Fiche – Droit à la vie privée et intelligence artificielle

25 juillet 2026.

Présentation générale

L’intelligence artificielle transforme le droit au respect de la vie privée en augmentant considérablement les capacités de collecte, de corrélation, d’inférence, de surveillance, de prédiction et de reproduction des informations relatives aux personnes.

Les atteintes contemporaines à la vie privée ne résultent plus seulement de la publication d’une photographie, de l’enregistrement d’une conversation ou de la divulgation d’un secret. Elles peuvent provenir d’un système capable :

  • d’aspirer des contenus publiés sur internet ;
  • de reconnaître une personne dans une image ou une vidéo ;
  • de suivre ses déplacements ;
  • d’analyser ses communications ;
  • de déduire son état de santé, ses opinions ou ses vulnérabilités ;
  • de reconstituer son identité à partir de données pseudonymisées ;
  • de reproduire son visage, sa voix ou son comportement ;
  • de produire automatiquement un profil susceptible d’orienter une décision à son égard.

L’IA modifie ainsi la structure même du risque d’atteinte à la vie privée. Une donnée isolée et apparemment anodine peut acquérir une forte valeur révélatrice lorsqu’elle est rapprochée de milliers d’autres informations. Le risque ne réside plus seulement dans ce que la personne a expressément communiqué, mais dans ce que le système peut découvrir ou supposer à son sujet.

En droit français, le droit au respect de la vie privée repose notamment sur l’article 9 du Code civil. À l’échelle européenne, il est garanti par l’article 8 de la Convention européenne des droits de l’homme et par l’article 7 de la Charte des droits fondamentaux de l’Union européenne. La protection des données personnelles, consacrée séparément par l’article 8 de la Charte et organisée par le RGPD, constitue l’un des principaux instruments de protection contre les atteintes liées aux systèmes d’IA.

Le rapport entre IA et vie privée ne se réduit toutefois pas au droit des données personnelles. Certains usages peuvent affecter l’autonomie personnelle, l’intimité, l’image, la réputation, le secret des communications ou la liberté de ne pas faire l’objet d’une surveillance permanente, même lorsque la qualification juridique du traitement de données est discutée.

La question centrale devient donc la suivante : jusqu’où une organisation peut-elle utiliser les capacités d’observation, de déduction et de génération de l’IA sans transformer les personnes en objets de surveillance et de prédiction ?

Points essentiels

  • L’IA permet de révéler des informations qui n’ont jamais été directement communiquées.
  • Une donnée publique ne peut pas nécessairement être librement aspirée et réutilisée pour entraîner un modèle.
  • Les modèles peuvent mémoriser ou restituer des données personnelles présentes dans leur corpus d’entraînement.
  • Un modèle entraîné sur des données personnelles n’est pas automatiquement anonyme.
  • La reconnaissance faciale transforme les images en instruments d’identification et de suivi.
  • Le profilage algorithmique peut affecter l’autonomie personnelle, même lorsqu’il repose sur des probabilités incertaines.
  • Les systèmes génératifs peuvent reproduire le visage, la voix, le style ou des éléments biographiques d’une personne.
  • La pseudonymisation ne protège pas contre toutes les techniques de réidentification.
  • L’usage d’une IA dans le travail peut conduire à une surveillance continue des salariés.
  • Les données fournies par un utilisateur à un agent conversationnel peuvent être enregistrées, analysées ou réutilisées selon les caractéristiques du service.
  • Les droits d’accès, de rectification, d’opposition et d’effacement sont difficiles à exercer lorsque les données sont intégrées à un modèle complexe.
  • La protection de la vie privée doit être intégrée dès la conception du système et non ajoutée après son déploiement.

1. Pourquoi l’IA modifie-t-elle la notion de vie privée ?

1.1. De la donnée isolée à la connaissance reconstruite

Dans les modèles classiques de protection de la vie privée, l’atteinte était souvent associée à la divulgation d’une information déjà connue :

  • une adresse ;
  • une maladie ;
  • une relation sentimentale ;
  • une photographie ;
  • une conversation.

L’intelligence artificielle permet désormais de reconstruire une connaissance nouvelle à partir d’indices dispersés.

