SOC 2 et ISO 27001 suffisent-ils pour vos données d'entraînement ?

Sur une page commerciale publique consultée le 14 juillet 2026, un courtier en données — Bright Data — vend des flux vidéo à l'échelle du pétaoctet pour entraîner des modèles d'IA physique : des VLA, vision-language-action, les modèles qui apprennent à un bras robotique ou à un humanoïde à percevoir une scène et à agir dessus. L'origine de ces vidéos, selon la page elle-même : un filtrage de 90 pétaoctets d'archives web, via ce qu'elle appelle une « Media extraction API ». En clair, du scraping — assumé, nommé, revendiqué comme méthode de collecte. Couverture annoncée : 195 pays.

En bas de la même page, cinq badges alignés : SOC 2 Type II, ISO 27001, RGPD, CCPA, CSA Star. Et une seule phrase pour couvrir la question de la légalité de la collecte : « Bright Data collects only publicly available data and operates under strict compliance policies. »

Rien dans cette page, au moment où nous l'avons lue, ne mentionne le droit d'auteur des vidéos sources, la licence des contenus filmés, le droit à l'image des personnes qui apparaissent dans ces 90 pétaoctets, ou la possibilité qu'un ayant droit se soit opposé à l'extraction de son contenu au titre de l'opt-out TDM — fouille de textes et de données — prévu par l'article 4 de la directive 2019/790.

Ce cas n'est pas anecdotique pour un solopreneur IA. Les modèles VLA sortent l'IA de l'écran : ils pilotent un geste physique, dans un lieu réel, souvent filmé sans que la personne présente à l'image ait consenti à devenir une donnée d'entraînement. Le corpus vidéo n'est plus seulement une question de droit d'auteur sur une image fixe — c'est aussi, potentiellement, le geste, le visage, l'espace privé d'un tiers, capturés en continu.

Le badge honnête, posé au mauvais endroit

Il faut être précis sur ce que cette page fait, et ce qu'elle ne fait pas. Elle ne ment pas. SOC 2 Type II est un vrai audit, ISO 27001 est une vraie certification, le RGPD est cité à bon droit si l'entreprise traite les données personnelles de résidents européens dans le respect du règlement. Chaque badge, pris isolément, dit quelque chose de vrai sur l'entreprise qui l'affiche.

Le problème n'est pas dans le badge. Il est dans l'endroit où on le pose. Ces cinq certifications sont rangées côte à côte, juste sous une offre de vente de vidéos scrapées pour entraîner des robots. L'œil du décideur pressé fait le raccourci naturel : si c'est certifié, c'est couvert. Ce raccourci est faux, parce qu'aucun des cinq référentiels affichés ne porte sur la question qui compte ici — d'où viennent ces vidéos, et qui a le droit de les revendre.

Le mensonge n'est pas dans le badge. Il est dans l'adjacence.

Quelle certification répond à quelle question — et laquelle laisse un trou

Gouverner l'IA, ce n'est pas collectionner des certifications. C'est savoir laquelle répond à quelle question.

SOC 2 Type II atteste que les processus internes de sécurité d'un fournisseur — contrôle d'accès, gestion des incidents, continuité de service — sont audités dans la durée. Elle ne dit rien sur l'origine d'une donnée.
ISO 27001 certifie un système de management de la sécurité de l'information : politiques, gestion des risques, amélioration continue. Même angle mort.
RGPD couvre les données à caractère personnel — et encore, le respect du règlement par le courtier ne préjuge en rien de la licéité de chaque contenu individuel du corpus qu'il revend. Une vidéo peut être traitée dans le respect du RGPD (données pseudonymisées, base légale documentée) et rester, par ailleurs, une reproduction non autorisée d'une œuvre protégée par le droit d'auteur.
CCPA est l'équivalent californien du RGPD pour les résidents de cet État. Même limite.
CSA Star évalue la sécurité des environnements cloud. Ce n'est pas son rôle de vérifier une chaîne de licences sur des contenus.

Aucun de ces cinq référentiels ne couvre le droit d'auteur des sources, la licence des contenus, le droit à l'image des personnes filmées, ou l'opt-out TDM. Ce n'est pas un manquement de leur part : ce n'est simplement pas leur objet. Le problème apparaît quand cinq badges qui répondent à cinq questions de sécurité et de vie privée servent, par proximité visuelle, à rassurer sur une sixième question qu'ils ne posent jamais.

Ce que l'AI Act demande, et que la facture ne solde pas

L'article 53 du règlement européen sur l'IA impose au fournisseur d'un modèle d'IA à usage général deux obligations précises : une politique de respect du droit d'auteur, et un résumé suffisamment détaillé des contenus utilisés pour l'entraînement du modèle. Ces deux obligations pèsent sur celui qui a acheté le corpus et l'a utilisé pour entraîner son VLA — pas sur le courtier qui l'a vendu.

