millions de fichiers de livres électroniques piratés provenant de bibliothèques clandestines comme LibGen et Pirate Library Mirror . Cette piste a conduit à une action collective intentée en 2024 par les auteurs Andrea Bartz, Kirk Wallace Johnson et Charles Graeber, qui accusaient Anthropic d'utiliser près d'un demi-million de livres piratés pour entraîner Claude .

Le 20 juillet 2026, un juge fédéral de San Francisco a approuvé un règlement de 1,5 milliard de dollars, la plus grande indemnité pour violation du droit d'auteur connue aux États-Unis . Plus de 500 000 auteurs et éditeurs faisaient partie du recours collectif et devraient recevoir environ 3 000 $ par œuvre éligible .

Crucialement, le tribunal a établi une distinction juridique aux implications majeures. L'utilisation de livres électroniques piratés était une infraction et a déclenché le règlement. En revanche, l'achat de livres imprimés et leur numérisation destructive en interne pour l'entraînement a été considéré comme pouvant relever de l'usage loyal (fair use), car chaque copie physique était remplacée par une copie numérique unique dans un processus que le tribunal a qualifié d'« extrêmement transformateur » . Le montant de 1,5 milliard de dollars couvrait la responsabilité liée aux livres piratés ; le programme de destruction physique n'a pas été sanctionné .

Les défis émergents : anonymisation et coûts

Alors que les entreprises se précipitent pour monétiser leurs données internes, des questions importantes subsistent. L'efficacité de l'anonymisation des données par des courtiers comme SimpleClosure est incertaine et devient un point de discorde croissant . Les messages Slack et les e-mails des employés contiennent des informations profondément personnelles et sensibles, et il n'est pas certain que les techniques actuelles de « nettoyage » soient suffisantes pour empêcher la ré-identification.

Parallèlement, les coûts d'entraînement explosent. Une seule session d'entraînement à l'échelle de GPT-4 peut déjà coûter 100 millions de dollars ou plus . À mesure que les données publiques de qualité s'épuisent, les coûts combinés de la concession de licences pour les données d'entreprise propriétaires, du paiement de règlements record comme celui d'Anthropic (1,5 milliard de dollars) et de la mise en place de pipelines de données synthétiques s'envolent. Le marché global des données d'entraînement à l'IA devrait croître rapidement, passant d'environ 3,6 milliards de dollars en 2025 à 23 milliards de dollars d'ici 2034, à mesure que la concession de licences pour les textes humains devient une classe d'actifs formalisée .

Ce que cela signifie pour vos données

Pour les utilisateurs individuels, le paysage a changé. Depuis fin 2025, OpenAI et Anthropic ont modifié leurs politiques par défaut pour autoriser l'entraînement sur les discussions des consommateurs (ChatGPT Free et Plus, Claude Free, Pro et Max), sauf si les utilisateurs se désengagent activement . Les clients Entreprise et API restent exclus de l'entraînement par défaut, conformément aux contrats de traitement des données (DPA) .

Le message est clair : dans la course pour alimenter la faim insatiable de l'IA en données générées par l'humain, les frontières entre le public et le privé, le personnel et le commercial, sont redessinées, une archive Slack à la fois.