Refuser l'entraînement des IA : le signal robots.txt commun expliqué

Qu'est-ce que Google, OpenAI et Microsoft ont annoncé le 30 octobre ?

Les trois groupes ont indiqué qu'ils prévoient de respecter un signal commun placé dans le fichier robots.txt, qui permet à un site d'exprimer en une fois sa préférence sur l'entraînement des IA, au lieu de la répéter robot par robot. Aucun des trois ne le respecte encore aujourd'hui.

Le fichier robots.txt est un petit fichier texte placé à la racine d'un site (par exemple votresite.fr/robots.txt). Les robots qui visitent le site le lisent pour savoir ce qu'on leur permet de consulter. C'est une convention vieille de plus de trente ans, respectée par les robots des grands acteurs, mais que rien n'oblige techniquement à suivre.

Le 30 octobre 2026, John Mueller, de Google, a publié sur le blog officiel de Google Search Central que Google prévoit de prendre en charge un contrôle d'entraînement partagé, fondé sur les travaux du groupe AIPREF de l'IETF (l'organisme qui définit les normes d'Internet). Le même jour, OpenAI et Microsoft ont annoncé leur intention de faire de même, d'après la synthèse de Search Engine Journal publiée le 1er novembre. Google dit viser 2027 pour le prendre en charge, avec les autres fournisseurs d'IA.

Ces informations viennent de Google, de la page de l'IETF et de la presse spécialisée, pas d'un communiqué d'OpenAI que je n'ai pas pu ouvrir moi-même. Le tableau repose donc, pour OpenAI, Microsoft et Anthropic, sur le récit de Search Engine Journal. À garder en tête.

Pourquoi un signal commun, alors que robots.txt existe déjà ?

Parce que la situation actuelle est pénible : chaque entreprise d'IA a son propre robot, avec son propre nom, et un site qui veut refuser l'entraînement doit les lister un par un, en espérant ne pas en oublier. Un signal unique simplifie la démarche.

Aujourd'hui, pour dire « je ne veux pas que mes pages servent à entraîner vos modèles », il faut connaître le nom de chaque robot : GPTBot pour OpenAI, Google-Extended pour Google, et ainsi de suite. Les noms changent, de nouveaux apparaissent, et une liste faite il y a un an est déjà incomplète. Quand on administre plusieurs sites, c'est un entretien permanent.

Autre source de confusion : tous ces robots ne font pas la même chose. Certains collectent des pages pour entraîner un modèle, d'autres vont chercher des pages pour répondre en direct à une question, d'autres encore alimentent un moteur de recherche. Refuser l'un n'empêche pas forcément d'être cité par l'autre, et c'est précisément ce que beaucoup de chefs d'entreprise ne savent pas lorsqu'ils me demandent « comment bloquer l'IA ».

Le projet de norme a le mérite de ne rien inventer de nouveau côté syntaxe. Il reprend les commandes de robots.txt que tout le monde connaît, en y ajoutant un nom de « jeton » qui désigne un usage (l'entraînement) plutôt qu'un robot précis. Pour un site, la promesse est simple : une règle, plusieurs fournisseurs.

À quoi ressemble la règle dans le fichier robots.txt ?

Elle s'écrit comme une règle ordinaire, mais sous un nom particulier : __usage_ai-training. Un Disallow exprime un refus de l'entraînement pour les chemins concernés, un Allow exprime une préférence favorable.

