Nelson Chu, fondateur et PDG d’ARCOS Labs – Série d’interviews

Nelson Chu, fondateur et PDG d’ARCOS Labs, est un entrepreneur en série et dirigeant technologique dont le parcours couvre l’infrastructure financière, l’investissement et les plateformes numériques. Avant de fonder ARCOS Labs, il a passé huit ans en tant que fondateur et PDG de Percent, où il a créé une plateforme technologique destinée à moderniser les marchés du crédit privé, et il occupe désormais le poste de président du conseil d’administration. Plus tôt dans sa carrière, Chu a cofondé MySupport, une plateforme en ligne mettant en relation les personnes âgées et les personnes handicapées avec des travailleurs de soutien, qui a ensuite été rachetée par RISE Services, et il a fondé le cabinet de conseil stratégique Lumenary. Il a également été conseiller et investisseur auprès d’entreprises telles que BlockFi et Recharge Capital, tout en débutant sa carrière dans les services financiers avec des postes chez BlackRock, Bank of America et Merrill Lynch.

ARCOS Labs, abréviation de Applied Research in Creative Output Synthesis, développe une infrastructure conçue pour aider l’IA à fonctionner de manière responsable alors que les modèles génératifs interagissent de plus en plus avec des œuvres protégées par le droit d’auteur, des personnages et des ressemblances humaines. L’entreprise se concentre sur l’intelligence IP légale et la gestion des droits, avec une technologie destinée à identifier et mesurer comment les actifs créatifs sont reproduits par l’IA, à tracer leur utilisation et à soutenir les cadres de licence et d’application. Sa plateforme phare, VN, est conçue pour offrir aux créateurs, studios, agences de talents et détenteurs de droits une meilleure visibilité et un meilleur contrôle sur la façon dont les systèmes d’IA utilisent leur propriété intellectuelle, tandis qu’ARCOS est également à l’origine de Lightbar, une initiative collaborative d’investigation des modèles d’entraînement de l’IA. L’entreprise est sortie du mode furtif en août 2026 avec l’objectif plus large de construire l’infrastructure de confiance et de droits nécessaire pour que les créateurs et les systèmes d’IA coexistent à grande échelle.

Vous avez passé huit ans à développer Percent autour de l’infrastructure nécessaire pour apporter efficacité et transparence à un marché du crédit privé fragmenté. Quelles leçons tirées de la construction de ce type d’infrastructure financière appliquez‑vous maintenant à ARCOS Labs alors que vous vous attaquez au problème très différent de la propriété intellectuelle et de la gestion des droits à l’ère de l’IA générative ?

Beaucoup de ces leçons se transfèrent. Lorsque nous avons lancé Percent, le crédit privé était fragmenté et opaque. Chaque transaction était décrite différemment, si bien qu’il était impossible de comparer ou d’évaluer les prix avec confiance. La première leçon est que la standardisation doit précéder le marché. Nous avons passé des années à mettre en place l’infrastructure peu glamour qui permettait de décrire et de vérifier chaque transaction de la même façon, et les transactions efficaces n’ont suivi qu’après cela. La propriété intellectuelle à l’ère de l’IA générative rencontre le même problème. Il n’existe aucun registre standard indiquant ce qu’est un actif et qui en est le propriétaire, encore moins comment ces modèles l’utilisent. Tant que ce registre n’existe pas, tout ce qui suit reste ad hoc, que ce soit l’application ou la licence.

La deuxième leçon est que la confiance repose sur la vérification. Les investisseurs en crédit privé ne prenaient jamais la parole d’un émetteur pour la performance d’une transaction. Ils voulaient des données qu’ils pouvaient vérifier eux‑mêmes. Les détenteurs de droits sont aujourd’hui dans la même position face aux entreprises d’IA. Les assurances sur les garde‑fous ont très peu de poids. Ce qui change la conversation, c’est une preuve qui peut être reproduite de façon indépendante.

La troisième leçon porte sur les incitations. Tout marché fragmenté du type « œuf et poule » ne fonctionne que lorsque chaque partie est convaincue que la solution lui profite. Chez Percent, nous avons observé des tentatives de résolution du problème pour une partie seulement, et cela n’a jamais tenu. Dans la gestion de la PI et des droits, les incitations sont aujourd’hui gravement désalignées. Les entreprises de modèles veulent croître, offrir des outils utiles à leurs clients et parfois créer du contenu contrefait comme tactique marketing, comme le montrent récemment Sora et ByteDance. Les détenteurs de droits, quant à eux, essaient de suivre des évolutions qu’ils ne peuvent même pas anticiper, tout en restant pertinents à une époque où la production de contenu est devenue beaucoup plus facile. L’infrastructure qui l’emporte dans un tel marché est celle en laquelle les deux parties peuvent avoir confiance, ce qui signifie généralement qu’elle n’est pas elle‑même participante à la transaction.