Ce point mérite d'être formulé sans détour, parce qu'il change la manière de lire une page comme celle-ci. « Je l'ai achetée à un courtier certifié SOC 2 » ne répond pas à la question posée par l'article 53. Le courtier vend de la donnée ; il ne vend pas la diligence de l'acheteur. La responsabilité ne s'externalise pas avec la facture.

Ce que ça n'est pas — et pourquoi il faut le dire

Il serait malhonnête de s'arrêter là. Sans corpus web massifs, aucun modèle européen — de langage, de vision, ou de VLA — ne se construit à l'échelle où le marché l'exige aujourd'hui. Le scraping n'est pas, en soi, une pratique illégitime : le droit européen l'organise lui-même, avec l'exception de fouille de textes et de données (directive 2019/790, article 4) et son mécanisme d'opt-out. Une entreprise a le droit d'acheter un corpus scrapé à un tiers.

Ce que nous avons constaté est précis et rien de plus : la page publique de Bright Data, consultée le 14 juillet 2026, ne mentionne aucun des quatre sujets listés plus haut. Ce n'est pas une accusation d'illégalité — nous n'avons lu ni leurs contrats ni leurs licences, et nous ne prétendons rien savoir de ce qu'ils ont réellement mis en place en coulisses. C'est un constat sur ce qu'une landing page commerciale choisit de dire, et de ne pas dire.

La diligence, précisément, c'est acheter ce type de corpus en connaissance de cause — pas s'interdire de l'acheter. Un solopreneur IA ou une startup qui construit un modèle sur des données achetées à un tiers n'a pas à renoncer au fournisseur. Il a à poser les questions que la page ne pose pas, et à garder la réponse.

L'opt-out TDM, en particulier, mérite d'être compris pour ce qu'il est : un mécanisme technique, pas une formalité administrative. Un ayant droit qui ne veut pas que son contenu serve à entraîner un modèle peut le signaler par des moyens lisibles par une machine — un fichier robots.txt, une métadonnée dédiée, une clause de licence explicite. Un fournisseur de corpus sérieux doit pouvoir dire comment il détecte et respecte ce signal à l'échelle de 90 pétaoctets. L'absence de réponse sur ce point précis n'est pas un détail : c'est, à ce jour, l'un des points de friction juridique les plus concrets entre le droit d'auteur européen et l'entraînement de modèles à grande échelle.

Ce que vous pouvez faire, dès maintenant

Avant de signer avec un fournisseur de données d'entraînement — vidéo, image, texte, peu importe la modalité — quatre questions suffisent à couvrir le trou que les certifications de sécurité ne couvrent pas.

D'où viennent précisément ces contenus, et par quel mécanisme ont-ils été collectés ? Sous quelle licence sont-ils redistribués, et cette licence autorise-t-elle explicitement un usage d'entraînement de modèle commercial ? Pour les contenus impliquant des personnes identifiables, quel est le statut du droit à l'image ? Et le fournisseur dispose-t-il d'un mécanisme de prise en compte de l'opt-out TDM des ayants droit qui se sont opposés à l'extraction de leur contenu ?

Poser ces quatre questions par écrit, et conserver la réponse — même imparfaite, même partielle — constitue déjà l'essentiel de la diligence attendue par l'article 53. Ce n'est pas un badge de plus à collectionner. C'est une trace, datée, que vous pourrez présenter le jour où on vous demandera d'où vient ce que votre modèle a appris.

C'est précisément l'angle mort : un scanner de sécurité classique s'arrête à la vulnérabilité du code et ne regarde jamais la provenance du corpus. Cinq dimensions restent alors sans réponse — collecte du consentement, opt-out, anonymisation, fréquence de réentraînement, partage à des tiers. POSITRONIA ne les couvre pas aujourd'hui ; les poser reste, en attendant, un travail de diligence à mener fournisseur par fournisseur.

Cet article s'appuie sur une page commerciale publique de Bright Data consultée le 14 juillet 2026, et sur les textes suivants : article 53 du règlement UE 2024/1689 (AI Act), article 4 de la directive UE 2019/790 sur le droit d'auteur dans le marché unique numérique (exception de fouille de textes et de données). Les éléments cités sur Bright Data (volumétrie, méthode de collecte, badges affichés, formulation de l'argumentaire juridique) reflètent le contenu de la page à la date de consultation et sont susceptibles d'évoluer. Cet article ne constitue ni une accusation, ni un avis juridique sur la conformité de Bright Data ou de tout autre courtier de données ; pour une évaluation contractuelle spécifique, consultez un avocat tech ou un DPO référencé dans l'Annuaire EuTrustedIA. Bright Data® est une marque appartenant à son propriétaire ; EuTrustedIA ne prétend à aucune affiliation.

Rédaction aidée par IA Claude Sonnet 4.6 (Anthropic) — transparence volontaire, dans l'esprit de l'AI Act. Production éditoriale et validation factuelle 100 % humaines, Laurent SOUHY, EuTrustedIA.