De l'accord API de 60 millions de dollars de Reddit aux données personnelles valant "quelques dollars", la nouvelle économie des données d'entraînement de l'IA prend forme.
d3sign / Getty Images
L'accord de licence de cinq ans d'OpenAI avec News Corp vaut plus de 250 millions de dollars, selon le Wall Street Journal. Ce chiffre, rapporté lors de l'annonce de l' accord en mai 2024, reste le plus grand accord de licence de contenu IA divulgué.
Ce n'est pas une exception. Reddit $RDDT a signé un accord de licence de contenu d'environ 60 millions de dollars par an avec Google $GOOGL pour entraîner les modèles IA Gemini, un accord conclu au début de 2024, juste avant le dépôt de l'introduction en bourse de Reddit. Dans son prospectus d'introduction en bourse, Reddit a divulgué des accords de licence de données d'une valeur contractuelle totale de 203 millions de dollars et des termes de deux à trois ans, selon TechCrunch. Le PDG de Reddit, Steve Huffman, avait soutenu que les données de la plateforme ne devraient pas être "données gratuitement à certaines des plus grandes entreprises du monde."
Ces chiffres dessinent un marché qui n'existait pratiquement pas il y a trois ans. Le marché mondial des ensembles de données pour la formation de l'IA était évalué à 3,59 milliards de dollars en 2025 et devrait atteindre 4,44 milliards de dollars en 2026, selon Fortune Business Insights. Une estimation distincte de MarketIntelo évalue le segment de licence de jeux de données à 4,8 milliards de dollars en 2025, projeté pour atteindre 22,6 milliards de dollars d'ici 2034.
L' ère des données d'entraînement IA gratuites est révolue. Ce qui la remplace a une liste de prix.
Les tarifs varient selon les ordres de grandeur en fonction du contenu, de l'éditeur et de l'acheteur. Au sommet, l'accord de News Corp se chiffre en moyenne à environ 50 millions de dollars par an à travers son portefeuille de Wall Street Journal, New York Post et de titres mondiaux. Le premier accord de licence axé sur l'IA d'Amazon $AMZN avec le New York Times vaut entre 20 et 25 millions de dollars par an, selon le Wall Street Journal, tel que rapporté par eWeek.
En dessous de ce niveau, les chiffres diminuent mais restent significatifs. L'accord d'Axel Springer avec OpenAI pour Business Insider, Politico et d'autres titres aurait été d'environ 13 millions de dollars par an sur trois ans. Le Financial Times a signé avec OpenAI pour un montant estimé entre 5 et 10 millions de dollars par an. L'accord de Dotdash Meredith avec OpenAI valait au moins 16 millions de dollars, selon Digiday.
Les éditeurs universitaires ont obtenu leurs propres paiements. Wiley a exécuté un accord d'IA de 23 millions de dollars avec une entreprise technologique non divulguée au cours de l'exercice 2024, suivi d'un second accord de 21 millions de dollars, a rapporté Publishers Weekly. Informa, la société mère de Taylor & Francis, a signé un accord initial d'accès aux données de 10 millions de dollars avec Microsoft $MSFT et s'attend à ce que les recettes totales liées à l'IA dépassent 75 millions de dollars pour l'année, selon Inside Higher Ed.
Shutterstock mène toutes les entreprises de médias en termes de revenus de licences d'IA : Le PDG Paul J. Hennessy a déclaré à Bloomberg que la société prévoyait 138 millions de dollars en 2024, contre 104 millions de dollars en 2023. Son directeur financier a déclaré que les accords individuels avec les grandes entreprises technologiques variaient de 25 millions à 50 millions de dollars chacun.
La première vague d'accords de licences de contenu IA en 2023 et 2024 s'est concentrée sur des frais annuels forfaitaires, la plupart d'entre eux étant destinés à la formation. Cette structure évolue déjà.
Les éditeurs sont désormais payés lorsque les systèmes d'IA récupèrent ou ancrent leur contenu en temps réel, et Reddit a anticipé cette deuxième vague de tarification basée sur l'utilisation. Reddit discute avec Google et OpenAI d'une future structure d'accord qui pourrait permettre une tarification dynamique, où la plateforme gagne plus à mesure que ses données deviennent plus précieuses pour les réponses générées par l'IA. Le PDG de Reddit, Steve Huffman, a déclaré lors d'un appel sur les résultats de juillet 2025 que "chaque variable a changé depuis que nous avons signé ces premiers accords" et que le corpus de l'entreprise est "plus grand" et "plus essentiel", la plaçant dans une position forte pour renégocier.
Parallèlement, les modèles de partage des revenus sont en hausse, selon Yulia Petrossian Boyle, fondatrice de YPB Global, qui a noté que les éditeurs gagnent une partie des revenus d'abonnement ou une compensation basée sur la performance. ProRata, une startup de recherche en IA, verse 50% de tous les revenus de son produit Gist.AI aux éditeurs, selon AI Watch.dog.
Les accords ci-dessus impliquent des institutions. Pour les particuliers, l'économie reste déséquilibrée.
Vana, une startup issue du MIT, a attiré plus d'un million d'utilisateurs qui contribuent des données personnelles dans divers pools, avec des paiements individuels typiques encore faibles à environ quelques dollars, a déclaré Vana à Axios. La PDG de Vana, Anna Kazlauskas, a reconnu le problème d'échelle : "Mes données ne sont pas très précieuses seules, mais un pool de données avec des dizaines de milliers ou des millions de personnes est vraiment précieux", a-t-elle déclaré dans un profil de MIT News.
"Une grande partie de la peur autour de l'IA provient du manque d'attribution et d'économie appropriées," Kazlauskas a déclaré à Quartz. "Si vous enseignez à une IA comment faire votre travail, vous devriez en fait posséder ce modèle d'IA."
L'écart entre la compensation institutionnelle et individuelle reflète une asymétrie structurelle. News Corp peut négocier à partir d'une position de levier légal, d'archives et d'infrastructure éditoriale. L'historique d'écoute Spotify $SPOT d'un individu ou les données d'engagement Instagram n'ont pas de pouvoir de négociation comparable, sauf si elles sont regroupées.
Ces prix reflètent un marché sous pression. Epoch AI, une organisation de recherche qui suit les contraintes de mise à l'échelle de l'IA, projette avec 80 % de confiance que le stock de données générées par des humains disponibles publiquement sera entièrement utilisé entre 2026 et 2032, selon ses recherches publiées. Le web indexé contient environ 500 000 milliards de mots de texte unique, avec une augmentation projetée de 50 % d'ici 2030. Cela semble énorme, mais les modèles de pointe consomment des données plus rapidement que l'internet ne les produit.
La rareté s'étend au-delà du volume. Au fur et à mesure que les systèmes d'IA entrent dans la robotique, la réalité augmentée et les soins de santé, ils ont besoin de types de données qui n'ont jamais été sur Internet public. Les images de drones, les journaux des trackers de fitness et la télémétrie d'entreprise se trouvent derrière des murs de propriété, de consentement et de formatage technique.
Les éditeurs signant des accords en 2023 et 2024 évaluaient un actif sans marché établi face à un acheteur ayant de bien meilleures informations sur la nécessité de cet actif. Cet écart d'information se réduit. Les prix augmentent. Et les vendeurs, pour la première fois, savent ce qu'ils possèdent.
Rejoignez plus de 500 000 lecteurs qui commencent leur journée avec Quartz.
En vous abonnant, vous acceptez nos Conditions d'utilisation et notre Politique de confidentialité.