Voici l'exemple donné dans le projet de norme (Internet-Draft de Kevin Kelley, d'Anthropic, daté du 30 octobre 2026) :

User-Agent: __usage_ai-training
Disallow: /
Allow: /presse/

Lecture en français : « je ne souhaite pas que mon contenu serve à entraîner des IA, sauf le dossier /presse/, où je suis d'accord ». Le projet précise quelques règles de lecture qui comptent beaucoup en pratique :

• Il faut écrire le jeton explicitement. Un groupe générique User-Agent: * ne compte jamais comme une réponse à ce signal. Si votre robots.txt dit déjà « tous les robots, interdit », cela ne vaut pas préférence sur l'entraînement.
• Si aucun groupe ne cite le jeton, aucune préférence n'est exprimée. Ne rien écrire n'est pas un accord, c'est une absence de message.
• Le jeton n'est pas une interdiction de visiter. Il dit ce qu'on a le droit de faire du contenu, pas si un robot peut le consulter. Pour limiter les visites elles-mêmes, il faut continuer à utiliser les règles propres à chaque robot.
• Les règles par robot restent valables. Le projet précise qu'elles fonctionnent comme avant et ne sont pas écrasées par le jeton.

Le nom surprend avec ses deux tirets bas au début : ce n'est pas un vrai robot, c'est un « jeton de politique ». Il est là pour que les fournisseurs reconnaissent le message sans le confondre avec un nom de robot.

Que devient Google-Extended, et que se passe-t-il pour mon référencement ?

Google-Extended continue de fonctionner. Si vous refusez l'entraînement avec le jeton commun sans rien préciser pour Google-Extended, Google prévoit de traiter votre message comme un blocage de Google-Extended. Et selon Search Engine Journal, ce contrôle n'affecte pas la présence de votre site dans les résultats de recherche Google.

C'est la question qui revient le plus : « si je bloque l'IA, vais-je disparaître de Google ? » D'après l'annonce, la réponse est non pour ce contrôle précis. Google-Extended concerne l'usage de vos contenus par les services d'IA générative de Google (le billet de Google mentionne l'application Gemini), pas l'indexation classique de vos pages.

Google précise aussi un point à double tranchant : les sites qui autorisent explicitement Google-Extended peuvent être cités dans les réponses de Gemini et en recevoir du trafic. Refuser, c'est donc aussi renoncer à cette visibilité-là. Il n'y a pas de bonne réponse universelle, c'est un choix d'entreprise.

Autre contrôle à ne pas confondre : le réglage de la Search Console pour sortir des réponses IA de la recherche Google (AI Overviews, AI Mode). D'après Search Engine Roundtable, il reste en vigueur à côté du signal commun et ne se confond pas avec lui.

Pourquoi Microsoft ajoute-t-il une préférence séparée pour les réponses IA ?

Parce que Microsoft distingue deux usages : l'entraînement d'un modèle, et l'utilisation d'une page pour fabriquer une réponse (« grounding »). Un site pourra refuser le premier sans renoncer au second, d'après le récit de Search Engine Journal.

Concrètement, Search Engine Journal rapporte que Microsoft honorera ses nouvelles options à partir du 1er février 2027, au fil de ses visites. La préférence sur les réponses IA s'exprime par une balise dans la page ou un en-tête HTTP, ce qui permet de la régler page par page. Par défaut, l'usage est autorisé.

Deux points sont à surveiller si vous utilisez déjà les anciennes balises noarchive ou nocache pour limiter ce que Copilot fait de vos pages : selon la même source, elles cessent d'exprimer une préférence d'entraînement ou de réponse IA après le 1er mars 2027. Microsoft proposerait une solution provisoire dans Bing Webmaster Tools à partir du 15 décembre. Ces dates ne viennent que d'une source que j'ai pu ouvrir, je vous conseille de les revérifier dans la documentation de Microsoft avant d'agir.

Si vous gérez un site sur lequel quelqu'un a déjà posé ces balises « pour se protéger de l'IA » il y a un ou deux ans, c'est le bon moment pour demander à votre prestataire de vous dire lesquelles sont en place. Beaucoup de gens ne le savent plus.

Ce signal protège-t-il vraiment mes contenus ?

Pas au sens d'une protection technique. C'est une demande adressée à des entreprises qui acceptent de la respecter, et uniquement pour l'avenir. Elle ne retire rien de ce qui a déjà servi à entraîner un modèle et ne bloque pas un robot qui ne joue pas le jeu.

