La crise de l’attribution

Nous sommes confrontés à un paradoxe de l’âge numérique : nous partageons plus d’informations que jamais, et pourtant presque personne ne se souvient d’où elles viennent. À l’ère des likes et des retweets, les idées circulent sans frein sur les plateformes sociales comme si elles n’appartenaient à personne. La politique officielle de LinkedIn assure encore aux créateurs qu’ils « conservent la propriété » de ce qu’ils publient, et ses rapports de transparence montrent des milliers de notices DMCA résolues chaque semestre. Mais la pièce manquante, c’est la provenance. Lorsqu’un insight d’auteur humain est copié à la légère, légèrement reformulé ou intégré dans un prompt d’IA, les plateformes n’imposent ni attribution ni lien public entre le contenu dérivé et son origine.

Ce n’est pas une simple bizarrerie de LinkedIn ; c’est un problème systémique du partage moderne de connaissances. Les réseaux sociaux récompensent la distribution de contenu — likes, engagement, « vues » — bien plus fortement que la lignée intellectuelle. En pratique, le premier éditeur d’un insight de haute valeur cède souvent son audience à des dizaines d’autres qui ne font qu’écho. Personne ne reçoit un « badge de connaissance » pour avoir été l’originateur d’une pensée virale. Un utilisateur LinkedIn, stupéfait de voir son compte verrouillé après avoir reposté le contenu d’autrui, a observé que « X autorise et encourage même le repost » — tout en appliquant le copyright de façon arbitraire lorsque des utilisateurs se plaignent.

Le résultat est un monde où les idées dérivent sans crédit, et où la provenance disparaît. Nous pouvons tracer un commit Git ou une citation scientifique jusqu’à sa racine — mais qui peut relier un post LinkedIn concis d’avril à son véritable ancêtre de janvier ? En termes pratiques, la connaissance perd sa responsabilité et sa piste d’audit.

Le copyright, pas le crédit

Chaque plateforme que nous utilisons aujourd’hui a une prise sur le copyright. LinkedIn, X, Medium, YouTube et d’autres acceptent les takedowns DMCA et publient des rapports de transparence. Le dernier rapport de LinkedIn montre près de 3 000 demandes d’infraction par semestre (janvier–juin 2025), dont environ 94 % aboutissent à une suppression de contenu. Le système Content ID de YouTube a généré discrètement 722 millions de revendications de copyright au premier semestre 2021. Même GitHub — surtout utilisé pour le code — exige une licence explicite ou se rabat sur « tous droits réservés ».

Mais la propriété juridique n’est pas la même chose que l’attribution académique ou éthique. Sur ces plateformes :

• LinkedIn propose un bouton « partager » qui affiche l’auteur original lorsqu’on l’utilise. Mais si quelqu’un copie-colle le texte de votre post dans un nouveau post, LinkedIn ne vous alerte pas et ne signale rien. Il ne pénalise pas non plus le copieur sans notice DMCA.
• X (Twitter) permet le retweet avec crédit d’auteur, mais des millions d’utilisateurs screenshotent ou copient du texte et le republient sans crédit. Techniquement, chacun de ces cas est une violation de copyright, mais l’application est sporadique, et les utilisateurs en tirent régulièrement de l’attention.
• Reddit n’a pas de mécanisme universel de partage intégré. Le cross-post ou la citation reposent souvent sur une curation manuelle ; les modérateurs peuvent retirer des posts réutilisés sans crédit — mais c’est ad hoc.
• Medium permet aux auteurs de lier canoniquement une histoire republicée via l’outil d’import, ce qui préserve le ranking de recherche. D’autres auteurs peuvent toujours copier le texte sans attribution.
• YouTube chasse activement les reuploads via Content ID, et les embeds affichent toujours la chaîne originale. Les clips courts ou les transcriptions passent encore.
• GitHub, en revanche, est presque le modèle idéal : le partage de code exige une déclaration de licence, et la plateforme fournit un contrôle de version transparent. Chaque fork et merge trace les auteurs des commits. Copier du code sans attribution y est une violation claire des termes de licence.

En bref, le droit se soucie de la propriété, pas de l’honneur, du crédit ou de la confiance. Les plateformes permettent aux ayants droit d’émettre des takedowns, mais elles ne cultivent pas une culture du « crédit où il est dû ». Les rares mécanismes intégrés — retweet, partage, lien canonique — se contournent facilement par copier-coller ou reformulation. Le résultat est visible : sur de nombreux réseaux, des copies peuvent surpasser l’engagement de l’original. La personne qui a d’abord construit l’insight disparaît souvent du champ de vision.

