Un article, une étude ou un guide peuvent être accessibles sur le Web sans que leur éditeur souhaite les voir utilisés pour entraîner un modèle d’IA. Comment exprimer ce choix de façon compréhensible par plusieurs fournisseurs ?
C’est l’objectif du projet « Machine-Readable Training Preference Signal », signé Kevin Kelley, affilié à Anthropic. Pour les médias, créateurs et entreprises qui publient leurs propres contenus, l’enjeu est de pouvoir préciser les usages qu’ils acceptent.
Un projet déposé à l’IETF, sans approbation à ce stade
Le document porte la référence `draft-kelley-aipref-training-preference-signal-00`. Sa fiche officielle dans le Datatracker de l’IETF le classe comme un Internet-Draft individuel, c’est-à-dire un document de travail.
Au 2 novembre 2026, il n’est pas approuvé par l’IETF, l’organisme au sein duquel sont élaborés de nombreux standards techniques d’Internet. Sa présence dans ce registre ne vaut donc pas adoption.Le projet pourrait évoluer. Les propriétaires de sites doivent surtout surveiller sa prise en charge effective par les services concernés avant de compter sur ce signal pour faire appliquer leur choix.
Comment exprimer le refus de l’entraînement dans robots.txt ?
Le principe consiste à utiliser un identifiant commun, `__usage_ai-training`, dans le fichier `robots.txt`. Le document présente cet exemple :
```txt
User-Agent: __usage_ai-training
Disallow: /
Allow: /press-kit/
```
Dans le mécanisme proposé, ces lignes expriment une préférence défavorable à l’entraînement pour l’ensemble du site, avec une exception favorable pour le dossier `/press-kit/`.
Le signal porte sur l’usage des contenus. Le projet le maintient séparé des règles d’exploration propres à chaque robot.
Cet exemple décrit le fonctionnement du projet ; il ne constitue pas un blocage universel déjà opérationnel. Son interprétation dépend de l’implémentation du mécanisme par les services qui utilisent les contenus.L’intérêt potentiel serait de disposer d’un vocabulaire partagé, plutôt que de devoir exprimer le même choix fournisseur par fournisseur.
Explorer une page, l’indexer et entraîner une IA : quelles différences ?
Ces opérations répondent à des objectifs différents :
| Opération | Ce qu’elle permet |
|---|---|
| Exploration | Un robot récupère une page sur le Web. |
| Indexation | Un moteur organise les informations pour pouvoir les retrouver. |
| Entraînement d’une IA | Des contenus servent à modifier les paramètres appris d’un modèle. |
| Consultation pour une réponse | Un système recherche une information au moment de répondre, sans nécessairement réentraîner le modèle. |
Une entreprise peut souhaiter que ses guides soient trouvés sur Google, tout en réservant l’usage de ses publications pour l’entraînement des IA. Elle peut aussi rechercher des citations dans les réponses des assistants, avec un lien vers son site.
Ces objectifs appellent une politique précise : quels contenus rendre accessibles, pour quels usages et dans quelles conditions ? La question concerne autant un média qu’un cabinet de conseil, un organisme de formation ou un éditeur de logiciels.
Google-Extended permet déjà un contrôle spécifique
Des mécanismes propres à certains fournisseurs existent déjà. Google documente notamment Google-Extended et les usages de contenus qu’il permet de contrôler.
Ce paramètre porte sur l’utilisation de contenus pour entraîner de futures générations de modèles Gemini et pour certains usages d’appui aux réponses, appelés « grounding », dans les produits décrits par Google.
Google précise que Google-Extended n’affecte pas l’inclusion d’un site dans Google Search et n’est pas un signal de classement. Les règles visant Googlebot ont, elles, des effets sur l’exploration liée au moteur et à ses fonctionnalités.Pour un dirigeant ou un responsable marketing, la distinction compte : une modification de `robots.txt` doit être examinée selon le service visé et l’usage contrôlé. Elle s’inscrit dans une réflexion plus large sur la visibilité des PME dans les moteurs de recherche IA.
Pourquoi les médias et les entreprises s’intéressent à ce sujet
Produire une enquête, une documentation ou une analyse mobilise du temps et des compétences. Pour une entreprise, ces publications peuvent attirer des prospects, démontrer une expertise ou nourrir une relation commerciale.
Leur réutilisation soulève donc plusieurs questions : l’auteur reste-t-il identifiable ? Le lecteur peut-il retrouver la source ? Quel usage l’éditeur souhaite-t-il permettre de son travail ?
Les tensions autour de la circulation des contenus sont déjà visibles. Reddit prépare notamment des tests d’accès par compte face aux évolutions de trafic qu’il attribue à l’IA de Google. Ce dossier concerne l’audience et l’accès aux discussions ; il illustre l’importance économique du contrôle des contenus.
Pour les petites structures, un signal partagé pourrait faciliter l’expression d’une politique d’utilisation. Son utilité dépendra toutefois du nombre de services qui le comprendront et le respecteront.
Robots.txt ne constitue pas une protection technique des contenus
Le fichier `robots.txt` repose sur des règles que les robots sont censés interpréter. Le protocole de référence RFC 9309 précise qu’il ne remplace pas un mécanisme de contrôle d’accès.
Une page publique reste donc techniquement accessible à un acteur qui ignore ces indications. Pour des informations confidentielles ou réservées à des clients, la protection doit passer par des dispositifs d’accès adaptés.
Le projet de signal d’entraînement ne prévoit par ailleurs aucun paiement automatique aux éditeurs. La rémunération des contenus et les accords de licence constituent des sujets supplémentaires à traiter.
Que peuvent faire les propriétaires de sites dès maintenant ?
Trois vérifications permettent de préparer une décision :
- Définir la politique de contenus : distinguer les publications destinées à une large diffusion, les ressources commerciales et les documents réservés.
- Faire examiner les règles existantes : identifier les robots et services concernés avant toute modification de `robots.txt`.
- Suivre les engagements des fournisseurs : vérifier quels usages leurs paramètres contrôlent et à partir de quelle date les nouveaux signaux sont pris en charge.
Pour un site qui dépend du référencement, cette démarche doit associer la personne chargée du SEO et le responsable technique. L’objectif est de traduire un choix éditorial ou commercial en réglages cohérents, puis d’en contrôler les effets.