Un système peut, par exemple, rapprocher :

  • les horaires de connexion ;
  • les achats ;
  • les recherches en ligne ;
  • les déplacements ;
  • les contenus consultés ;
  • les publications sur les réseaux sociaux ;
  • les caractéristiques de la voix ;
  • les expressions du visage.

Il peut ensuite estimer :

  • une situation financière ;
  • une grossesse ;
  • un état dépressif ;
  • une opinion politique ;
  • une pratique religieuse ;
  • une orientation sexuelle ;
  • un risque de départ d’une entreprise ;
  • une fragilité particulière.

L’information produite peut être inexacte. Elle n’en demeure pas moins susceptible d’affecter la personne si elle est utilisée pour prendre une décision, orienter un contrôle ou personnaliser un traitement.

1.2. L’industrialisation de la surveillance

L’IA réduit le coût de l’analyse de très grands volumes de données.

Des opérations autrefois impossibles ou trop coûteuses deviennent automatisables :

  • visionner des milliers d’heures de vidéo ;
  • suivre simultanément de nombreuses personnes ;
  • analyser toutes les communications d’une organisation ;
  • détecter automatiquement des comportements atypiques ;
  • relier des identités utilisées sur différents services ;
  • rechercher une personne dans de vastes bases d’images.

Le passage à l’échelle change la nature de l’atteinte. Une caméra isolée n’est pas équivalente à un réseau de caméras relié à un système de reconnaissance et de suivi.

1.3. La disparition pratique de l’oubli

Les systèmes d’IA peuvent absorber des contenus anciens, dupliqués ou disséminés sur plusieurs plateformes.

Une information supprimée de sa source initiale peut rester :

  • dans une copie ;
  • dans une base d’entraînement ;
  • dans un index ;
  • dans une archive ;
  • dans les paramètres ou sorties d’un modèle ;
  • dans une base vectorielle utilisée par un système de recherche augmentée.

La suppression visible d’un contenu ne garantit donc pas toujours sa disparition fonctionnelle.

2. Données d’entraînement et aspiration du web

2.1. La collecte de données publiques

Le développement des modèles d’IA repose souvent sur de vastes corpus comprenant des informations accessibles en ligne :

  • sites internet ;
  • forums ;
  • réseaux sociaux ;
  • articles ;
  • biographies ;
  • photographies ;
  • vidéos ;
  • documents administratifs ou judiciaires ;
  • bases de données ouvertes.

Le caractère accessible d’une donnée ne signifie pas qu’elle est dépourvue de protection. Une information publiée sur un réseau social, un site professionnel ou un registre public peut rester une donnée personnelle.

Sa réutilisation pour entraîner un système constitue une opération distincte de sa publication initiale. Elle doit donc être appréciée au regard :

  • de la finalité nouvelle ;
  • des attentes raisonnables de la personne ;
  • du volume collecté ;
  • de la nature des informations ;
  • des risques de réutilisation ;
  • des possibilités d’opposition.

La CNIL rappelle que les traitements de données personnelles utilisés pour développer des systèmes d’IA doivent respecter les principes du RGPD, notamment la détermination de la finalité, le choix d’une base juridique, la minimisation et l’information des personnes.

2.2. Le moissonnage à grande échelle

Le web scraping, ou moissonnage, permet de collecter automatiquement de très grandes quantités de données en ligne.

Cette technique accroît plusieurs risques :

  • collecte de données sensibles ;
  • inclusion de contenus concernant des mineurs ;
  • récupération de données devenues obsolètes ;
  • perte du contexte d’origine ;
  • impossibilité pratique d’informer individuellement les personnes ;
  • réutilisation contraire aux attentes initiales ;
  • constitution de profils durables.

En juillet 2026, le Comité européen de la protection des données a adopté des lignes directrices consacrées à l’anonymisation et au moissonnage dans le contexte de l’IA générative, ce qui confirme que ces deux questions sont devenues centrales dans l’analyse européenne des modèles.

2.3. Intérêt légitime

L’intérêt légitime peut, dans certaines circonstances, constituer une base juridique pour le développement ou le déploiement d’un modèle.

Il ne s’agit toutefois pas d’une autorisation générale de collecter toute donnée accessible.