L’arc plus large est également familier. Le crédit privé est devenu une classe d’actifs grand public une fois l’infrastructure de mesure mise en place, et je crois que la PI est au début de la même transition.

Qu’est‑ce qui vous a convaincu que la protection des œuvres créatives contre l’IA générative nécessitait une nouvelle couche d’infrastructure technique, plutôt que principalement une meilleure législation sur le droit d’auteur, des politiques de modération de contenu ou le filigrane ?

Fondamentalement, les modèles sont une solution technologique et, si l’on veut protéger la créativité des modèles, une solution technique est indispensable. Le droit d’auteur reste vague, comme le montrent les affaires Cox, Anthropic et ce qui se passe en Allemagne avec la GEMA. Le concept d’usage loyal reste une question ouverte et n’a pas encore été tranché, et les tribunaux, à juste titre, mettront du temps à rendre une décision. La modération de contenu repose sur les modèles pour s’autoréguler, ce qui leur demande beaucoup et est presque impossible d’après nos observations. Le filigrane est une idée prometteuse, mais elle dépend aussi de l’autorégulation des utilisateurs et peut être facilement retirée. Avec tout cela en tête, nous avons compris que la seule voie réelle était de le faire nous‑mêmes et d’apporter une réponse technologique à ce problème très réel et très important.

VN est conçu pour mesurer à quel point le contenu généré par l’IA ressemble à des personnages protégés, à des œuvres créatives ou à des ressemblances humaines. Sur le plan technique, comment le système détermine‑t‑il quand une sortie passe de « simplement similaire » à quelque chose qui devrait préoccuper un détenteur de droits ?

Nous laissons finalement la décision à l’utilisateur. Notre rôle est de déterminer à quel point la sortie est statistiquement similaire, en capturant chaque pose et chaque possibilité, puis en la comparant au personnage, à l’œuvre ou à la ressemblance humaine protégée. Certains utilisateurs définissent un seuil en dessous duquel ils ne peuvent pas publier le travail. Les grandes entreprises sont généralement plus strictes parce que tout le contenu produit doit leur appartenir. Les utilisateurs prosumers, qui expérimentent pour le plaisir, peuvent accepter un seuil plus élevé et autoriser davantage de variations.

Lorsque nous effectuons des tests légaux pour un studio, une agence de talents ou un client similaire, nous fournissons une analyse d’exposition :

• Quels modèles génèrent le contenu le plus précisément
• Quels modèles peuvent le produire du tout
• Quels modèles pourraient le placer dans des situations problématiques

En fin de compte, notre travail consiste à réaliser l’analyse et à fournir les résultats, mais la façon dont le client les utilise relève entièrement de sa décision.

Vos tests de Seedance 2.5 ont révélé des garde‑fous beaucoup plus solides autour des personnages reconnaissables que autour de la propriété intellectuelle moins connue. Que nous indique cet écart sur la façon dont les entreprises d’IA construisent actuellement leurs protections de droit d’auteur, et pourquoi la PI « long‑tail » est‑elle particulièrement difficile à protéger ?

Chaque entreprise d’IA est différente, et chacune accorde une importance variable à cette question. Lorsque Seedance 2.0 a été lancé plus tôt cette année, ByteDance a rapidement reconnu le problème qu’il s’était créé, compte tenu du retour négatif, et a commencé à améliorer ses garde‑fous. Certains modèles populaires et bien connus semblent indifférents, soit par choix, soit par négligence, mais le respect de la propriété intellectuelle ne sera jamais considéré comme une erreur ; ils n’en sont tout simplement pas encore arrivés à cette conclusion.

Protéger le « long‑tail » est difficile à cause du fonctionnement de la technologie :

Contrôles au niveau du prompt : examiner le prompt d’entrée pour détecter un contenu contrefait, laissant le modèle décider de poursuivre ou non. Malheureusement, même en examinant le prompt, de nombreuses façons de le contourner subsistent. On peut le reformuler légèrement, le décrire sans le nommer, ou introduire des fautes de frappe. Les prompts peuvent facilement passer les détecteurs, et les modèles peuvent aussi halluciner des sorties qui diffèrent du prompt de l’utilisateur et inclure un personnage contrefait.

Contrôles d’analyse des sorties : scanner chaque sortie contre une base de données de personnages connus. Les personnages reconnaissables déclenchent une sensibilité plus élevée, tandis que les personnages du « long‑tail » peuvent passer inaperçus parce que la base de données ne les répertorie pas, ce qui rend la police exhaustive inévitablement difficile.

