Comment empêcher les entreprises d’IA d’entraîner leurs modèles sur votre site Web?

Si vous publiez des recettes, des leçons, des photos ou des articles, une partie de ce travail a probablement été lue par un robot d’indexation (crawler), un programme qui visite des pages automatiquement et conserve ce qu’il trouve. Plusieurs entreprises d’IA séparent maintenant leurs robots selon leur usage : l’un recueille des pages qui pourraient servir à entraîner de futurs modèles, un autre récupère des pages pour qu’un assistant puisse les citer dans ses réponses de recherche. C’est cette séparation qui rend possible un refus raisonnable. Vous pouvez dire « non » à l’entraînement et « oui » au fait d’être trouvé.

L’outil principal reste robots.txt, un fichier texte placé à la racine de votre site (par exemple example.ca/robots.txt). Son format est normalisé dans la RFC 9309, publiée par l’Internet Engineering Task Force (IETF) en 2022. Chaque robot s’identifie par un nom, appelé jeton de produit (product token), et cherche le groupe de règles adressé à ce nom.

Savoir quel robot fait quoi

La documentation d’OpenAI sur ses robots illustre bien cette séparation. En octobre 2026, elle décrit trois agents :

Les deux réglages de robots.txt sont indépendants : vous pouvez refuser l’un et accepter l’autre. D’autres entreprises publient leurs propres noms; Google, par exemple, utilise un jeton distinct appelé Google-Extended pour ses modèles d’IA générative. Consultez la documentation de chaque entreprise pour obtenir la liste à jour avant de rédiger votre fichier, car les noms et les versions changent.

Un robots.txt concret : « non à l’entraînement, oui à la recherche »

Voici un petit fichier pour un site qui veut rester hors des données d’entraînement d’OpenAI tout en restant visible dans la recherche de ChatGPT, et qui garde un dossier privé hors de portée de tous les robots :

User-agent: GPTBot
Disallow: /

User-agent: OAI-SearchBot
Allow: /
Disallow: /members/

User-agent: *
Disallow: /members/

Trois détails comptent. D’abord, un robot ne suit que le groupe qui correspond à son nom; si un groupe nommé existe, le groupe * ne s’applique plus à lui, d’où la présence de /members/ à deux endroits. Ensuite, selon la RFC 9309, les robots ne devraient pas se fier à une copie en cache de votre fichier pendant plus de 24 heures, et OpenAI dit que ses systèmes de recherche mettent environ une journée à s’ajuster après un changement. Enfin, chaque chemin que vous inscrivez devient public : robots.txt indique à tout le monde où se trouve votre dossier privé, il ne remplace donc jamais un mot de passe.

Si la syntaxe vous fait hésiter, un assistant peut rédiger le fichier et vous l’expliquer :

Rédige un fichier robots.txt pour mon site Web.
Objectifs : refuser les robots qui recueillent du contenu pour l’entraînement de modèles d’IA,
autoriser les robots de recherche par IA pour que mes pages puissent être citées, et garder /members/
fermé à tous les robots. Utilise seulement des noms de robots que les entreprises
documentent publiquement, et ajoute un commentaire au-dessus de chaque groupe pour l’expliquer.
Ensuite, dresse la liste de ce que robots.txt ne peut pas faire pour moi.

Le fichier robots.txt et les balises de refus fonctionnent-ils vraiment?

En partie. robots.txt fonctionne bien avec les robots dont les propriétaires choisissent de le respecter, et les grands laboratoires d’IA disent que les leurs le font. Mais la norme elle-même précise clairement que ces règles n’autorisent ni ne refusent l’accès : rien de technique n’arrête un robot qui les ignore, ou qui se fait passer pour un autre. OpenAI publie les plages d’adresses IP de ses robots, ce qui permet à un site de vérifier qu’un visiteur qui se présente comme GPTBot en est vraiment un; des règles de serveur ou de pare-feu peuvent ensuite bloquer ce que robots.txt ne fait que demander.

Certaines brèches, aucun fichier ne peut les fermer. Un refus s’applique à partir du jour où les robots le lisent; il ne retire pas vos pages des modèles déjà entraînés ni des jeux de données déjà copiés. Les visites déclenchées par un utilisateur, comme celles de ChatGPT-User, peuvent ne pas suivre robots.txt du tout. Et votre contenu peut circuler par des tiers, par exemple un site qui republie vos articles, où votre fichier n’a aucun poids.

Les balises de refus sont la prochaine étape, et elles ne sont pas terminées. Le groupe de travail AI Preferences de l’IETF rédige un vocabulaire commun pour des énoncés comme « vous pouvez utiliser ceci pour la recherche, mais pas pour l’entraînement », ainsi que des façons de rattacher ces énoncés au contenu au moyen de robots.txt et d’en-têtes de réponse HTTP. En octobre 2026, les deux documents sont encore des Internet-Drafts (ébauches), révisés en août et en septembre 2026, et non des normes publiées. Les robots ne les lisent peut-être pas encore : traitez toute syntaxe provisoire comme une expérience, pas comme une garantie.

L’endroit où vous êtes compte aussi. Dans l’Union européenne, une réserve de droits lisible par machine a une force juridique : l’article 53 de la législation de l’UE sur l’IA oblige les fournisseurs de modèles à usage général mis sur le marché de l’UE à repérer et à respecter les réserves exprimées en vertu de la directive de 2019 sur le droit d’auteur. La Loi sur le droit d’auteur du Canada ne contient aucune règle de refus comparable : un site canadien compte donc sur robots.txt, sur ses conditions d’utilisation et, au besoin, sur les tribunaux. Si votre contenu est un actif d’affaires qui vaut la peine d’être défendu, un avocat peut vous dire lequel de ces leviers convient à votre situation.