Refuser l'entraînement IA : un seul robots.txt pour 4 labos

Une seule ligne dans un fichier robots.txt suffira bientôt à exclure un site de l'entraînement des modèles d'OpenAI, Google, Microsoft et Anthropic. Les quatre groupes se sont engagés le 30 octobre 2026 à respecter un jeton commun, `__usage_ai-training`, au lieu de la mosaïque actuelle de robots à bloquer un par un. Pour un éditeur, une marque ou un cabinet qui publie du contenu, la question n'est plus technique : il faut décider, page par page, ce que l'on accepte de céder aux modèles.

Que change exactement le signal commun ?

Jusqu'ici, refuser l'entraînement imposait de cibler chaque robot : GPTBot pour OpenAI, ClaudeBot pour Anthropic, Google-Extended pour Google. Le nouveau signal regroupe ces refus sous un seul nom. Selon le brouillon IETF « Machine-Readable Training Preference Signal » rédigé par Kevin Kelley, d'Anthropic, et daté du 30 octobre 2026, l'opérateur d'un site écrit un groupe robots.txt classique dont le « user-agent » est le jeton `__usage_ai-training`, puis liste les chemins concernés.

Le brouillon ne crée ni nouvelle directive ni nouvelle grammaire : il réutilise la syntaxe Disallow et Allow que tous les webmasters connaissent. Un site peut donc tout fermer avec `Disallow: /` et rouvrir un dossier précis, par exemple un espace presse, avec `Allow`. C'est cette simplicité qui explique le ralliement rapide des grands laboratoires, comme le détaille l'analyse technique de Coywolf, qui reproduit un exemple complet de fichier.

Quel calendrier pour OpenAI, Google, Microsoft et Anthropic ?

Les quatre engagements ne s'appliquent pas en même temps. Selon The Media Leader, Anthropic a « déjà commencé » à appliquer la consigne et OpenAI la respectera dans « les prochains mois ». Meta a salué une « étape importante » sans dire s'il suivrait.

• Anthropic : application déjà en cours.
• Microsoft : à partir du 1er février 2027, selon le blog officiel de Bing.
• Google : prise en charge « in early 2027 », d'après la note relayée par Search Engine Roundtable.
• OpenAI : dans les prochains mois, sans date ferme.

Conséquence pratique : un refus posé aujourd'hui protège tout de suite face à Anthropic, mais pas encore face aux trois autres. Les jetons propres à chaque groupe gardent donc leur utilité jusqu'en 2027.

Ce que le jeton ne couvre pas

Le point le plus mal compris concerne le périmètre. Le brouillon d'Anthropic reprend la définition du groupe de travail IETF aipref : l'entraînement, c'est utiliser un contenu pour modifier les paramètres appris d'un modèle d'IA générative. Il précise aussi que le jeton « n'est pas une directive d'exploration » : il n'empêche pas un robot de visiter les pages.

Surtout, il ne règle pas la reprise d'un contenu dans une réponse en temps réel, ce que l'on appelle le grounding. Microsoft a créé pour cela un réglage séparé, uniquement au niveau de la page, avec trois valeurs : Allow, DisallowExtended et Disallow. Selon le blog officiel de Bing, choisir l'une des deux restrictions entraînera une visibilité réduite de la marque dans les expériences IA, sans changer l'éligibilité aux résultats Bing classiques.

Dernier piège : le silence vaut accord. Selon le brouillon IETF, un site qui n'écrit aucun groupe `__usage_ai-training` n'a exprimé « aucune préférence », et les règles génériques `User-Agent: *` ne s'appliquent pas à ce jeton.

Google-Extended, GPTBot, ClaudeBot : faut-il tout réécrire ?

Non. Les contrôles propres à chaque entreprise continuent de fonctionner à côté du signal commun, selon la note de Google citée par Search Engine Roundtable. Google ajoute une règle d'interprétation utile : si un site refuse l'entraînement avec le jeton commun sans rien préciser pour Google-Extended, Google considérera que l'éditeur a aussi interdit Google-Extended.

Cette articulation compte, car Google-Extended conditionne aussi l'apparition dans les réponses des applications Gemini. Un éditeur qui veut refuser l'entraînement tout en restant cité dans Gemini doit donc écrire les deux règles explicitement. Pour le référencement classique, Microsoft affirme qu'il n'y aura pas d'effet ; Google ne s'est pas prononcé dans les éléments publiés à ce jour.

Quel poids juridique en Europe ?

C'est l'angle qui intéresse le plus les directions juridiques. En droit européen, la fouille de textes et de données est permise sauf si le titulaire des droits s'y est expressément opposé, par exemple par des procédés lisibles par machine, au titre de l'article 4(3) de la directive 2019/790. Le chapitre droit d'auteur du code de bonnes pratiques pour les modèles d'IA à usage général, dans sa version du 10 juillet 2025, demande aux signataires de suivre robots.txt selon la RFC 9309 et d'identifier d'autres protocoles lisibles par machine exprimant ces réservations.

Ce code contribue à l'obligation de l'article 53(1)(c) de l'AI Act, qui impose aux fournisseurs de modèles une politique de respect du droit d'auteur. Le jeton commun a donc vocation à devenir un moyen simple de documenter une opposition. Deux réserves : le brouillon IETF n'a « aucune valeur formelle » à ce stade, et le code précise lui-même que son respect ne vaut pas conformité au droit d'auteur. Le signal facilite la preuve, il ne remplace pas une analyse au cas par cas avec un avocat.

Pourquoi les éditeurs restent prudents

Le signal arrive dans un climat de contentieux. Le New York Times poursuit OpenAI et Microsoft depuis décembre 2023, et Cloudflare bloque par défaut les robots d'IA sur les nouveaux sites de ses clients depuis juillet 2025, rappelle The Media Leader. Nous avions détaillé ces batailles dans notre article sur l'IA et les droits d'auteur devant la justice.

Le nouvel outil ne règle pas le passé : il porte sur l'entraînement futur, pas sur les contenus déjà absorbés. Il ne lie pas non plus les acteurs qui ne l'ont pas rejoint, à commencer par Meta. Enfin, il reste un engagement volontaire, dont le contrôle dépendra des régulateurs, en particulier du Bureau européen de l'IA, dont nous avons présenté les pouvoirs de sanction sur les modèles à usage général.

Ce que les dirigeants doivent faire maintenant

La décision est stratégique avant d'être technique : refuser l'entraînement protège un actif éditorial, refuser le grounding réduit la visibilité dans les réponses IA, déjà sensible depuis l'arrivée des Aperçus IA de Google en France.

1. Cartographier les contenus : distinguer ce qui a une valeur propre (études, données, analyses payantes) de ce qui sert la notoriété (pages produit, communiqués).
2. Écrire la règle commune : ajouter un groupe `__usage_ai-training` avec Disallow sur les répertoires à protéger et Allow sur ceux à diffuser.
3. Garder les jetons historiques : maintenir GPTBot, ClaudeBot et Google-Extended jusqu'à l'application effective par tous, prévue courant 2027.
4. Traiter le grounding à part : arbitrer page par page les réglages de Microsoft, en mesurant la perte de visibilité possible.
5. Documenter : dater et archiver chaque version du robots.txt, utile si une opposition doit un jour être prouvée.

Sources : IETF, Microsoft Bing, Google via Search Engine Roundtable, The Media Leader, Coywolf, code de bonnes pratiques GPAI. Article rédigé avec l'aide de l'IA selon notre [charte](https://www.shareware.fr/charte-ia).