Incitations et engagement

Ce fossé d’attribution existe pour une raison : les réseaux sociaux modernes sont des machines d’optimisation. Ils calibrent les métriques pour maximiser l’engagement avant tout. Comme je l’ai argumenté ailleurs, les plateformes de médias sociaux optimisent l’engagement plutôt qu’un discours sain. Chacun de ces systèmes se comporte exactement comme il a été incité à le faire. L’attention est la monnaie, et toute stratégie de contenu qui attire les regards sera récompensée. Copier un post populaire mot pour mot ou avec un titre accrocheur est plus facile que créer quelque chose de nouveau — et cela peut être tout aussi efficace, voire davantage, pour générer des likes.

Ironiquement, Instagram a récemment annoncé qu’il prioriserait le contenu original et déclasserait les reposts directs, précisément pour briser le cycle des « villages de clickbait » où les posts recyclés obtiennent une portée disproportionnée. Des réseaux comme LinkedIn ou X n’ont pas fait de tels gestes de façon systématique. En pratique, les recycleurs viraux gagnent de l’attention, tandis que les originateurs paient le coût cognitif et temporel de la création.

Le piège de l’optimisation est réel : les plateformes ne distinguent pas « histoire originale » et « repost agrégateur », tant que les deux font défiler les utilisateurs. Les créateurs n’ont pas de moyen simple de signaler « je suis l’originateur », et le système ne le met pas en évidence. Inversement, le modèle n’incite pas à citer des sources ni à renvoyer vers elles. Dans un scénario de loi de Goodhart, la métrique — l’engagement — est devenue la cible, et l’attribution est rejetée comme du bruit.

Quand l’IA mange vos idées

Ce problème est amplifié par l’IA. Les modèles génératifs s’entraînent sur d’immenses corpus de texte Internet, généralement sans révéler qui a écrit chaque phrase. Le papier sur le Sovereign Context Protocol le décrit exactement : les LLM consomment de vastes quantités de contenu humain, tandis que les créateurs restent largement invisibles dans la chaîne de valeur. Même si une IA régénère ou paraphrase votre billet de blog, vous ne voyez aucune citation, et l’utilisateur peut même ignorer que le texte est dérivé de l’IA.

Nous observons déjà des forks de provenance d’idées : blog original → post LinkedIn → fil de tweets → newsletter → recap IA → nouveau rant LinkedIn. Quand cela revient, personne ne se souvient du point de départ. Une conséquence culturelle : on blâme l’IA pour le plagiat, sans reconnaître qu’elle a elle-même appris d’un travail humain non crédité. Une étude a trouvé que les participants jugeaient le plagiat d’une IA — ou d’un ami — comme moins immoral que la copie d’un blogueur inconnu, surtout lorsqu’ils perçoivent l’IA comme une permission silencieuse. Autrement dit, la source a changé : copier une sortie ChatGPT paraît moralement plus souple que copier une personne.

Les batailles juridiques soulignent l’urgence du fossé d’attribution. The New York Times et Authors Guild ont poursuivi des entreprises d’IA pour le scraping de journalisme protégé. Les obligations de transparence de l’AI Act européen exigent même une certaine divulgation sur les données d’entraînement. Mais tribunaux et régulateurs avancent lentement. Pendant ce temps, le pipeline réel de livraison des connaissances reste grand ouvert, détaché.

La provenance dans d’autres domaines

Tout système de connaissance sérieux a une lignée intégrée. L’édition académique réprouve un fait ou une idée sans citation. Chaque preuve mathématique, chaque résultat scientifique, et même les demandes de brevet remontent à un travail antérieur. Le monde financier utilise des registres auditables et des blockchains ; les revues exigent des références ; les ingénieurs utilisent le contrôle de version. Ces systèmes partagent une intuition clé : l’information n’est fiable que comme sa source.

Par contraste, les médias sociaux sont aveugles à la source. Aucune piste forensique n’existe pour un post viral ou un tweet ingénieux. Pire : les plateformes qui amplifient ont intérêt à étouffer une autorship claire. Comme l’a formulé un contributeur dans une discussion sur les incitations des médias sociaux : les plateformes se comportent souvent comme si elles partageaient le concept de copyright d’un adolescent — c’est-à-dire qu’elles ne l’appliquent pas avec discernement.

En apprenant des systèmes de provenance réussis, on voit des solutions possibles. Le modèle de Git — branches, commits, merges — journalise explicitement chaque contributeur. Les bibliothèques numériques et Wikipédia exigent des sources, permettant de vérifier la vérité. Même les blockchains « prouvent » conceptuellement qui a émis une transaction ou un jeton. Pourrait-on imaginer quelque chose d’analogue pour les idées sur les médias sociaux ? Certains chercheurs proposent des signatures cryptographiques ou des filigranes invisibles pour le texte, ou des protocoles comme le Sovereign Context Protocol, où chaque accès au contenu d’un créateur est journalisé avec identité et conditions. Ces idées visent à faire de l’attribution une propriété par défaut de l’accès aux données, plutôt qu’une réflexion après coup.

