Contrôler l'entraînement IA de votre site : ce que change AIPREF en 2027

Bloquer GPTBot, puis ClaudeBot, puis Google-Extended, puis le prochain robot dont personne n'a encore entendu parler : pour contrôler l'entraînement IA de son site, un responsable web empile aujourd'hui des lignes dans robots.txt, fournisseur par fournisseur. Chaque nouvel acteur oblige à revenir dans le fichier, et un oubli suffit pour que vos pages alimentent un modèle sans votre accord.

Fin octobre 2026, Google, Microsoft, OpenAI et Anthropic ont annoncé qu'ils suivraient un signal commun, issu d'un groupe de travail sur les standards d'Internet. Deux questions se posent alors : que fait ce signal exactement, et que devez-vous vérifier avant qu'il devienne actif ?

Qu'est-ce que le standard AIPREF ?

Cet organisme de normalisation rédige les standards techniques d'Internet. Son fonctionnement est ouvert : n'importe qui peut participer aux discussions, à condition d'y consacrer du temps. AIPREF est l'un de ses groupes de travail. Sa mission consiste à définir un vocabulaire commun pour dire, de façon lisible par une machine, quels usages de son contenu par une IA un éditeur accepte ou refuse.

La norme AIPREF n'est pas finalisée. Ce que les fournisseurs vont appliquer, c'est une première brique : la définition de « l'entraînement IA » arrêtée par le groupe, associée à un signal dans robots.txt. Le reste du vocabulaire est encore en discussion.

Pourquoi Google, Microsoft (Bing), OpenAI et Anthropic s'y engagent-ils de leur plein gré ? Google évoque des demandes d'éditeurs, de la société civile et de régulateurs, qui réclamaient un moyen simple d'exprimer ces préférences. Le contexte réglementaire pèse aussi. Le code de bonnes pratiques européen destiné aux fournisseurs de modèles d'IA à usage général, adossé à l'AI Act, reconnaît robots.txt comme la méthode principale pour exprimer une préférence lisible par machine.

Depuis le 2 août 2025, ces fournisseurs doivent publier un résumé des contenus ayant servi à entraîner leurs modèles, à partir d'un modèle de document publié par la Commission européenne le 24 juillet 2025. Pour les modèles déjà sur le marché avant l'entrée en application de cette règle, l'échéance est fixée au 2 août 2027, sous peine d'amende. Mon analyse : un signal commun arrange aussi les fournisseurs, car il leur donne une règle unique à respecter et à documenter.

Une ligne dans robots.txt au lieu d'une liste de robots

Le fichier robots.txt fonctionne par blocs. Chaque bloc commence par une ligne User-agent qui désigne un robot, puis indique ce qu'il peut ou ne peut pas explorer. Pour refuser l'entraînement aujourd'hui, il faut donc un bloc par fournisseur : GPTBot pour OpenAI, ClaudeBot pour Anthropic, Google-Extended pour Google, et ainsi de suite.

AIPREF garde cette mécanique mais change de cible. Le user-agent __usage_ai-training ne correspond à aucun robot réel. C'est un policy token, une étiquette partagée que chaque fournisseur participant s'engage à lire comme une préférence sur l'entraînement de ses modèles. Google a ajouté sur sa page consacrée à ses robots d'exploration une note indiquant qu'il prévoit de prendre en charge ce signal début 2027.

Dans l'état actuel des annonces, un refus global d'entraînement prendrait cette forme :

User-agent: __usage_ai-training
Disallow: /

Deux lignes remplacent ainsi une liste qui s'allonge à chaque nouvel acteur. Le gain se mesure surtout dans la durée : un fournisseur qui rejoint la démarche respecte votre choix sans que vous ayez à toucher au fichier.

Un point mérite d'être clair. Ce signal parle d'usage pour l'entraînement, pas d'exploration pour le référencement. Il ne vise pas Googlebot ni l'indexation de vos pages dans la recherche classique. La syntaxe exacte peut encore évoluer d'ici 2027 : mon conseil est d'attendre la documentation officielle de chaque fournisseur avant de la considérer comme définitive.

Google-Extended et Search Console ne disparaissent pas

Google dispose déjà de deux leviers. Google-Extended est un user-agent dédié : le bloquer dans robots.txt indique à Google que vos contenus ne doivent pas servir à ses modèles Gemini. La Search Console propose de son côté une option de retrait pour les fonctions d'IA générative de la recherche.

Ces outils restent en place. Google l'a précisé : les contrôles propres à chaque entreprise continueront de fonctionner à côté du signal commun. La règle de cohabitation tient en une phrase. Si votre robots.txt refuse l'entraînement via __usage_ai-training sans mentionner Google-Extended, Google traitera ce refus comme un blocage de Google-Extended. Si Google-Extended est cité explicitement, c'est cette consigne spécifique qui permet d'ajuster le comportement de Google.

Pourquoi garder les deux ? Parce qu'ils ne répondent pas à la même question. Le signal AIPREF exprime une position générale, valable pour tous les fournisseurs qui le suivent. Les contrôles individuels affinent cette position fournisseur par fournisseur. Et l'option de la Search Console concerne la recherche Google elle-même, un périmètre que le jeton d'entraînement ne prétend pas couvrir.