L’analyse suppose notamment :

  1. l’existence d’un intérêt légitime réel ;
  2. la nécessité du traitement ;
  3. une mise en balance avec les droits et attentes des personnes ;
  4. la mise en œuvre de garanties.

Le Comité européen de la protection des données a confirmé que l’intérêt légitime pouvait être mobilisé dans certains cas, mais uniquement après une appréciation circonstanciée.

3. Le modèle d’IA peut-il contenir des données personnelles ?

3.1. Modèle et mémorisation

Un modèle ne fonctionne pas comme une base documentaire classique. Il ne conserve pas nécessairement une copie directement accessible de chaque document utilisé.

Il peut néanmoins mémoriser certaines informations, en particulier lorsqu’elles :

  • sont répétées dans le corpus ;
  • présentent une structure rare ;
  • concernent une personne connue ;
  • figurent dans des données surreprésentées ;
  • sont associées à des séquences particulières.

Des attaques ou requêtes adaptées peuvent parfois permettre de faire ressortir des éléments issus de l’entraînement.

3.2. Un modèle n’est pas automatiquement anonyme

Le Comité européen de la protection des données considère qu’un modèle entraîné sur des données personnelles ne peut pas être tenu pour anonyme dans tous les cas.

L’appréciation doit notamment tenir compte :

  • de la probabilité d’extraction de données ;
  • de la possibilité d’obtenir des informations concernant une personne ;
  • des moyens raisonnablement susceptibles d’être employés ;
  • des mesures techniques limitant la mémorisation ;
  • du contexte de mise à disposition du modèle.

La CNIL propose également une méthode pour déterminer si un modèle demeure soumis au RGPD en raison de sa capacité à mémoriser ou à révéler des données personnelles.

3.3. Conséquence juridique

Lorsqu’un modèle contient ou permet d’extraire des informations relatives à des personnes identifiables, les obligations ne concernent plus seulement le corpus d’entraînement. Elles peuvent également s’appliquer :

  • au modèle lui-même ;
  • à son hébergement ;
  • à sa diffusion ;
  • à son interrogation ;
  • à son adaptation ;
  • à ses sorties.

Le modèle devient alors un objet juridiquement sensible, et non un simple logiciel neutre.

4. Inférences et profilage algorithmique

4.1. Déduire plutôt que collecter

L’une des principales interférences entre IA et vie privée réside dans la production d’inférences.

Le système ne se contente pas de reproduire les données fournies. Il attribue à la personne une caractéristique probable.

Exemples :

  • risque de fraude ;
  • niveau de solvabilité ;
  • propension à quitter un emploi ;
  • état émotionnel ;
  • intérêt politique ;
  • niveau de stress ;
  • vulnérabilité commerciale ;
  • probabilité de récidive ;
  • compatibilité avec un poste.

L’information peut être statistiquement corrélée sans être vraie pour la personne concernée.

4.2. Atteinte à l’autonomie

Le profilage peut affecter la vie privée même lorsqu’il demeure invisible.

Une personne peut recevoir :

  • un prix différent ;
  • une publicité ciblée ;
  • une offre de crédit limitée ;
  • un contrôle renforcé ;
  • un contenu politique particulier ;
  • une évaluation professionnelle défavorable.

Elle peut ignorer que la décision repose sur une hypothèse concernant sa personnalité ou son comportement.

La vie privée protège ainsi non seulement le secret d’une information, mais aussi la capacité de la personne à ne pas être enfermée dans un profil produit sans son contrôle.

4.3. Exactitude et droit de contestation

Une inférence n’est pas un fait établi.

Le traitement doit donc distinguer :

  • les informations observées ;
  • les hypothèses produites par le modèle ;
  • le degré de confiance ;
  • l’usage décisionnel qui en est fait.

Une difficulté majeure réside dans la rectification. Il est relativement simple de corriger une date de naissance erronée. Il est plus difficile de rectifier une « probabilité de comportement » issue d’un modèle.

5. Reconnaissance faciale et identification biométrique

5.1. Transformation de l’image en identifiant

Une photographie ordinaire devient une donnée biométrique lorsqu’un traitement technique extrait des caractéristiques permettant l’identification ou l’authentification.