Vers des plateformes conscientes de la provenance

Nous devons traiter les idées comme des actifs avec une lignée. Cela signifie combiner politique, design et technologie.

Changements de plateforme

Les réseaux devraient rendre l’attribution facile et visible. Un bouton « partager » ou « citer » devrait être aussi proéminent que le repost de texte. Si vous repostez un post LinkedIn, le nom de l’auteur original pourrait apparaître par défaut — comme les commentaires imbriqués — plutôt que d’être enterré dans un lien. Les algorithmes pourraient renforcer les signaux d’originalité : si un post correspond exactement ou presque à un post antérieur, classer l’original plus haut, ou au moins afficher les deux côte à côte. Le test d’Instagram est un modèle : son fil étiquette et remplace même les reposts par les originaux. LinkedIn ou X pourraient faire un contrôle croisé similaire.

Outils de détection automatique

Les plateformes exécutent déjà des scanners antivirus et des filtres de contenu. Pourquoi pas des outils de scan de texte ? Tout comme Content ID de YouTube cherche des correspondances vidéo, nous pourrions développer un « Content ID pour les mots » qui signale un plagiat probable — correspondances exactes ou paraphrases de sources connues — et invite à l’attribution. Cela pourrait même être communautaire, comme la détection de doublons sur Stack Overflow, pour protéger les posts de haute qualité.

Soutenir des protocoles ouverts

L’idée du Sovereign Context Protocol invite à un standard ouvert. Les réseaux sociaux et services d’IA pourraient adopter un Content Provenance Protocol analogue au MCP d’Anthropic, où chaque pièce de contenu porte des métadonnées : auteur original, licence et journal d’usage. Les LLM pourraient être tenus d’inclure des chaînes de provenance — comme dans la recherche émergente sur les filigranes — lorsqu’ils génèrent du texte à partir de données d’entraînement. C’est une intervention systémique, mais elle s’aligne sur les tendances réglementaires de transparence des données.

Bonnes pratiques pour les créateurs

Côté utilisateur, les auteurs doivent garder leur propre provenance. Comme les scientifiques, ils peuvent licencier explicitement le contenu — Creative Commons BY, par exemple — pour exiger l’attribution. Ils peuvent intégrer des signatures, horodatages ou codes stéganographiques dans les images ou le texte. Des réseaux de journalistes ont commencé à insérer des lignes de copyright cachées ou à exiger que les clients enregistrent les posts. Imparfaites, ces actions posent des normes : veuillez créditer l’auteur et lier lors du partage. Une culture claire d’attribution, même appliquée seulement par la pression des pairs, compte.

Éducation et normes

Enfin, on ne peut sous-estimer le rôle des normes. Des guides comme le Michigan Online Handbook rappellent aux créateurs que copier sans crédit endommage la confiance et relève essentiellement du vol intellectuel. Des campagnes de sensibilisation — comme celles de Wikimedia pour les contributeurs — pourraient enseigner aux professionnels que chaque post LinkedIn est la propriété intellectuelle de quelqu’un et mérite citation s’il est réutilisé. Si même une fraction des utilisateurs commençait à ajouter un lien de courtoisie ou une mention d’auteur, l’élan pourrait changer.

Comment mesurer le succès ?

Pour savoir si ces idées fonctionnent, il faut des métriques. Expériences et KPI possibles :

• Ratio original/copie — suivre la fraction des posts à fort engagement qui correspondent à un contenu antérieur. Une baisse après une intervention (par exemple un changement d’algorithme) indiquerait plus de crédit aux originateurs.
• Redistribution de l’engagement — mener des tests A/B où un fil ordonne les posts strictement par horodatage (récompensant l’originalité) et un autre par popularité. Mesurer si les auteurs originaux obtiennent une plus grande part de likes et de vues.
• Enquêtes de participation des créateurs — tout comme les scientifiques citent davantage quand le crédit compte, mesurer si les créateurs publient plus ou moins lorsqu’ils se sentent protégés. Une étude longitudinale pourrait demander aux meilleurs auteurs LinkedIn : depuis la nouvelle politique, vous sentez-vous plus en sécurité pour partager du contenu nouveau ?
• Incidents de plagiat — les plateformes pourraient rapporter non seulement les takedowns de copyright, mais aussi les cas de plagiat signalés. Une hausse de copies détectées résolues par attribution plutôt que suppression pourrait même être une bonne preuve que les sources sont désormais créditées correctement.
• Métriques d’usage de l’IA — si les LLM adoptent une couche de provenance, on pourrait suivre la fréquence à laquelle le contenu d’un utilisateur est récupéré par le modèle. Comme les vues de l’historique d’édition Wikipédia, les créateurs pourraient voir des compteurs en temps réel de l’usage de leurs idées. La croissance de ces chiffres — et la compensation des créateurs — signalerait un système fonctionnel.