Le risque pratique se situe dans les fichiers déjà en place. Un robots.txt qui contient un ancien bloc Google-Extended, ajouté un jour par une extension ou un prestataire, pèsera dans l'interprétation de Google face à votre nouveau choix global. Un fichier cohérent en 2027 suppose donc de relire celui d'aujourd'hui.

Contrôler l'entraînement IA de son site : tout fermer ou trier

Le signal commun ouvre deux stratégies. La première : un refus global, valable pour tous les fournisseurs participants. La seconde : un refus global assorti d'exceptions choisies.

L'exception la plus parlante concerne Google. Un site qui autorise explicitement Google-Extended reste éligible pour apparaître dans les réponses de Gemini Apps et recevoir des clics via l'ancrage (grounding), c'est-à-dire quand Gemini s'appuie sur une page pour étayer sa réponse. Concrètement :

User-agent: __usage_ai-training
Disallow: /

User-agent: Google-Extended
Allow: /

Ce fichier dit aux fournisseurs participants « pas d'entraînement », tout en gardant une porte ouverte vers Gemini. Google annonce cette lecture pour son propre compte. Les autres fournisseurs peuvent procéder de la même manière, mais rien ne garantit à ce stade qu'ils traiteront tous les exceptions à l'identique.

Il faut aussi distinguer l'entraînement de l'usage. Entraîner un modèle modifie ses paramètres internes de façon durable. Lire une page au moment d'une question, puis l'ajouter au contexte de la réponse, ne change rien au modèle : c'est le principe du RAG (génération augmentée par recherche d'information). Bloquer l'entraînement n'empêche donc pas, en soi, qu'une IA lise votre page pour répondre à quelqu'un.

C'est là que se loge le principal point de désaccord. Un participant actif du groupe de travail reproche au brouillon actuel d'exempter, en pratique, tout ce qu'un utilisateur déclenche lui-même. Pour un artisan ou un créateur copié par des contenus générés en série, cette exemption réduit la portée du signal. Le débat n'est pas clos.

Comment préparer votre robots.txt d'ici 2027

Le signal ne sera pris en charge par Google qu'au début de 2027. Ce délai laisse le temps de faire le ménage, à condition de commencer par un état des lieux.

• Lisez votre fichier actuel. Il se trouve à l'adresse votresite.fr/robots.txt. Repérez chaque bloc qui vise un robot d'IA et identifiez qui l'a ajouté.
• Identifiez l'outil qui le génère. Sur WordPress, des extensions comme Yoast ou All in One SEO écrivent ce fichier, et All in One SEO propose déjà des réglages pour autoriser ou bloquer les robots d'IA. Vérifiez qu'une modification manuelle ne sera pas écrasée à la prochaine mise à jour.
• Ne confondez pas avec llms.txt. Ce fichier, que ces mêmes extensions savent générer, sert de plan de site à destination des IA. Il n'interdit rien, et son effet réel n'est pas démontré à ce jour.
• Traquez les contradictions. Un ancien bloc Google-Extended en Allow, combiné à un futur refus global, produit l'exception décrite plus haut. Assurez-vous qu'elle est voulue.

Mon conseil : traitez robots.txt comme une pièce de configuration à part entière, versionnée et documentée, au même titre que les redirections. Ce réflexe a sa place dans tout projet de création de site web, car ce fichier conditionne ce que les robots voient de l'entreprise.

Restent les questions de fond, à poser dès maintenant. Vos pages contiennent-elles un savoir-faire qui fait votre valeur commerciale : grilles tarifaires, méthodes, contenus de formation ? Ou servent-elles surtout à vous faire connaître ? Avant de tout fermer, mesurez ce que les réponses IA de Google vous apportent déjà. La démarche pour suivre votre visibilité dans les AI Overviews avec la Search Console donne une base chiffrée à cette décision.

Un levier centralisé, pas encore une règle

AIPREF remplace une liste de robots à tenir à jour par une seule déclaration d'intention, que Google, Microsoft, OpenAI et Anthropic s'engagent à lire. Pour une PME sans responsable web à plein temps, c'est un progrès concret. Mais ce signal reste volontaire, limité à l'entraînement, et le texte n'est pas arrêté.

Robots.txt reste par ailleurs une convention, pas un verrou : un robot qui ne joue pas le jeu peut l'ignorer. Le signal clarifie votre position, il ne suffit pas à la faire respecter.

La décision qui compte n'est donc pas technique. Elle porte sur la valeur de vos contenus : votre site est-il d'abord une vitrine qui gagne à apparaître dans les réponses des IA, ou un capital de savoir-faire que vous préférez garder hors des modèles ?

Sources : Search Engine Roundtable : Google Adopts New AI Training Control LinkedIn : Gestion des robots IA sur son site internet, nouveauté Les Numériques : l'UE exige les données d'entraînement de leurs IA Louis Bouchard : Pourquoi le RAG n'entraîne pas votre IA