L’IA peut notamment :

  • comparer un visage à une base ;
  • rechercher une personne dans une foule ;
  • suivre son parcours entre plusieurs caméras ;
  • relier des images prises à des dates différentes ;
  • identifier une personne à partir d’un contenu publié en ligne.

La reconnaissance faciale transforme donc l’espace public en espace potentiellement identifiable.

5.2. Surveillance à distance

L’identification biométrique à distance présente un niveau d’intrusion élevé parce qu’elle peut intervenir :

  • sans action volontaire ;
  • sans contact ;
  • à grande échelle ;
  • sans que la personne en ait conscience ;
  • sur des personnes qui ne sont soupçonnées d’aucune infraction.

Elle affecte aussi les comportements collectifs. Une personne qui sait qu’elle peut être identifiée lors d’une réunion, d’une manifestation ou d’un déplacement peut modifier sa conduite.

5.3. Jurisprudence européenne

Dans l’affaire Glukhin c. Russie, la Cour européenne des droits de l’homme a examiné l’utilisation de la reconnaissance faciale par la police pour identifier un manifestant à partir d’images. Elle a constaté une ingérence dans son droit à la vie privée et a souligné le caractère particulièrement intrusif de cette technologie.

Plus largement, la jurisprudence européenne relative à la surveillance exige un cadre légal accessible, des finalités déterminées, des garanties contre l’arbitraire et un contrôle effectif.

6. Surveillance des salariés par l’intelligence artificielle

6.1. De la surveillance visible à l’évaluation continue

Les systèmes d’IA employés dans l’entreprise peuvent analyser :

  • le temps de connexion ;
  • les frappes au clavier ;
  • les captures d’écran ;
  • les appels ;
  • les courriels ;
  • les déplacements ;
  • les interactions avec les clients ;
  • les objectifs atteints ;
  • les pauses ;
  • le ton de la voix ;
  • les émotions supposées ;
  • l’attention lors d’une visioconférence.

Ces dispositifs permettent une observation permanente plus fine que les moyens traditionnels de contrôle.

6.2. Frontière entre activité professionnelle et vie privée

Le télétravail accentue l’imbrication des espaces.

Un outil installé sur un ordinateur professionnel peut indirectement révéler :

  • les horaires de vie ;
  • la situation familiale ;
  • la présence d’autres personnes ;
  • le domicile ;
  • l’état de santé ;
  • les habitudes personnelles.

La surveillance peut ainsi dépasser l’évaluation du travail et pénétrer la sphère domestique.

6.3. Conditions de légitimité

Le contrôle doit reposer sur un objectif déterminé et ne pas être excessif.

L’analyse porte notamment sur :

  • l’information préalable ;
  • la nécessité du dispositif ;
  • l’existence de moyens moins intrusifs ;
  • les données effectivement collectées ;
  • la durée de conservation ;
  • l’accès aux résultats ;
  • les conséquences pour le salarié ;
  • la possibilité d’une intervention humaine.

La jurisprudence européenne sur la surveillance professionnelle exige une mise en balance concrète entre les intérêts de l’employeur et la vie privée des travailleurs. Les affaires Bărbulescu c. Roumanie et López Ribalda et autres c. Espagne illustrent l’importance du contexte, de l’information, de l’étendue du contrôle et des garanties disponibles.

7. Agents conversationnels et confidentialité des échanges

7.1. Données saisies par l’utilisateur

Un utilisateur peut fournir à une IA générative :

  • un dossier médical ;
  • une consultation juridique ;
  • un contrat ;
  • des informations relatives à des salariés ;
  • une stratégie commerciale ;
  • des données familiales ;
  • des courriels ;
  • des documents confidentiels.

Le caractère conversationnel de l’outil peut créer une fausse impression d’échange privé.

Les conditions réelles dépendent toutefois :

  • du fournisseur ;
  • du type de compte ;
  • des paramètres ;
  • de la durée de conservation ;
  • des usages secondaires ;
  • de l’hébergement ;
  • des sous-traitants ;
  • des mécanismes d’entraînement ou d’amélioration.

7.2. Risque de divulgation

La transmission à un outil externe peut constituer :

  • une communication de données personnelles ;
  • une violation contractuelle ;
  • une atteinte à un secret ;
  • une perte de maîtrise documentaire ;
  • une exposition à une juridiction étrangère.