Je trouve important de le dire clairement, parce que le titre de certains articles laisse croire à une solution définitive. Voici les limites que je retiens :

• Ce n'est pas encore actif. Search Engine Journal le rappelle : aucun des trois groupes ne prend le signal en charge aujourd'hui. L'écrire maintenant ne change rien, sauf pour les robots qui voudraient déjà l'anticiper.
• Ce n'est pas une norme adoptée. Le texte est un projet individuel (Internet-Draft), non approuvé par l'IETF, qui expire le 3 mai 2027 s'il n'est pas repris. Il peut encore changer. Search Engine Roundtable rapporte qu'un participant du groupe de travail évoque des désaccords importants.
• Ça ne vaut que pour l'avenir. La préférence qui s'applique à un contenu est celle du robots.txt en vigueur au moment où il a été récupéré.
• Un accord privé peut primer. Le projet de norme prévoit que des accords particuliers entre un site et un fournisseur peuvent l'emporter.
• Ce n'est pas de la sécurité. Le fichier robots.txt est public, et un acteur malveillant n'a aucune raison de le suivre. Si un contenu est vraiment confidentiel, il doit être derrière une connexion, pas derrière un robots.txt.

Faut-il refuser l'entraînement des IA sur son site d'entreprise ?

Cela dépend de ce que vous vendez. Un cabinet qui publie de l'expertise gratuitement a souvent intérêt à être lu et cité par les IA. Un éditeur de contenu payant, une photothèque ou un annuaire dont la valeur est la donnée elle-même aura plutôt intérêt à refuser.

Je ne vais pas vous dire que refuser est « mieux » ou qu'accepter est « mieux ». Les deux positions se défendent, et ce choix relève de la stratégie de l'entreprise, pas de la technique. Voici comment j'aide mes clients à y voir clair :

1. Qu'est-ce que vous vendez ? Si votre contenu est votre produit, il y a un enjeu direct. Si votre contenu sert à vous faire connaître, il y a plutôt un enjeu de visibilité.
2. Qui vous trouve aujourd'hui ? Regardez dans vos statistiques si des visiteurs arrivent depuis des assistants IA. Si oui, refuser les services concernés a un coût.
3. Distinguer entraînement et réponses. On peut vouloir être cité dans une réponse en direct tout en refusant d'être absorbé dans un modèle. Les deux ne se règlent pas avec le même levier.
4. Noter ce qui existe déjà. Ouvrez votre robots.txt, repérez les règles GPTBot, Google-Extended ou autres déjà posées, et demandez-vous qui les a mises, quand, et pourquoi.
5. Attendre l'activation réelle. Rien ne presse tant que Google, OpenAI et Microsoft n'ont pas rendu le signal effectif. Mieux vaut décider calmement que copier un exemple trouvé en ligne.

Honnêtement, ce que je vois le plus souvent chez les petites entreprises, ce n'est pas un mauvais choix mais l'absence de choix : un fichier robots.txt généré automatiquement par une extension, jamais relu, parfois avec des règles qui bloquent par erreur des pages utiles. Le premier gain est là.

Comment Studio Creative peut vous aider sur ce sujet ?

Je peux relire votre robots.txt et vos réglages d'exposition aux IA, vous expliquer en langage clair ce qui est en place, et mettre en œuvre la politique que vous choisissez. Devis gratuit sous 24 h, sans engagement.

Je développe des sites et des applications depuis une vingtaine d'années. Sur ce sujet, voici ce que je propose aux professionnels :

Ce travail s'appuie sur mon accompagnement en référencement et GEO pour les assistants IA. Si votre site doit être refait ou nettoyé de fond en comble, la création de site internet comprend ces réglages dès le départ, et l'hébergement ainsi que la maintenance se font en forfait mensuel. Pour un outil métier qui expose des données, je vous renvoie plutôt vers les applications sur mesure.

Le plus simple : envoyez-moi l'adresse de votre site par le formulaire de contact ou appelez le 06 37 29 19 67.

Vos questions

Article publié le 3 novembre 2026.