La vitesse compte également. Pour les modèles de génération d’images, vérifier une seule image est relativement rapide. La génération de vidéos, en revanche, nécessite l’analyse de nombreuses images, ce qui peut ralentir considérablement la production et affecter l’expérience utilisateur.

Trouver le bon équilibre est délicat, mais certains modèles ont fourni les efforts nécessaires pour tenter de le résoudre. En fin de compte, cela dépend de la volonté et de l’intérêt d’un modèle à respecter la propriété intellectuelle.

Un modèle peut refuser une demande directe de génération d’un personnage protégé par le droit d’auteur, mais reproduire ce personnage lorsqu’on lui fournit une description suffisamment détaillée. Comment les tests de sécurité de l’IA devraient‑ils évoluer au‑delà des simples taux de refus de prompts pour identifier ce type de reproduction indirecte ?

C’est un problème clair. Lorsqu’un modèle peut reproduire un personnage à partir d’une description détaillée, voire très simple, cela indique que le personnage est profondément ancré dans les données d’entraînement. Cela soulève une toute autre question sur la façon dont les données ont été collectées, et ce débat est actuellement porté devant les tribunaux.

Les tests de sécurité doivent aller au‑delà de l’examen des prompts et évoluer vers l’analyse des sorties réelles. Les modèles génèrent des images par diffusion, construisant progressivement une vision du résultat. En raison de ce processus et de leur mode d’entraînement, ils peuvent involontairement reproduire des personnages protégés, au premier plan ou même en arrière‑plan, parfois sans aucune sollicitation. La seule façon fiable de détecter cela est de tester directement le modèle et de mesurer ce qu’il produit réellement.

La détection de similarité soulève inévitablement la question des faux positifs. Comment distinguez‑vous l’influence créative légitime, la similarité fortuite, et une reproduction statistiquement suffisante pour qu’un studio ou un détenteur de droits lance une enquête ?

Ce travail nécessitera un affinage continu. La ressemblance visuelle la plus précise qu’un humain puisse reconnaître immédiatement doit servir de point de départ, et c’est ce qui peut être réalisé aujourd’hui. Une fois que l’on entre dans les créations synthétiques ou les questions de style, il devient beaucoup plus difficile de prouver et d’appliquer.

Prenons Superman comme exemple. Si un modèle crée un Superman générique avec les yeux de Christopher Reeve, le menton d’Henry Cavill, les pommettes d’un autre acteur, etc., ces caractéristiques produisent un Superman extrêmement difficile à rétro‑ingénier et à retracer à son origine.

Deux éléments maintiennent les faux positifs sous contrôle. Le premier est que nous ne nous basons jamais sur un seul indice de similarité isolé. Les résultats sont étalonnés afin que la ressemblance générique puisse être séparée de la reproduction réelle, et chaque test est reproductible : les mêmes entrées dans les mêmes conditions produisent les mêmes chiffres. Le second est que l’analyse se rapporte aux questions juridiques auxquelles un détenteur de droits doit réellement répondre. Pour les personnages et les œuvres créatives, la question porte sur la « similarité substantielle ». Pour les marques et les ressemblances, il s’agit de la probabilité de confusion, c’est‑à‑dire si un spectateur ordinaire pourrait être induit en erreur en pensant que la sortie est la vraie. Notre rôle est de fournir un chiffre défendable et reproductible derrière ces questions. Le fait qu’une chose atteigne le niveau d’une enquête dépend toujours de la décision du détenteur de droits.

Les modèles génératifs évoluent rapidement et peuvent se comporter très différemment après une mise à jour. Comment les détenteurs de droits peuvent‑ils évaluer en continu des centaines de modèles et potentiellement des milliers d’actifs protégés sans que le processus de surveillance devienne prohibitif ou techniquement ingérable ?

C’est presque impossible, ce qui explique pourquoi les détenteurs de PI accusent du retard et peinent à suivre les derniers modèles venus des États‑Unis et d’Asie.

En réalité, ils ont besoin de quelqu’un dans leur camp qui puisse suivre le rythme et se battre en leur nom. C’est pourquoi nous avons démarré. Nous avons constaté que ces studios ont besoin d’une société technologique capable de suivre la vitesse de ces modèles génératifs, et personne d’autre ne s’est présenté pour le faire.