La CNIL recommande d’encadrer les usages, de déterminer les informations pouvant être transmises et, selon le niveau de risque, d’interdire la fourniture de données personnelles ou la délégation de décisions sensibles.

7.3. Mémoire conversationnelle

Certains systèmes conservent des éléments issus des échanges afin de personnaliser les réponses futures.

Cette fonction peut être utile, mais elle crée un profil cumulatif comprenant :

  • habitudes ;
  • préférences ;
  • projets ;
  • problèmes personnels ;
  • informations professionnelles ;
  • relations ;
  • éléments de santé.

La mémoire doit donc pouvoir être comprise, consultée, limitée et supprimée.

8. IA générative, image, voix et identité

8.1. Deepfakes

Les systèmes génératifs peuvent créer une image, une vidéo ou un enregistrement donnant l’impression qu’une personne :

  • a tenu certains propos ;
  • a participé à un événement ;
  • a adopté un comportement ;
  • se trouvait dans un lieu ;
  • entretenait une relation.

Le contenu peut être entièrement fictif tout en étant suffisamment réaliste pour affecter la vie privée et la réputation.

8.2. Clonage vocal

Quelques secondes d’enregistrement peuvent parfois suffire à produire une imitation convaincante d’une voix.

Les usages peuvent concerner :

  • la fraude ;
  • l’usurpation d’identité ;
  • la manipulation familiale ;
  • les faux messages professionnels ;
  • les contenus pornographiques ou humiliants ;
  • la publicité non autorisée.

La voix constitue à la fois un attribut de la personnalité, une information susceptible d’identification et, lorsqu’elle fait l’objet d’un traitement biométrique, une donnée particulièrement sensible.

8.3. Reconstitution de scènes privées

Une atteinte à la vie privée peut résulter d’un contenu fictif.

Il n’est pas nécessaire que l’image reproduise une scène réellement vécue. L’association vraisemblable d’une personne réelle à une situation intime peut affecter :

  • son identité ;
  • sa dignité ;
  • ses relations ;
  • sa sécurité ;
  • sa réputation.

La distinction entre « information vraie » et « information fausse » ne suffit donc pas à résoudre la question.

9. Anonymisation, pseudonymisation et réidentification

9.1. Limites de la suppression des identifiants

Retirer le nom et le prénom ne rend pas nécessairement un jeu de données anonyme.

Une personne peut être reconnue à partir :

  • de son âge ;
  • de son code postal ;
  • de sa profession ;
  • de ses déplacements ;
  • d’une maladie rare ;
  • d’une date d’événement ;
  • de la combinaison de plusieurs attributs.

9.2. Capacités de rapprochement de l’IA

L’IA augmente les moyens raisonnablement susceptibles d’être utilisés pour identifier une personne.

Elle peut rapprocher :

  • une décision de justice pseudonymisée ;
  • un article de presse ;
  • un profil professionnel ;
  • une publication sur un réseau social ;
  • un registre public ;
  • une photographie.

Une donnée autrefois difficilement identifiable peut le devenir à mesure que les outils progressent.

9.3. Appréciation dynamique

L’anonymisation ne doit pas être évaluée une fois pour toutes.

Il faut tenir compte :

  • de l’évolution des technologies ;
  • des bases désormais disponibles ;
  • de la puissance de calcul ;
  • des techniques de corrélation ;
  • du public ayant accès aux données.

Le Comité européen et la CNIL consacrent désormais une attention spécifique au statut des modèles et à l’effectivité de l’anonymisation dans le contexte de l’IA.

10. Exercice des droits face à un système d’IA

10.1. Droit d’accès

Une personne peut chercher à connaître :

  • les données utilisées ;
  • leur origine ;
  • les finalités ;
  • les destinataires ;
  • les durées de conservation ;
  • l’existence d’un profil ;
  • les conséquences du traitement.

Dans un système complexe, la réponse ne devrait pas se limiter à une description abstraite du modèle.

