Ce que les lignes directrices européennes sur l’anonymisation changent pour les données d’entraînement
Les nouvelles lignes directrices de l’EDPB sur l’anonymisation, adoptées le 7 juillet 2026 et ouvertes à consultation publique jusqu’au 30 octobre 2026, pourraient modifier en profondeur la manière dont les équipes data conçoivent leurs jeux de données d’entraînement. Leur objectif est de préciser dans quelles conditions des informations peuvent réellement être qualifiées d’« anonymes » au sens du RGPD.
Pour les projets d’intelligence artificielle, le point essentiel est simple : un jeu de données véritablement anonymisé sort du champ d’application du droit européen de la protection des données. En revanche, si une personne peut encore être identifiée, directement ou indirectement, les données restent soumises au RGPD, y compris lorsqu’elles sont utilisées pour entraîner un modèle.
Un changement de qualification aux conséquences importantes
La qualification d’un dataset n’est pas une formalité juridique secondaire. Elle détermine les obligations applicables à la collecte, à la conservation, au partage et à l’utilisation des données dans un pipeline de machine learning. Une anonymisation robuste peut donc réduire certaines contraintes, tandis qu’une pseudonymisation insuffisante ne permet pas de sortir du RGPD.
L’EDPB rappelle explicitement que l’anonymisation et la pseudonymisation sont deux concepts distincts. La pseudonymisation remplace ou sépare les identifiants, mais laisse généralement possible une réidentification à l’aide d’informations supplémentaires. Les données pseudonymisées demeurent donc des données personnelles au sens du RGPD.
À l’inverse, l’anonymisation doit empêcher raisonnablement toute identification d’une personne. Pour les équipes IA, cela signifie qu’il ne suffit plus de supprimer les noms, adresses e-mail ou numéros de téléphone avant l’entraînement. Les attributs indirects, les combinaisons de variables et les traces conservées dans les données doivent également être évalués.
Le test en trois critères de l’EDPB
Les nouvelles lignes directrices proposent un test pratique fondé sur trois critères : l’absence d’individualisation, l’absence de corrélation et l’absence d’inférence. Ces critères fournissent une grille de lecture opérationnelle pour analyser la robustesse d’une anonymisation avant d’intégrer un dataset dans un environnement d’entraînement.
Le premier critère, l’absence d’individualisation, vise à empêcher qu’un enregistrement puisse être isolé ou rattaché à une personne spécifique. Le deuxième, l’absence de corrélation, concerne la possibilité de relier plusieurs enregistrements entre eux ou de croiser le dataset avec d’autres sources. Le troisième, l’absence d’inférence, cherche à éviter qu’une information personnelle puisse être déduite à partir de données apparemment neutres.
Si les trois critères sont remplis de manière suffisamment robuste, les données peuvent être considérées comme anonymes. Cette analyse doit toutefois tenir compte des méthodes disponibles, des informations accessibles et de la puissance des outils de rapprochement. Un dataset qui paraît anonyme isolément peut redevenir identifiable lorsqu’il est combiné à des données publiques, à des logs internes ou à des sorties de modèles.
Une évaluation dépendante du contexte réel
L’EDPB distingue une approche contextuelle, qui tient compte des capacités réelles de réidentification de l’entité concernée, et une approche simplifiée, potentiellement plus stricte. Cette distinction est particulièrement importante pour les plateformes d’IA qui exploitent des volumes considérables de données et disposent de capacités avancées de recherche, de corrélation et d’inférence.
Dans une approche contextuelle, l’organisation doit examiner les moyens raisonnablement utilisables pour réidentifier des personnes. Il faut notamment prendre en compte les données auxquelles elle a accès, ses ressources techniques, les sources externes disponibles et les méthodes d’attaque plausibles. L’analyse ne peut donc pas reposer uniquement sur une transformation théorique du fichier.
Pour les pipelines d’entraînement, l’anonymisation devient une activité continue plutôt qu’un prétraitement réalisé une seule fois. Le contexte peut changer avec l’acquisition de nouvelles bases, l’évolution des modèles, l’apparition de nouvelles techniques de réidentification ou la modification des destinataires du dataset. Les contrôles doivent être documentés et réévalués à chaque étape significative.
Scraping et entraînement : le RGPD reste central
Les lignes directrices relient explicitement l’anonymisation aux problématiques de collecte et d’utilisation des données pour entraîner des modèles d’IA générative. Le moissonnage ou scraping de contenus contenant des données personnelles reste soumis au RGPD lorsqu’il implique des personnes identifiables, même si les informations sont ensuite transformées ou utilisées dans un modèle.
Les équipes doivent notamment respecter la limitation des finalités, la transparence et la minimisation des données. L’EDPB recommande de collecter les informations à partir de sources fiables, d’enregistrer leur horodatage et de valider les données avant leur intégration dans l’entraînement. Ces étapes renforcent la traçabilité et permettent de justifier pourquoi chaque source et chaque catégorie de données ont été retenues.
Les données sensibles ne bénéficient d’aucune exemption générale. Lorsqu’un scraping ou un entraînement implique des catégories particulières de données, l’organisation doit disposer d’une base légale au titre de l’article 6 du RGPD et d’une exception applicable au titre de l’article 9(2). L’EDPB souligne que cette appréciation doit être menée au cas par cas, en fonction du contexte et des risques du projet.
Ce que les équipes data et ML doivent changer
La première évolution consiste à abandonner la présomption selon laquelle un dataset est anonymisé dès lors que ses identifiants directs ont été supprimés. Les équipes doivent formaliser une analyse couvrant les trois critères de l’EDPB, les sources utilisées, les transformations appliquées, les risques résiduels et les capacités de réidentification raisonnablement disponibles.
Cette analyse doit s’intégrer à la gouvernance technique du projet. Un registre des sources, des horodatages, des versions de datasets et des opérations de nettoyage facilite les audits et les réévaluations. Des tests de réidentification, des contrôles d’accès, une séparation des environnements et une revue des données avant entraînement peuvent également réduire les risques opérationnels.
Les organisations doivent enfin suivre l’évolution du texte. Les lignes directrices s’inscrivent dans une séquence plus large : avis de l’EDPB sur les modèles d’IA en décembre 2024, rapport du stakeholder event sur l’anonymisation et la pseudonymisation en février 2026, puis projet de lignes directrices adopté en juillet 2026. La consultation ouverte jusqu’au 30 octobre 2026 signifie que certaines exigences peuvent encore évoluer.
Pour les acteurs européens de l’IA, le message est clair : l’anonymisation des données d’entraînement doit être démontrée, documentée et replacée dans son contexte. Un dataset présenté comme « anonymisé » ne doit pas être considéré automatiquement comme hors RGPD sans analyse technique et juridique complète.
Les équipes qui anticipent ces exigences pourront mieux sécuriser leurs pipelines, expliquer leurs choix de collecte et limiter les risques de non-conformité. Le texte officiel de l’EDPB et les documents liés à la consultation constituent les références prioritaires à suivre avant la publication de la version finale.
