Licencier des données opérationnelles jamais parues sur le web ouvert

TGDC licencie à des laboratoires d'IA des données opérationnelles d'entreprises européennes réelles, avec droits vérifiés : archives documentaires cohérentes, extraits structurés et jeux d'évaluation réservés. Chaque corpus arrive avec une chaîne de titres écrite et un rapport d'anonymisation par lot.

Formats

PDF · EML · XLSX · DOCX pour les archives, JSONL · Parquet pour les extraits

Provenance

Mandat écrit à la source, chaîne de conservation documentée

Par lot

Rapport d'anonymisation et manifeste avec sommes de contrôle, à chaque livraison

Ce que vous pouvez licencier

• Archives. Fonds documentaires cohérents : correspondance, contrats, factures et écritures couvrant des années d'activité réelle. Livrés en PDF, EML, XLSX et DOCX.
• Extraits structurés. Extractions anonymisées et résolues par entité, livrées selon votre schéma, en JSONL ou Parquet.
• Jeux d'évaluation. Tâches documentaires réservées et jamais publiées, pour évaluer l'extraction, le raisonnement et les flux d'agents.
• Environnements RL. Environnements d'entraînement par tâches avec vérificateurs programmatiques, construits à partir des mêmes sources vérifiées. Voir environnements RL.
• Corpus sur mesure. Jeux de données professionnels assemblés sur demande, en santé, en droit et en finance.

La provenance est le produit

Chaque corpus entre par un canal autorisé : les actifs de procédures collectives, que les administrateurs judiciaires ne libèrent que sous mandat écrit ; des enregistrements de flux de travail réalisés avec consentement, pendant que le travail se déroule ; et des documents personnels apportés par leurs propriétaires avec anonymisation sur l'appareil. Rien n'est collecté par scraping, et aucun corpus ne part sans une vérification des droits portant sur la propriété, le matériel de tiers et les limites légales.

Le résultat, ce sont des données avec une trace écrite : à qui elles appartenaient, qui les a autorisées, ce qui a été retiré et quelles conditions de licence s'y attachent. Pour les laboratoires confrontés aux obligations de documentation des données d'entraînement au titre du règlement européen sur l'IA, cette trace fait la différence entre un actif et un risque.

Anonymisation, vérifiée lot par lot

Les entités nommées, les données personnelles et les identifiants commerciaux sont supprimés ou pseudonymisés avant la livraison. La pseudonymisation est déterministe, afin que les renvois entre documents restent cohérents : une même contrepartie reçoit le même pseudonyme dans tout un fonds, sans révéler de qui il s'agissait. Chaque lot est livré avec un rapport de vérification indiquant ce qui a été détecté et remplacé.

Pourquoi des données opérationnelles

Le texte du web est épuisé et contaminé : tout ce qui est publiquement explorable se trouve déjà dans chaque modèle de pointe. La mémoire opérationnelle d'une entreprise, c'est-à-dire sa correspondance, ses contrats, ses factures et ses litiges sur des années, n'a jamais été en ligne. Elle porte la structure longitudinale, le désordre et la profondeur métier que des données collectées par scraping ne peuvent pas fournir.

Comment se déroule la livraison

Chaque corpus suit les mêmes quatre étapes : acquis uniquement sous autorisation écrite, passé par une vérification des droits, anonymisé et contrôlé lot par lot, puis livré sous forme de corpus échelonnés avec manifestes, sommes de contrôle et conditions de licence. Les conditions sont fixées par accord, y compris la licence exclusive au niveau du corpus.

Ce que nous envoyons à un vendeur

Deux notes d'une page partent aux entreprises qui envisagent de licencier leurs documents. Elles précisent ce que nous demandons, comment les fichiers nous parviennent, ce qui est remplacé avant livraison et comment un vendeur est rémunéré. Si vous ne détenez pas vous-même de documents mais pouvez nous présenter une entreprise qui en détient, ou nous amener un partenariat, une commission d'apport est prévue : les conditions sont convenues au cas par cas avant que quoi que ce soit ne bouge.