10.2. Rectification

La rectification pose une difficulté lorsque l’information erronée est présente :

  • dans le corpus ;
  • dans une base vectorielle ;
  • dans un profil ;
  • dans la mémoire d’un agent ;
  • dans les paramètres du modèle ;
  • dans plusieurs versions dérivées.

Corriger la source ne suffit pas nécessairement à corriger toutes les manifestations du système.

10.3. Effacement

Le droit à l’effacement peut exiger différentes opérations :

  • suppression de la donnée source ;
  • retrait du corpus ;
  • suppression d’un index ;
  • nettoyage d’une mémoire ;
  • filtrage des réponses ;
  • réentraînement ou désapprentissage, lorsque cela est techniquement nécessaire et proportionné.

Le droit ne commande pas nécessairement une méthode technique unique. Il impose un résultat adapté aux circonstances.

10.4. Opposition

La personne peut, selon la base juridique et les conditions applicables, s’opposer à la réutilisation de ses données.

La CNIL a publié des ressources destinées aux personnes souhaitant s’opposer à l’utilisation de leurs données pour l’entraînement d’agents conversationnels.

10.5. Difficultés pratiques

L’exercice des droits est compliqué par :

  • l’absence d’identification directe dans le corpus ;
  • la multiplicité des fournisseurs ;
  • les chaînes de sous-traitance ;
  • la duplication des modèles ;
  • l’opacité des sources d’entraînement ;
  • la difficulté de prouver la mémorisation ;
  • le coût d’une modification du modèle.

La CNIL recommande néanmoins d’organiser l’exercice effectif des droits dès la conception du système.

11. Vie privée dès la conception

11.1. Définir précisément l’usage

Un système ne devrait pas collecter des données « au cas où ».

Il faut déterminer :

  • la fonction attendue ;
  • les catégories de personnes ;
  • les données nécessaires ;
  • les sorties autorisées ;
  • les utilisateurs ;
  • les décisions susceptibles d’être prises.

11.2. Réduire les données

Les mesures peuvent comprendre :

  • sélection des sources ;
  • exclusion des données sensibles ;
  • suppression des doublons ;
  • limitation des champs ;
  • pseudonymisation ;
  • filtrage des entrées ;
  • désactivation des journaux non nécessaires ;
  • limitation de la mémoire.

11.3. Séparer les environnements

Les données utilisées pour :

  • entraîner ;
  • tester ;
  • déployer ;
  • évaluer ;
  • surveiller

ne devraient pas être mélangées sans nécessité.

11.4. Contrôler les sorties

Il convient de prévenir :

  • la restitution de données personnelles ;
  • l’identification de tiers ;
  • les inférences interdites ;
  • les réponses portant sur des personnes sans nécessité ;
  • l’utilisation du système pour rechercher des informations intimes.

11.5. Tester la confidentialité

Les évaluations doivent notamment rechercher :

  • les risques d’extraction ;
  • les attaques d’inférence d’appartenance ;
  • les fuites par les journaux ;
  • la mémorisation ;
  • les possibilités de réidentification ;
  • les effets de requêtes malveillantes.

Le rapport publié sous l’égide du Comité européen en 2025 propose une méthodologie structurée d’identification et de réduction des risques de confidentialité propres aux grands modèles de langage.

12. Articulation avec les autres droits

Vie privée et liberté d’expression

L’utilisation d’une IA pour produire ou analyser des informations concernant une personne peut être justifiée par :

  • le journalisme ;
  • la recherche ;
  • la création ;
  • le débat d’intérêt général.

Une mise en balance reste nécessaire.

Vie privée et sécurité

La prévention de la fraude, des infractions ou des attaques informatiques peut justifier certains traitements.

La finalité de sécurité ne permet toutefois pas une surveillance illimitée.

Vie privée et non-discrimination

Les inférences relatives à l’origine, à la santé, au sexe, à la religion ou à l’orientation sexuelle peuvent produire des discriminations, même lorsque ces données n’ont pas été directement collectées.

Vie privée et liberté de pensée

La personnalisation extrême et la détection des vulnérabilités peuvent permettre une influence individualisée sur les comportements ou opinions.

Vie privée et dignité

Les contenus synthétiques intimes ou humiliants peuvent affecter la personne indépendamment de la véracité de la scène représentée.

