USA : Un nouveau dispositif pour permettre aux sites web de refuser l’utilisation de leurs contenus pour entraîner les modèles
Un projet de standard porté à l’Internet Engineering Task Force (IETF) par Kevin Kelley, ingénieur chez Anthropic, propose un mécanisme pour signaler de manière lisible par les machines les préférences des éditeurs de sites concernant l’utilisation de leurs contenus pour entraîner des modèles d’intelligence artificielle. Une initiative qui pourrait renforcer le contrôle des producteurs de contenus sur leurs publications, sans toutefois garantir à elle seule le respect de leurs choix.
Publié le 30 octobre 2026 sous la forme d’un Internet-Draft, le document intitulé Machine-Readable Training Preference Signal propose d’utiliser le fichier robots.txt, déjà employé par les sites web pour communiquer leurs consignes aux robots d’exploration. Microsoft, Google et OpenAI y ont déjà donné leur accord.
Son principe est d’introduire un identifiant commun, usage_ai-training, dans les règles de ce fichier. Les exploitants de sites pourraient ainsi indiquer les chemins de leur site pour lesquels ils expriment une préférence favorable ou défavorable à l’utilisation de leurs contenus dans l’entraînement de modèles d’IA générative.
Concrètement, une règle Disallow: / associée à cet identifiant exprimerait une préférence contre l’utilisation des contenus concernés pour l’entraînement. À l’inverse, une règle Allow pourrait signaler une autorisation préférentielle pour certains répertoires, par exemple un espace de ressources presse.
Distinguer l’entraînement de l’exploration du web
L’un des points importants de cette proposition est la distinction entre l’exploration d’un site et l’utilisation ultérieure de ses contenus. Le mécanisme ne modifie pas les règles habituelles de robots.txt destinées à encadrer le comportement des robots d’exploration.
Un éditeur pourrait donc autoriser l’accès de certains robots à ses pages tout en exprimant une préférence défavorable à leur utilisation pour entraîner des modèles d’IA. Les deux types de règles sont indépendants.
Le projet précise également que les préférences doivent être interprétées selon des règles communes, indépendamment des identifiants propriétaires déjà utilisés par certains acteurs. Il prévoit toutefois que des accords privés puissent prévaloir sur les préférences exprimées par ce mécanisme.
Une avancée technique, mais pas une garantie juridique
Cette proposition s’inscrit dans un débat plus large sur les conditions d’utilisation des contenus en ligne par les systèmes d’intelligence artificielle. Pour les médias, les éditeurs, les auteurs et les autres producteurs de contenus, la question est centrale : comment faire connaître leurs choix et rendre ces préférences compréhensibles par les différents acteurs de l’écosystème numérique ?
Le dispositif présente l’avantage de s’appuyer sur une infrastructure largement connue, sans imposer de nouvelles directives au fonctionnement de robots.txt. Mais ses limites sont importantes : il s’agit d’un signal de préférence, et non d’un mécanisme technique capable d’empêcher toute collecte ou utilisation non souhaitée. Son efficacité dépendra notamment de son adoption et du respect de ces indications par les entreprises qui développent ou exploitent des modèles d’IA.
Soumis à l’Internet Engineering Task Force (IETF), le texte est un projet de standard en cours de discussion, et non une norme définitivement adoptée. Il témoigne néanmoins d’une évolution importante : au-delà des questions de performance et d’innovation, la gouvernance de l’IA passe aussi par la capacité des producteurs de contenus à exprimer leurs conditions d’utilisation.