Une timeline du parcours d’une idée exposerait graphiquement la dérive : post original → reposts → mentions IA → article ultérieur — le tout sans crédit — jusqu’à ce que quelqu’un demande enfin : « Attendez, qui l’a dit en premier ? »

Recommandations

1. Intégrer l’attribution dans l’UX. Les plateformes devraient rendre le partage crédité aussi simple que la copie. Afficher l’auteur original de façon proéminente lors du partage. Déclasser ou étiqueter les reposts quasi-doublons. La poussée d’originalité d’Instagram est une preuve de concept.
2. Détecter et inciter. Déployer des contrôles de similarité. Lorsqu’un post correspond à un contenu antérieur, inviter l’auteur : cela ressemble au contenu de [Auteur] — voulez-vous le créditer ? Pour les pipelines automatisés, signaler les réseaux de copie.
3. Protocoles ouverts de provenance. Adopter des standards comme le Sovereign Context Protocol à travers les services. Si chaque fetch de contenu exige le journal de la source et de l’heure, nous construisons un journal d’audit partagé pour les idées. Encourager ou exiger que les fournisseurs de LLM utilisent de telles API pour l’entraînement et la récupération de données.
4. Garanties pour les créateurs. Les auteurs devraient filigraner ou licencier leur travail. Utiliser Creative Commons BY ou d’autres termes exigeant l’attribution, et envisager des signatures numériques cachées. Dans les posts LinkedIn, on pourrait même ajouter : © [Nom], partager avec lien de retour.
5. Mesure et incitations. Les plateformes devraient publier des métriques d’attribution — par exemple le pourcentage de posts avec sources claires, ou la distribution d’engagement entre originaux et copies. Mener des expériences pour voir si récompenser les originateurs change le comportement. Réserver badges ou statut aux originateurs vérifiés seulement s’ils publient de façon constante du travail original.

On ne peut pas réparer ce qu’on ne mesure pas. Métriques possibles : part d’engagement des auteurs originaux dans le temps, satisfaction déclarée des créateurs, et nombre d’attributions automatisées. Des expériences pourraient activer temporairement des invites de citation pour un sous-ensemble de posts, ou simuler un fil avec filigranes contre un fil normal.

Conclusion

Dans une économie de la connaissance, les idées sont une monnaie — et une monnaie sans registre se contrefait facilement. LinkedIn et ses pairs ont hérité du système DMCA — le copyright — mais pas d’un système de peer-review scientifique — l’attribution. Tant que nous n’intégrons pas la provenance dans nos plateformes, nous continuerons de voir l’ombre de la génération anonyme de contenu : des posts viraux dont les parents d’origine sont oubliés depuis longtemps.

La solution n’est pas la censure, mais l’ingénierie : des fonctions de design qui tracent et affichent l’autorship, des incitations qui récompensent les originateurs, et des protocoles qui journalisent chaque partage. Voyez cela comme mettre freins et GPS sur la machine à copier incontrôlée des médias sociaux. Nous ne reviendrons jamais à une ère où les systèmes complexes cachent toutes leurs décisions — nous cherchons la transparence en IA, finance, droit, et même dans les pipelines d’électricité. Pourquoi la connaissance serait-elle une exception ?

En recadrant le problème, nous le voyons comme un problème systémique de provenance, pas seulement d’étiquette. Il nous demande d’étendre la philosophie de la preuve et de la lignée au web social. Une Library dédiée à « comprendre avant la technologie » exige que nous reconnaissions ce fossé : les idées ont besoin d’une lignée autant que les données d’une somme de contrôle.

En fin de compte, restaurer la provenance n’est pas seulement juste, c’est pratique : la confiance dans l’information s’érode quand l’autorship est obscurcie. Chaque article scientifique, chaque morceau de code, chaque système audité repose sur une chaîne de custody. Nos conversations et notre connaissance partagée doivent maintenant rattraper. Si nous échouons, nous créons un terrain fertile pour la désinformation, le litige et le désengagement — un monde où nous voyons des arbres de contenu mais perdons la forêt des faits.