Jurisprudence de référence

CEDH, Glukhin c. Russie, 4 juillet 2023

L’affaire concernait l’utilisation de la reconnaissance faciale par la police pour identifier un participant à une manifestation. La Cour a constaté une violation de l’article 8 et souligné le caractère hautement intrusif de cette technologie.

CEDH, Big Brother Watch et autres c. Royaume-Uni, 25 mai 2021

La Grande Chambre a précisé les garanties requises pour les systèmes de surveillance de masse, notamment en matière d’autorisation, de sélection, de contrôle et de protection des communications.

CEDH, Bărbulescu c. Roumanie, 5 septembre 2017

La Cour a exigé une mise en balance effective entre le pouvoir de contrôle de l’employeur et le respect de la vie privée et de la correspondance du salarié.

CEDH, López Ribalda et autres c. Espagne, 17 octobre 2019

La Grande Chambre a examiné la vidéosurveillance dissimulée de salariés soupçonnés de vols. Elle a apprécié concrètement les motifs, l’étendue, la durée et les garanties entourant le dispositif.

Ces décisions ne portent pas toutes sur l’intelligence artificielle au sens contemporain. Elles fournissent néanmoins les principes de légalité, de nécessité, de proportionnalité et de garanties applicables aux systèmes de surveillance augmentés par l’IA.

Acteurs

Personnes concernées

Elles peuvent être affectées sans avoir utilisé directement le système, notamment lorsque leurs données ont été collectées en ligne ou lorsqu’elles font l’objet d’une inférence.

Fournisseurs de modèles

Ils déterminent notamment :

  • les corpus ;
  • les méthodes d’entraînement ;
  • les possibilités d’extraction ;
  • les mécanismes de filtrage ;
  • les conditions de déploiement.

Déployeurs

Les entreprises, administrations et professionnels qui utilisent les systèmes doivent définir leurs usages, contrôler les données introduites et maîtriser les décisions prises à partir des sorties.

Courtiers en données et plateformes

Ils disposent de vastes ensembles d’informations pouvant alimenter des systèmes de profilage ou d’apprentissage.

CNIL et autorités européennes

Elles interprètent et appliquent les règles relatives aux données personnelles, à l’information, aux droits et à l’anonymisation.

Juges

Ils assurent la mise en balance entre vie privée, sécurité, liberté d’expression, intérêts économiques et autres droits fondamentaux.

Débats actuels

Un modèle peut-il être véritablement anonyme ?

La réponse dépend des risques réels de mémorisation, d’extraction et d’inférence. Le simple fait que les données ne soient pas directement lisibles dans les paramètres ne suffit pas.

Peut-on entraîner une IA sur tout internet ?

L’accessibilité technique ne constitue pas une autorisation juridique générale. La finalité, les attentes des personnes, la nature des données et les garanties doivent être prises en compte.

Les inférences sont-elles des données personnelles ?

Une inférence se rapportant à une personne identifiable peut relever de la protection des données, même lorsqu’elle est incertaine ou produite par le système.

Peut-on demander à être retiré d’un modèle ?

Le principe des droits demeure, mais sa mise en œuvre peut être techniquement complexe. Elle peut nécessiter un filtrage, une suppression de source, une modification des index ou d’autres mesures adaptées.

La reconnaissance faciale est-elle compatible avec la vie privée ?

Elle peut être utilisée dans certains cadres limités. L’identification à distance et à grande échelle présente cependant une intrusion particulièrement forte et exige des garanties élevées.

Une IA peut-elle analyser les émotions ?

Les systèmes prétendant reconnaître les émotions reposent souvent sur des corrélations contestables. Leur utilisation peut produire des inférences intrusives et injustifiées.

Un contenu synthétique faux peut-il violer la vie privée ?

Oui. L’atteinte peut résulter de l’association crédible d’une personne à une scène privée, intime ou humiliante qui n’a jamais existé.

Ressources essentielles

Base Dabo Tibi Ius

Sources institutionnelles

  • CNIL, recommandations relatives au développement des systèmes d’IA impliquant des données personnelles.
  • CNIL, recommandations relatives au statut des modèles d’IA et à leur possible mémorisation de données.
  • CNIL, recommandations sur l’exercice des droits dans les systèmes d’IA.
  • Comité européen de la protection des données, avis 28/2024 sur les modèles d’IA.
  • Comité européen de la protection des données, rapport sur les risques de confidentialité des grands modèles de langage, 2025.
  • Cour européenne des droits de l’homme, ressources sur la surveillance de masse et la protection des données.

