L'IA est-elle entraînée sur mes données, et puis-je refuser ?
Les modèles de langage sont surtout entraînés sur du texte public, qui peut inclure tes publications, tes avis et tes articles. Mais public ne veut pas dire libre d'usage : droit d'auteur, licences et consentement comptent. Un site peut bloquer les crawlers d'IA dans son fichier robots.txt, et certaines plateformes permettent de refuser. Refuser arrête la collecte future, sans effacer les modèles déjà entraînés.
▶ À toi de jouer
Pourquoi c'est important
Derrière chaque phrase d'entraînement, il y a une personne qui l'a écrite. Connaître les règles t'aide à juger les créateurs d'IA, et à protéger tes propres textes si tu le souhaites.
En 6 minutes, tu sauras
- Si tu gères un site web, tu peux bloquer les crawlers d'IA dans robots.txt tout en restant visible dans les moteurs de recherche.
- Vérifie les réglages IA ou de confidentialité des plateformes où tu publies ; certaines te permettent de refuser l'entraînement.
- Rappelle-toi que refuser vaut pour la suite : ça ne retire pas le texte des modèles déjà entraînés.
Ce que tu vas pratiquer
Quatre mots qui décident
Touche chaque carte pour voir ce qu'il y a derrière.
- ©️ Droit d'auteur
- La personne qui écrit un texte en est en général automatiquement l'auteur et a des droits dessus. Le copier peut demander une autorisation, et savoir si l'entraînement d'IA est concerné se débat devant les tribunaux.
- 📜 Licence
- Une autorisation d'utiliser une œuvre à des conditions précises. Certains textes sont sous licence libre ; d'autres sont cédés aux créateurs d'IA contre de l'argent.
- 🤖 robots.txt
- Un petit fichier sur un site web qui dit aux crawlers quelles pages ils peuvent visiter. Les propriétaires de sites peuvent s'en servir pour dire non aux crawlers d'IA.
- 🧠 Peut-on retirer un texte ensuite ?
- Pas facilement. Refuser arrête la collecte future, mais ce qu'un modèle a déjà appris est réparti sur des milliards de nombres.
Pilote le crawler de Vireo
Le crawler de Vireo demande avant chaque site. Laisse-le collecter, vérifie d'abord les détails, ou ignore le site.
Collecter du texte pour le prochain entraînement de Vireo, de façon loyale.
- Copier une bibliothèque de vieux romans tombés dans le domaine public
Outil Récupérer · tout le site · Trouvé via Liste de collecte de Vireo · Mention du site : tous les livres ici sont dans le domaine public et libres de réutilisation.→ Collecter: Les textes du domaine public sont libres d'usage pour tout le monde. Une excellente source : laisse faire.
- Récupérer toutes les recettes du blog de pâtisserie de Camille
Outil Récupérer · toutes les pages · Trouvé via Un lien sur un autre site · robots.txt : VireoBot n'est autorisé sur aucune page.→ Ignorer: Le robots.txt de Camille dit non au crawler de Vireo. Un crawler responsable le respecte et passe son chemin.
- Télécharger les archives d'un journal en contournant son paywall
Outil Récupérer · contourner la connexion · Trouvé via Sa propre idée · Articles réservés aux abonnés, atteints en sautant la page de connexion.→ Ignorer: Contourner un paywall, c'est prendre un travail vendu contre de l'argent. Il faut une licence, pas une astuce.
- Collecter les réponses d'un forum d'entraide public
Outil Récupérer · pages publiques · Trouvé via Liste de collecte de Vireo · Conditions du forum : les messages sont partagés sous licence libre, réutilisation permise en citant la source.→ Vérifier: Public ne veut pas automatiquement dire libre d'usage, alors vérifie d'abord les conditions. Ici, elles permettent la réutilisation.
- Copier les extraits d'un romancier marqués « interdit pour l'entraînement d'IA »
Outil Récupérer · toutes les pages · Trouvé via Sa propre idée · Pied de page : © l'auteur. Ne pas utiliser pour entraîner une IA.→ Ignorer: L'auteur a clairement dit non. Respecter un refus exprimé fait partie d'une collecte loyale.
- Ajouter les manuels d'un éditeur grâce à un nouvel accord de licence
Outil Licence · accord payant · Trouvé via Service juridique de Vireo · Contrat : Vireo paie l'éditeur, et les auteurs sont informés et touchent une part.→ Vérifier: Une licence peut rendre la chose équitable, mais lis d'abord les conditions : qui a donné son accord, et que reçoit-il ?
- Copier une bibliothèque de vieux romans tombés dans le domaine public
Protège le blog de Camille
Camille veut des lecteurs et les moteurs de recherche, mais pas l'entraînement d'IA. Configure son blog.
- Bloquer les crawlers d'entraînement d'IA dans robots.txt
- Bloquer aussi tous les moteurs de recherche
- Ajouter une mention : « Interdit pour l'entraînement d'IA »
- Afficher son adresse personnelle sur la page À propos
- Vérifier les réglages IA des plateformes où elle publie
Retiens bien
Un texte public appartient quand même à quelqu'un. Un entraînement loyal respecte le droit d'auteur, les licences et les refus.
Public ne veut pas dire libre d'usage. Les crawlers responsables respectent le droit d'auteur, les licences et les refus.
Les chiffres clés
- Les règles robots.txt qui indiquent aux crawlers où ils peuvent aller sont devenues un standard d'internet en 2022. · Source: IETF, RFC 9309: Robots Exclusion Protocol, 2022
- Dans l'UE, les titulaires de droits peuvent réserver leurs œuvres contre la fouille de textes et de données de façon lisible par machine, par exemple dans robots.txt. · Source: Directive (UE) 2019/790 sur le droit d'auteur dans le marché unique numérique, article 4
- Le règlement européen sur l'IA impose aux fournisseurs de modèles d'IA à usage général d'avoir une politique de respect du droit d'auteur de l'UE et de publier un résumé des contenus utilisés pour l'entraînement. · Source: Règlement (UE) 2024/1689 sur l'intelligence artificielle, article 53
- Des chercheurs ont constaté que les sites web ont restreint les crawlers d'IA dans leur robots.txt bien plus souvent en 2023 et 2024 qu'avant. · Source: Longpre et al., Data Provenance Initiative, Consent in Crisis, 2024
Mis à jour:
Les questions qu'on se pose
Les entreprises d'IA peuvent-elles utiliser mes publications publiques pour l'entraînement ?
Elles le font souvent, si les publications sont accessibles publiquement. Que ce soit permis dépend du droit d'auteur de ton pays, des conditions de la plateforme et du fait que toi ou le site ayez refusé.
Comment empêcher l'IA de s'entraîner sur mon site ?
Ajoute dans le robots.txt de ton site des règles qui bloquent les crawlers que les entreprises d'IA utilisent pour l'entraînement. La plupart publient leurs noms. Tu peux les bloquer tout en autorisant les moteurs de recherche.
Puis-je retirer mes données d'un modèle d'IA déjà entraîné ?
En général pas directement : ce qu'un modèle a appris est réparti sur ses paramètres. Le RGPD te permet de demander l'accès à tes données personnelles et leur effacement, et certaines entreprises acceptent de les exclure des futurs entraînements. En cas de refus, tu peux saisir la CNIL.
Entraîner une IA sur des textes protégés, est-ce légal ?
Ça dépend du pays et ce n'est pas encore tranché. Dans l'UE, la fouille de textes et de données est permise sauf si le titulaire des droits s'y oppose, et plusieurs procès testent où passent les limites.
Termes associés