L’autre moitié de la réponse réside dans la tenue de registres. Un modèle peut se comporter très différemment après une mise à jour, de sorte qu’un score non ancré dans le temps ne vaut rien. Chaque résultat que nous produisons enregistre quel modèle a été testé, quand il a été testé, quel actif protégé a servi de référence et quels chiffres ont été obtenus. Cela transforme la surveillance d’un problème toujours‑actif impossible en un processus gérable : lorsqu’un modèle se met à jour, on le reteste et on compare aux enregistrements au lieu de repartir de zéro.

La détection ne résout qu’une partie du problème. Une fois qu’un système identifie qu’un modèle d’IA peut reproduire un personnage ou une ressemblance protégée, que doit‑il se passer ensuite, et quels mécanismes techniques pourraient éventuellement permettre aux créateurs de spécifier si leur PI peut être bloquée, licenciée ou utilisée sous certaines conditions ?

Il y a à la fois des dimensions juridiques et techniques. Juridiquement, le détenteur de PI décide de la suite. Il peut se servir des preuves que nous fournissons comme base d’une action en justice, ou les exploiter dans des négociations avec les développeurs de modèles. Le choix lui appartient.

Techniquement, un détenteur de droits devrait pouvoir consentir et s’inscrire auprès de modèles spécifiques susceptibles de générer son produit ou sa PI. Il devrait contrôler la sortie, évitant ainsi un scénario de libre‑accès. Plutôt que d’être contraint à des garde‑fous restrictifs, il devrait pouvoir monétiser chaque génération selon des conditions prédéfinies. Cela reflète des pratiques dans d’autres industries, il convient donc de l’appliquer ici également.

La même infrastructure utilisée pour détecter l’usage non autorisé de l’IA pourrait‑elle finalement permettre la création d’un marché légitime de licences, où les systèmes d’IA détermineraient de façon programmatique qui possède un actif, quelles autorisations sont disponibles et comment la rémunération devrait revenir au détenteur de droits ?

Si l’infrastructure peut déterminer si une sortie générée par l’IA ressemble à une PI, alors elle devrait également être celle qui résout en dernier ressort les questions de licence. Elle peut identifier quelle PI figure dans la sortie, qui en est le détenteur, s’il doit être crédité, et finalement faire circuler la rémunération. La technologie est fondamentalement la même : c’est un moteur de fidélité qui produit des preuves statistiques vérifiables et reproductibles, dans un sens ou dans l’autre. Si une sortie franchit le seuil où un spectateur pourrait raisonnablement la prendre pour la vraie, le détenteur de droits a droit à une compensation.

La seule condition est que celui qui gère cette couche reste neutre. Il ne peut pas générer de contenu lui‑même, ni prendre parti dans un accord individuel. Son rôle est de fournir aux deux parties le même registre fiable et de les laisser transiger directement. Cette neutralité explique pourquoi les détenteurs de droits seraient prêts à y inscrire leurs catalogues dès le départ.

À mesure que la vidéo générée par l’IA atteint la qualité et la constance requises pour la production professionnelle, comment envisagez‑vous la relation future entre les entreprises d’IA et Hollywood ? Pensez‑vous que la gestion des droits deviendra une couche de vérification externe autour des modèles, ou qu’elle devra finalement être intégrée directement dans les modèles eux‑mêmes ?

C’est un monde intéressant dans lequel nous entrons, les entreprises d’IA ayant rendu la production de contenu beaucoup moins chère que jamais. En conséquence, nous pouvons nous attendre à une prolifération de contenus, certains bons, d’autres mauvais, certains de bon goût, d’autres non. Hollywood s’est traditionnellement vu comme arbitre du goût, créant des œuvres que les gens aiment et dont ils tombent amoureux. L’IA offre désormais l’outil le plus puissant jamais mis à la disposition des conteurs.

Sur la seconde partie de la question, je pense que la réponse honnête est les deux, successivement. Les contrôles d’application seront probablement intégrés aux modèles avec le temps, car c’est l’endroit le moins coûteux et le plus rapide pour les exécuter. Mais la couche de référence, c’est‑à‑dire le registre de ce qui existe, qui le possède et dans quelles conditions il peut être utilisé, doit rester indépendante, tout comme la vérification. Une société de modèles ne peut pas être celle qui note ses propres sorties, et les détenteurs de droits ne remettront pas leurs catalogues à une entreprise dont le cœur de métier est de générer des dérivés. C’est comparable aux marchés financiers, où les entreprises assurent la conformité en interne mais restent soumises à des auditeurs externes.

La gestion des droits se concrétisera lorsque Hollywood et les entreprises d’IA se réuniront pour décider comment ils souhaitent coexister. Au final, leur objectif est le même : créer de nouveaux contenus que les gens aiment. Il suffit simplement que cela se fasse de la bonne manière.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter ARCOS Labs.