Entraînement de l’IA : Google, OpenAI, Anthropic et Microsoft adoptent un signal de refus

Pour un éditeur de presse, un blogueur ou une entreprise, empêcher que ses textes servent à entraîner des modèles d’intelligence artificielle relevait jusqu’ici du casse-tête : il fallait connaître et bloquer un à un les robots de chaque entreprise, dont la liste ne cesse de s’allonger. Le 30 octobre 2026, Google, Microsoft, Anthropic et OpenAI ont annoncé qu’ils respecteront un signal commun, une seule ligne à ajouter dans un fichier que tous les sites possèdent déjà. Une avancée réelle, mais encadrée de limites qu’il vaut mieux connaître.

Robots.txt, le fichier qui parle aux robots

Presque tous les sites web publient à leur racine un petit fichier texte nommé robots.txt. Né dans les années 1990 et normalisé en 2022 par l’IETF, l’organisme qui élabore les standards techniques d’Internet, il indique aux robots d’exploration, ces programmes qui parcourent le web automatiquement, quelles pages ils peuvent visiter ou non. Chaque robot s’identifie par un nom, et le site peut fixer des règles pour chacun.

Avec l’essor de l’IA générative, chaque entreprise a créé ses propres noms : GPTBot pour OpenAI, ClaudeBot pour Anthropic, Google-Extended pour l’entraînement des modèles de Google, et bien d’autres. Résultat, les sites qui veulent refuser l’entraînement doivent tenir à jour une liste toujours plus longue, avec le risque d’en oublier. Certains fichiers robots.txt comptent désormais des dizaines de règles qui se répètent.

Une seule ligne pour tous

Le nouveau mécanisme est décrit dans un projet de norme publié le 30 octobre 2026 à l’IETF par Kevin Kelley, ingénieur chez Anthropic, sous le titre « Machine-Readable Training Preference Signal ». Il crée un nom commun, __usage_ai-training, qui ne désigne pas un robot précis mais un usage : l’entraînement d’un modèle d’IA générative. Il s’utilise avec la syntaxe habituelle du fichier :

Un site peut ainsi refuser l’entraînement sur l’ensemble de ses pages tout en l’autorisant sur certaines, par exemple un espace presse. Le choix d’un nom commençant par deux tirets bas n’est pas anodin : il évite qu’un analyseur de fichier peu rigoureux confonde ce signal avec le nom d’un véritable robot. Les programmes qui ne connaissent pas encore le mécanisme l’ignorent simplement, comme ils ignorent tout bloc destiné à un robot inconnu, ce qui garantit qu’aucun site existant ne voit son fonctionnement modifié. Le projet précise plusieurs règles importantes :

• pas de refus par défaut : si le nom n’apparaît pas dans le fichier, aucune préférence n’est exprimée ;
• la règle générale ne compte pas : un bloc qui vise tous les robots, avec un astérisque, n’est pas interprété comme un refus de l’entraînement ;
• les règles existantes restent valables : un site qui bloque déjà GPTBot ou ClaudeBot n’a rien à changer, et les règles propres à une entreprise peuvent primer sur le signal commun ;
• les accords privés priment : un éditeur qui a signé une licence avec une entreprise d’IA reste lié par ce contrat.

Qui s’engage, et quand

Les quatre entreprises n’avancent pas au même rythme, selon le site spécialisé SiliconANGLE. Anthropic a déjà commencé à mettre en œuvre le signal, selon l’auteur du projet. OpenAI et Microsoft prévoient de le prendre en charge dans les prochains mois, et Google l’année prochaine. Meta s’est dit favorable à l’idée d’un signal commun, sans s’engager à le respecter.

Microsoft ajoute un réglage distinct, baptisé AI Grounding, qui permet aux sites de refuser qu’un modèle consulte leurs pages pour répondre en direct à la question d’un utilisateur, un usage différent de l’entraînement. OpenAI prévoit des contrôles comparables.

Ce que le signal ne change pas

Le périmètre est volontairement étroit. Le projet reprend la définition retenue par le groupe de travail de l’IETF consacré aux préférences sur l’IA : l’entraînement désigne l’usage d’un contenu pour modifier les paramètres d’un modèle génératif, c’est-à-dire capable de produire du texte, des images ou du son. L’entraînement de modèles servant uniquement à classer, trier ou noter des contenus n’est pas concerné.

Surtout, le signal ne touche ni à l’indexation par les moteurs de recherche, ni aux résumés générés par IA affichés dans les résultats, ni à la consultation d’une page par un assistant pour répondre à un utilisateur, sauf réglages séparés comme celui de Microsoft. Un éditeur peut donc refuser l’entraînement tout en voyant ses articles résumés par une IA.

Enfin, le mécanisme repose sur la bonne volonté des entreprises. Aucune sanction n’est prévue en cas de non-respect, et aucun contrôle indépendant n’est organisé. Des observateurs rappellent le précédent du signal Do Not Track, censé protéger la vie privée des internautes et largement ignoré. Plusieurs études ont aussi montré que des robots d’IA contournaient les consignes de robots.txt, une pression déjà documentée dans notre article sur l’aspiration du web par les robots d’IA.

Un enjeu juridique en Europe

Pour les sites européens, le signal a une portée particulière. La directive européenne de 2019 sur le droit d’auteur autorise la fouille de textes et de données, sur laquelle s’appuie l’entraînement des IA, sauf si le titulaire des droits s’y est opposé de manière appropriée, notamment par des procédés lisibles par machine pour les contenus publiés en ligne. En France, cette exception figure dans le code de la propriété intellectuelle.

Le règlement européen sur l’IA impose en outre aux fournisseurs de modèles d’IA à usage général de mettre en place une politique de respect du droit d’auteur, qui doit notamment identifier et respecter ces oppositions. Un signal commun, reconnu par les principaux acteurs, facilite la preuve qu’un refus a été exprimé clairement. Il ne règle pas pour autant les débats sur les contenus collectés avant sa mise en place.

Que faire pour son site ?

Pour un éditeur, une entreprise ou un particulier qui publie en ligne, quelques réflexes s’imposent.

• Décider de sa position : refuser l’entraînement protège ses contenus, mais certains éditeurs préfèrent négocier des licences rémunérées avec les entreprises d’IA.
• Ajouter le bloc commun dans robots.txt pour exprimer son choix auprès des entreprises qui le respectent.
• Conserver les règles existantes visant GPTBot, ClaudeBot ou Google-Extended, puisque la prise en charge du signal commun sera progressive jusqu’en 2027.
• Garder une trace de la date à laquelle le refus a été exprimé, utile en cas de litige sur le droit d’auteur.
• Vérifier ses journaux de connexion pour repérer les robots qui ne respectent pas les consignes.

Une première étape vers des règles communes

Le projet déposé à l’IETF n’est qu’un document de travail, valable six mois et appelé à évoluer au fil des discussions du groupe de travail. Mais l’engagement simultané de quatre des plus grandes entreprises du secteur marque un tournant : pour la première fois, les sites disposent d’un langage commun pour dire non à l’entraînement. La question de la rémunération des créateurs dont les contenus nourrissent les modèles reste, elle, entière.