Comment empêcher que votre travail serve à entraîner l’IA?

Les grands modèles de langage apprennent à partir d’énormes quantités de texte recueillies sur le Web public, et les modèles d’images apprennent à partir d’images recueillies de la même façon. Si vous publiez des textes, des photos, de l’art ou du code en ligne, une partie se trouve peut-être déjà dans un ensemble d’entraînement. Beaucoup de créateurs veulent maintenant avoir leur mot à dire sur l’ajout de leurs œuvres futures à ces ensembles, et depuis 2023, quelques contrôles pratiques sont apparus.

Ils se divisent en deux groupes : les contrôles pour ce que vous publiez sur un site Web que vous gérez, et les contrôles pour ce que vous tapez dans les outils d’IA. Chacun fonctionne différemment, et chacun a des limites qu’il vaut mieux connaître avant de s’y fier.

Comment fonctionne robots.txt

Un robot d’exploration (web crawler) est un programme qui visite des pages automatiquement et enregistre ce qu’il y trouve. Les moteurs de recherche s’en servent pour bâtir leurs index, et les entreprises d’IA, pour recueillir du texte d’entraînement. Robots.txt est un simple fichier texte placé à la racine d’un site Web (par exemple example.com/robots.txt) qui indique aux robots les parties du site qu’ils peuvent visiter. Chaque robot s’identifie par un nom, appelé agent utilisateur (user agent), et le fichier donne des règles par nom.

Deux noms propres à l’IA comptent le plus aujourd’hui :

GPTBot est le robot d’OpenAI. Depuis août 2023, OpenAI affirme que les propriétaires de sites peuvent le bloquer dans robots.txt ou en bloquant ses adresses IP. OpenAI affirme que les pages qu’il recueille peuvent servir à améliorer de futurs modèles, après avoir filtré les sources payantes, les sites connus pour recueillir des renseignements personnels et les textes qui enfreignent ses politiques.
Google-Extended a été annoncé par Google en septembre 2023. C’est un nom que vous pouvez utiliser dans robots.txt pour indiquer si le contenu que Google recueille peut aider à améliorer son robot conversationnel Bard et ses services d’IA générative Vertex AI, y compris les générations futures de modèles.

Un exemple de robots.txt

Voici un fichier pour le petit site de portfolio d’une artiste qui veut rester dans les résultats de recherche ordinaires, mais refuser ces deux usages pour l’entraînement de l’IA :

# Autoriser les moteurs de recherche ordinaires et les autres visiteurs
User-agent: *
Allow: /

# Refuser l’entraînement des modèles d’OpenAI
User-agent: GPTBot
Disallow: /

# Refuser l’entraînement de l’IA générative de Google (Bard, Vertex AI)
User-agent: Google-Extended
Disallow: /

Disallow: / veut dire « rien sur ce site ». Si vous voulez protéger une seule section, comme une galerie, vous pouvez plutôt écrire Disallow: /gallery/ et laisser le reste ouvert.

Pour l’installer, enregistrez le texte sous le nom robots.txt et téléversez-le dans le dossier principal de votre site, pour qu’il s’ouvre à votresite.com/robots.txt. Beaucoup de constructeurs de sites et de plateformes de blogue offrent un réglage robots.txt ou « robots d’exploration » au lieu d’un accès aux fichiers; cherchez dans la section SEO ou confidentialité de votre tableau de bord.

À essayer : ouvrez votresite.com/robots.txt dans un navigateur dès maintenant. Si vous ne voyez rien ou une page d’erreur, vous n’avez encore aucune règle. Si vous voyez un fichier, lisez chaque ligne User-agent et vérifiez si GPTBot et Google-Extended y figurent.

Les contrôles pour ce que vous tapez dans les robots conversationnels

Vos prompts et les fichiers que vous téléversez sont une deuxième voie vers les données d’entraînement. Dans ChatGPT, OpenAI affirme que ce que vous tapez peut servir à améliorer ses modèles, et vous pouvez désactiver cette option dans les paramètres, que vous ayez un compte ou non. Les autres robots conversationnels publient leurs propres politiques, qui varient d’un outil à l’autre; lisez donc la page sur les données ou la confidentialité de chaque outil que vous utilisez. Si vous utilisez l’IA pour le travail d’un client ou de votre entreprise, vérifiez aussi si les conditions de votre forfait excluent vos données de l’entraînement.

Les limites à garder en tête

Rien n’est retiré rétroactivement. Bloquer GPTBot aujourd’hui ne retire pas vos pages des données recueillies avant que vous ajoutiez la règle.
Robots.txt est volontaire. Les entreprises sérieuses affirment le respecter, mais c’est une consigne, pas un cadenas. Un robot qui l’ignore peut quand même lire les pages publiques.
Chaque entreprise utilise son propre nom. Une règle pour GPTBot ne dit rien aux autres robots. De nouveaux noms de robots d’IA apparaissent régulièrement, alors revoyez votre fichier de temps en temps.
Les copies ailleurs échappent à votre contrôle. Si votre œuvre a été republiée sur un autre site, c’est le robots.txt de ce site qui s’applique, pas le vôtre.

Quels moyens de refus existent vraiment?

En juin 2024, les moyens fiables sont peu nombreux et précis. Pour les sites Web, il y a les règles pour robots dans robots.txt : GPTBot pour OpenAI et Google-Extended pour les modèles génératifs de Google, avec des noms semblables publiés par quelques autres entreprises. Vous pouvez aussi bloquer les robots au niveau du serveur, par agent utilisateur ou par adresse IP, ce qui est plus ferme qu’une demande dans robots.txt, mais exige plus de travail technique.

Pour les robots conversationnels, il y a les paramètres du compte : le réglage de ChatGPT qui empêche vos conversations d’améliorer ses modèles, et les contrôles ou politiques équivalents des autres outils. Quand un forfait pour entreprises ou pour développeurs promet de ne pas entraîner de modèles sur vos données, cette promesse est une autre forme de refus, inscrite dans le contrat plutôt que dans un interrupteur.

Ce qui n’existe pas encore, c’est un signal universel « ne pas entraîner » que toutes les entreprises d’IA reconnaissent, ou un moyen de retirer votre travail de modèles déjà entraînés. Google elle-même a dit, en annonçant Google-Extended, vouloir explorer d’autres moyens lisibles par machine pour que les éditeurs puissent exprimer leurs choix. En attendant quelque chose de plus large, l’approche pratique se fait par couches : configurez votre robots.txt, ajustez les réglages des outils que vous utilisez, conservez les originaux et les dates de publication de vos œuvres, et surveillez les nouveaux contrôles à mesure que les entreprises les ajoutent.