Jusqu’ici, pour dire à une entreprise d’IA « n’entraînez pas vos modèles sur mon site », il fallait connaître le nom de chacun de ses robots et écrire une règle pour chacun : GPTBot chez OpenAI, Google-Extended chez Google, ClaudeBot chez Anthropic, et ainsi de suite. Le 30 octobre, ces trois-là et Microsoft ont annoncé qu’ils liraient un seul et même signal, posé dans le vieux fichier robots.txt. Pour une PME, une mairie ou un média qui tient un site, la question devient très concrète : qu’est-ce qu’on écrit, et à quoi ça sert vraiment ?
Un brouillon, quatre engagements
Le point de départ est un document déposé le 30 octobre à l’IETF, l’organisme qui écrit les standards techniques d’Internet, par Kevin Kelley, responsable des standards chez Anthropic. Son titre : Machine-Readable Training Preference Signal. C’est un brouillon individuel, discuté au sein du groupe de travail « AI Preferences », sans valeur de norme.
L’idée est volontairement modeste : pas de nouvelle syntaxe, pas de nouveau fichier. On réutilise la grammaire de robots.txt, ce vieux fichier par lequel les sites parlent aux robots, en remplaçant le nom d’un robot par un « jeton de politique » : __usage_ai-training. Le mot « entraînement » y a un sens défini par le vocabulaire du groupe de travail : utiliser un contenu pour modifier les paramètres appris d’un modèle génératif.
Les calendriers, eux, ne sont pas alignés. Anthropic dit avoir « commencé » à implémenter le signal, tout en prévenant qu’il lui faudra du temps pour l’étendre à tous ses services. OpenAI vise « les prochains mois ». Microsoft appliquera les nouvelles préférences à partir du 1er février 2027 sur Bing. Google parle de 2027, « début 2027 » dans sa documentation, et précise qu’un site qui refuse l’entraînement via le jeton sans citer Google-Extended sera traité comme s’il avait bloqué Google-Extended. Meta, de son côté, salue l’initiative sans dire si elle la respectera.
Le mode d’emploi, en trois lignes
L’exemple donné dans le brouillon tient sur trois lignes, à ajouter au fichier robots.txt à la racine du site :
User-Agent: __usage_ai-training
Disallow: /
Allow: /press-kit/La deuxième ligne exprime un refus d’entraînement pour tout le site ; la troisième, facultative, rouvre un dossier, ici un kit presse que l’on veut justement voir repris. Deux précautions. D’abord, les règles génériques User-agent: * ne comptent pas : il faut nommer le jeton explicitement. Ensuite, les règles déjà écrites pour un robot précis restent valables et priment, puisqu’elles sont plus spécifiques. Un site qui bloquait déjà GPTBot ou ClaudeBot n’a donc rien à retirer, seulement une ligne à ajouter.
Ce que cette ligne ne fait pas
- Elle ne bloque pas la visite. Le brouillon le dit sans détour : ce jeton n’est pas une directive d’exploration. Un robot peut continuer à télécharger les pages, il s’engage seulement à ne pas s’en servir pour entraîner un modèle.
- Elle n’efface rien. La préférence s’applique au contenu récupéré pendant que la règle est en place. Le texte ne dit pas un mot de ce qui a déjà été collecté et qui dort déjà dans les jeux de données et les modèles existants.
- Elle n’oblige personne. OpenAI parle d’un « effort volontaire ». Le brouillon ne prévoit ni contrôle ni sanction : un robot qui ne joue pas le jeu l’ignore. Et Microsoft prend soin de préciser qu’aucun choix ne garantit « inclusion, trafic ou rémunération ».
Dernière subtilité : refuser l’entraînement et refuser d’être cité dans les réponses des assistants sont deux choses distinctes. Bing introduit une préférence séparée pour le « grounding », l’usage d’une page pour construire une réponse ; chez Google, c’est l’autorisation de Google-Extended qui ouvre la porte aux réponses de Gemini. Le jeton commun ne tranche que l’entraînement.
Le non par défaut, c’est vous qui l’écrivez
Reconnaissons ce que l’annonce a de bon. Un standard ouvert, discuté publiquement à l’IETF plutôt que dans les conditions générales de chacun, et une vraie simplification pour les petits sites qui n’ont ni juriste ni administrateur système. Une ligne, ça se copie dans une page d’aide, ça se demande à son prestataire, ça se fait en cinq minutes.
Mais regardons la logique qui s’installe. Nous écrivions le 26 octobre que les États membres venaient d’accepter que des données personnelles servent à entraîner des IA au nom de l’« intérêt légitime », à charge pour chacun de s’y opposer. Ici, c’est la même mécanique appliquée aux sites : tout ce qui est publié est utilisable, sauf si le propriétaire a pensé à dire non, dans le bon fichier, avec le bon jeton. Le billet de Google souligne d’ailleurs que la proposition est cohérente avec le code de bonnes pratiques européen pour les modèles d’IA à usage général, qui reconnaît robots.txt comme moyen principal d’exprimer ses préférences. Les entreprises qui collectent définissent donc elles-mêmes l’outil par lequel la loi attend que l’on s’oppose à elles.
Et ce non arrive tard : les quatre signataires ont bâti leurs modèles sur un web qui ne savait pas dire non. Le jeton ne rend rien ; il fixe les règles pour la suite, et d’abord pour les nouveaux entrants.
Faut-il l’ajouter ? Oui, parce qu’elle ne coûte rien et qu’elle documente un choix. À condition de ne pas la prendre pour ce qu’elle n’est pas : une serrure. C’est une pancarte. Les visiteurs honnêtes la liront.
Sources
- IETF – Machine-Readable Training Preference Signal (brouillon draft-kelley-aipref-training-preference-signal-00)
- IETF, liste ai-control – message de présentation du brouillon par Kevin Kelley (Anthropic)
- OpenAI – Making it easier for websites to express AI training preferences
- Google Search Central – Supporting a shared AI training control for websites
- Google – documentation des robots d’exploration (note sur le signal AIPREF, début 2027)
- Microsoft Bing – Your content, your choice: clearer preferences for training and grounding
- The Verge – The biggest names in AI are backing a new way to opt out of scraping
- alsace.ai – Vos données pour entraîner l’IA : ce que les États européens viennent d’accepter
