C’est une avancée importante pour les éditeurs de sites Web, les médias et les créateurs de contenu. Google, OpenAI, Microsoft et Anthropic soutiennent une nouvelle initiative qui permettra aux propriétaires de sites Internet de refuser plus facilement que leurs textes, images et autres contenus soient utilisés pour entraîner des modèles d’intelligence artificielle. Annoncée le 30 octobre, cette démarche vise à établir un mécanisme commun, alors que les entreprises d’IA sont de plus en plus critiquées pour leur utilisation des contenus publiés sur Internet.

Jusqu’à présent, les éditeurs qui souhaitaient empêcher les entreprises d’IA d’utiliser leurs contenus devaient généralement configurer des restrictions particulières pour chacune d’entre elles. Google, OpenAI, Microsoft et Anthropic possèdent leurs propres robots d’exploration, ces programmes qui parcourent automatiquement les pages Web pour en recueillir les informations. La nouvelle approche permettrait de communiquer une seule préférence à l’ensemble des entreprises participantes, sans avoir à gérer individuellement chaque robot.

Au cœur de cette initiative se trouve un mécanisme appelé « policy token », proposé par Kevin Kelley, responsable technique des normes chez Anthropic. Le dispositif s’appuie sur le fichier robots.txt, un petit fichier placé à la racine d’un site Web qui sert depuis des décennies à communiquer des instructions aux robots d’exploration. Il permettrait désormais d’indiquer clairement que les contenus d’un site ne doivent pas servir à entraîner des modèles d’IA générative. La proposition a été déposée auprès de l’Internet Engineering Task Force (IETF), l’organisme international qui participe à l’élaboration des normes techniques d’Internet. Il s’agit toutefois encore d’un projet de norme, et non d’un standard officiellement adopté.

Concrètement, un éditeur pourrait ajouter une instruction commune à son fichier robots.txt afin d’exprimer son refus. Les entreprises qui reconnaissent ce signal s’engageraient alors à respecter cette préférence dans l’utilisation des contenus pour l’entraînement de leurs modèles. La proposition permet également de faire des exceptions pour certaines sections d’un site. Par exemple, un média pourrait refuser l’entraînement sur ses articles tout en l’autorisant pour une partie de ses archives publiques.

Les quatre entreprises avancent cependant à des rythmes différents. Anthropic a commencé à mettre en œuvre le mécanisme, tandis qu’OpenAI prévoit l’intégrer dans les prochains mois. Google vise 2027 et Microsoft annonce une application à compter du 1er février 2027. Les outils de contrôle déjà disponibles continueront de fonctionner, du moins chez Google et OpenAI. Cette période de transition signifie que les éditeurs devront encore maintenir certaines restrictions individuelles avant de pouvoir compter sur une application plus généralisée du nouveau mécanisme.

Un autre élément important concerne la différence entre l’entraînement d’une intelligence artificielle et l’utilisation de contenus pour produire une réponse. Lorsqu’une entreprise entraîne un modèle, elle utilise des données pour développer ses capacités. En revanche, lorsqu’un assistant comme Copilot ou Gemini consulte des pages Web pour répondre à une question, il peut exploiter des informations récentes sans nécessairement les intégrer à son entraînement. Microsoft souhaite justement permettre aux éditeurs de contrôler séparément ces deux utilisations. Un site pourrait donc refuser que ses articles servent à entraîner des modèles tout en autorisant leur consultation pour produire des réponses accompagnées de références.

Cette distinction est particulièrement importante pour les médias d’information. Plusieurs éditeurs souhaitent empêcher l’utilisation gratuite de leurs articles pour développer des modèles commerciaux, mais ils veulent également conserver leur visibilité dans les moteurs de recherche et les assistants conversationnels. Microsoft précise que les nouveaux paramètres n’empêcheront pas un site de figurer dans les résultats traditionnels de Bing. Google maintient également ses propres mécanismes permettant de gérer certaines utilisations des contenus dans ses services d’intelligence artificielle.

Meta, de son côté, a accueilli favorablement l’idée d’un mécanisme commun, sans toutefois confirmer qu’elle appliquera cette nouvelle préférence. L’entreprise derrière Facebook, Instagram et WhatsApp ne fait donc pas partie des acteurs ayant annoncé un calendrier d’adoption. Cette absence rappelle que l’efficacité du dispositif dépendra largement du nombre d’entreprises qui accepteront de le respecter.

L’initiative comporte aussi plusieurs limites. Le fichier robots.txt fonctionne essentiellement comme un ensemble d’instructions volontaires. Il n’empêche pas techniquement un robot malveillant ou une entreprise qui refuse de coopérer de récupérer des informations accessibles publiquement. La nouvelle préférence ne retire pas non plus les contenus déjà utilisés dans les ensembles de données ayant servi à entraîner des modèles existants. Elle concerne avant tout les utilisations futures par les entreprises qui s’engagent à la respecter.

Sur le plan réglementaire, cette initiative rejoint les préoccupations exprimées en Europe concernant le respect du droit d’auteur et la transparence des systèmes d’intelligence artificielle. Google établit d’ailleurs un lien direct entre cette proposition et le code de bonnes pratiques européen pour les modèles d’IA à usage général, qui reconnaît robots.txt comme un moyen de communiquer des préférences concernant l’utilisation des contenus. Le mécanisme pourrait ainsi contribuer à simplifier les relations entre les développeurs d’IA et les détenteurs de droits, sans toutefois régler les différends juridiques sur l’utilisation des œuvres protégées.

Pour les éditeurs, cette annonce représente donc un progrès, mais pas une garantie absolue. Elle simplifie la manière de communiquer un refus, sans créer automatiquement un droit à rémunération ni un système universel de protection contre la collecte de données. La question des licences, des compensations financières et de l’utilisation passée des contenus demeure entière.

Cette collaboration entre quatre entreprises concurrentes illustre néanmoins une évolution dans les rapports entre l’industrie de l’intelligence artificielle et les producteurs de contenu. Après des années de tensions autour de la récupération des informations disponibles sur le Web, les grands développeurs de modèles commencent à reconnaître la nécessité de mécanismes communs permettant aux éditeurs d’exprimer leurs choix. Reste maintenant à déterminer si ces engagements volontaires seront suffisamment respectés et largement adoptés pour rééquilibrer les relations entre ceux qui produisent les contenus et ceux qui les utilisent pour développer l’intelligence artificielle.

Sources : OpenAI, Google, Bing, IETF

+++++++

Du lundi au vendredi, Bruno Guglielminetti vous propose un regard sur
l’essentiel de l’actualité numérique avec 120 secondes de Tech.

Ou encore…

Écoutez la plus récente édition de Mon Carnet,
le magazine hebdomadaire de l’actualité numérique.