FAQ

Pourquoi l’IA menace-t-elle davantage la vie privée que les traitements classiques ?

Parce qu’elle peut analyser d’immenses volumes de données, relier des sources différentes et déduire des informations qui n’ont jamais été directement communiquées.

Une donnée publiée sur internet peut-elle être librement utilisée pour entraîner une IA ?

Non. Son accessibilité ne supprime pas son caractère personnel ni les obligations liées à sa réutilisation pour une nouvelle finalité.

Un modèle d’IA contient-il des données personnelles ?

Il peut en contenir ou permettre leur extraction s’il a mémorisé des éléments du corpus. L’analyse doit être conduite au cas par cas.

Une prédiction erronée porte-t-elle atteinte à la vie privée ?

Elle peut le faire lorsqu’elle attribue à une personne une caractéristique intime ou lorsqu’elle influence une décision à son égard.

La reconnaissance faciale est-elle une simple vidéosurveillance ?

Non. Elle transforme les images en moyens d’identifier, de rechercher et de suivre individuellement les personnes.

Puis-je transmettre un dossier personnel à un agent conversationnel ?

Cela dépend du service et de son cadre d’utilisation. Il faut vérifier la confidentialité, la conservation, l’hébergement et les usages secondaires avant toute transmission.

Peut-on supprimer ses données d’un modèle ?

Des droits peuvent être exercés, mais leur mise en œuvre varie selon la localisation de la donnée et les caractéristiques techniques du système.

La pseudonymisation suffit-elle ?

Non. Une personne peut être réidentifiée par recoupement, notamment grâce aux capacités de l’IA.

Un deepfake peut-il porter atteinte à la vie privée même s’il est faux ?

Oui. La représentation crédible d’une personne dans une situation intime ou compromettante peut affecter sa vie privée, son image et son identité.

Comment concevoir une IA respectueuse de la vie privée ?

Il faut limiter les données, définir précisément les usages, sécuriser les traitements, tester les risques de mémorisation et de réidentification et organiser effectivement les droits des personnes.

Méthodologie : Cette fiche a été générée avec l’assistance de l’intelligence artificielle à partir de la base documentaire et de sources juridiques complémentaires lorsque cela était nécessaire. Elle constitue une synthèse documentaire et ne remplace pas un avis juridique.

Résumé pédagogique

Définition

Le droit à la vie privée protège l’autonomie, l’intimité, l’identité, les communications et les relations personnelles. L’intelligence artificielle interfère avec ce droit parce qu’elle peut collecter des données à grande échelle, reconnaître les individus, déduire des informations sensibles et reproduire leur image ou leur voix. Le risque ne concerne donc plus seulement la divulgation d’un secret : il porte aussi sur la création automatisée de connaissances ou d’hypothèses concernant une personne.

Exemple

Un employeur utilise un système analysant les connexions, courriels, appels et expressions faciales de ses salariés. L’outil attribue à chacun un niveau d’engagement et un risque de départ. Même si certaines données ont été collectées dans un cadre professionnel, leur rapprochement permet de produire un profil détaillé susceptible d’affecter la vie privée et la carrière des intéressés.

Problématique juridique

La difficulté consiste à maîtriser les données utilisées, les inférences produites et les décisions fondées sur ces résultats. Une information publique peut être réutilisée hors de son contexte ; un modèle peut mémoriser des données ; une personne pseudonymisée peut être réidentifiée ; une prédiction incertaine peut être traitée comme un fait.

Cadre légal

La protection repose sur l’article 9 du Code civil, l’article 8 de la Convention européenne des droits de l’homme, les articles 7 et 8 de la Charte et le RGPD. Les principes de finalité, minimisation, transparence, sécurité, exactitude et exercice des droits doivent être appliqués à l’ensemble du cycle de vie du système, depuis la collecte des données jusqu’à la production et à l’utilisation de ses résultats.

Fiches Dabo Tibi Ius associées :