Entraînement des IA : OpenAI, Google, Microsoft et Anthropic adoptent un signal commun dans robots.txt

En une phrase : Si tu publies un site, un blog ou un portfolio, tu pourras bientôt refuser en une seule règle de ton fichier robots.txt que tes contenus entraînent les IA d’OpenAI, de Google, de Microsoft et d’Anthropic, au lieu d’écrire une règle par robot ; mais ce signal n’est qu’une préférence, appliquée à des dates différentes selon l’éditeur, et il ne retire rien des modèles déjà entraînés.

Le fichier robots.txt, placé à la racine d’un site, indique depuis les années 1990 aux robots d’exploration ce qu’ils peuvent visiter. Avec l’IA générative, il sert aussi à dire si l’on accepte que ses pages entraînent des modèles. Jusqu’ici, il fallait viser chaque robot séparément. L’annonce commune du 30 octobre 2026 change cette mécanique. Pour suivre ces questions, voir notre rubrique Société & droit.

Ce qui a été annoncé

Le 30 octobre 2026, OpenAI a annoncé qu’il respecterait un signal commun dans robots.txt pour exprimer une préférence sur l’usage des contenus dans l’entraînement de l’IA générative. L’entreprise vise une mise en œuvre « dans les prochains mois » (traduction Le Latent) et précise que ses contrôles existants, comme les règles visant son robot GPTBot, restent valables.

Le même jour, Google a publié sur son blog Search Central son intention de soutenir ce contrôle partagé, en 2027. Quand un site refuse l’entraînement avec ce jeton sans mentionner Google-Extended, le jeton propre à Google depuis 2023, Google l’interprétera comme un refus de Google-Extended. Google ajoute que la proposition est cohérente avec le code de bonnes pratiques européen des fournisseurs de modèles d’IA à usage général, qui reconnaît robots.txt comme moyen d’exprimer ses préférences.

Microsoft appliquera ce signal à partir du 1er février 2027, selon le blog de Bing. Il ajoute une préférence distincte, page par page, pour l’« ancrage » (grounding) : l’usage d’un contenu pour nourrir une réponse générée au moment où elle est rédigée, comme dans Copilot. Ces réglages remplacent les anciennes balises NoArchive et NoCache, qui ne seront plus lues comme des préférences d’entraînement ou d’ancrage après le 1er mars 2027.

Côté Anthropic, The Verge indique que l’entreprise a déjà adopté le signal, proposé par l’un de ses responsables des normes, Kevin Kelley. Le média cite aussi le directeur de la communication de Meta, Andy Stone, qui salue l’initiative sans dire si Meta la respectera.

Comment fonctionne le signal

Le mécanisme est décrit dans un brouillon de norme déposé à l’IETF, l’organisme qui élabore les normes techniques d’Internet, le 30 octobre 2026. Il s’agit d’un document individuel : la page de l’IETF précise qu’il n’est pas approuvé par l’organisme et n’a aucun statut officiel à ce stade. Il reprend la définition de l’entraînement arrêtée par le groupe de travail AI Preferences de l’IETF : utiliser un contenu pour modifier les paramètres appris d’un modèle génératif.

Concrètement, un site ajoute un groupe de règles dont la ligne « User-Agent » porte le jeton __usage_ai-training. Le brouillon cite ces lignes, qui refusent l’entraînement sur tout le site sauf le dossier presse :

User-Agent: __usage_ai-training
Disallow: /
Allow: /press-kit/

Trois précisions comptent, selon le texte du brouillon :

• la règle générale User-Agent: * ne vaut pas pour ce jeton : sans groupe dédié, aucune préférence n’est exprimée ;
• ce jeton n’est pas une consigne d’exploration : pour empêcher un robot de visiter tes pages, il faut toujours viser son nom ;
• les règles propres à un éditeur peuvent être traitées comme plus précises que le signal commun, et un accord privé peut primer.

Ce que ça change pour toi

Si tu gères un site, une seule règle suffira à exprimer ton refus auprès de tous les éditeurs participants, au lieu de suivre la liste des robots de chacun. Mais garde tes règles actuelles : OpenAI et Google disent qu’elles continuent de s’appliquer, et le signal commun n’est pas encore actif partout.

Le choix a un coût possible. Microsoft prévient sur son blog que refuser l’ancrage réduit la visibilité d’un site dans les réponses de ses IA, sans toucher à sa présence dans les résultats classiques de Bing. Google rappelle de son côté que les sites qui autorisent Google-Extended peuvent apparaître dans les réponses de ses applis Gemini. Microsoft précise enfin qu’aucun réglage ne garantit trafic ou rémunération.

Pour les contenus personnels que tu publies sur les réseaux sociaux, ce signal ne t’aide pas : il concerne les sites que tu contrôles. Pour t’opposer à l’usage de tes publications et conversations, suis notre guide sur l’entraînement des IA sur tes données et la notion de droit d’opposition.

Ce qu’on ne sait pas encore

Le signal reste volontaire : un robot qui ne le lit pas n’est pas bloqué. Il ne vaut que pour les entraînements futurs, Microsoft parlant de l’usage pour l’entraînement « futur » des modèles. OpenAI n’a pas donné de date précise. Et le texte peut encore changer : le brouillon expire le 3 mai 2027 s’il n’est pas révisé, selon la fiche de l’IETF.

En Europe, la question touche aussi le droit d’auteur et les obligations de l’AI Act pour les fournisseurs de modèles, dont nous suivons le calendrier d’application. Certains modèles, comme le suisse Apertus 1.5, disent déjà appliquer rétroactivement les refus exprimés dans robots.txt.