En 2026, un juge américain décrivait la situation des éditeurs face à l’IA de Google comme « vraiment injuste », tout en rappelant que Google respecte formellement les mécanismes d’opt-out des sites. Dans le même temps, au Royaume‑Uni, le régulateur a obligé Google à offrir aux éditeurs un vrai contrôle sur l’usage de leurs contenus par ses modèles d’IA. Et en Europe, l’EU AI Act impose désormais aux fournisseurs de modèles généralistes de publier un résumé détaillé de leurs données de training.

Pour une équipe produit ou juridique, entraîner des modèles sur des contenus protégés n’est donc plus un simple problème de technique : c’est un exercice d’équilibriste entre licences, opt‑out, contraintes Google et nouvelles obligations réglementaires. Ce guide propose une boussole très concrète : ce que Google change (ou pas) pour vos contenus, ce que permet vraiment le droit en 2026, et comment monter un pipeline de training qui reste exploitable sans exploser votre risque juridique.

Ce que Google change pour les éditeurs depuis 2025

Les règles du jeu de Google structurent aujourd’hui une grande partie de l’accès aux contenus protégés pour l’IA. Comprendre ces réglages est indispensable avant de concevoir votre stratégie de training.

Les nouveaux opt‑out IA imposés à Google

En 2025‑2026, plusieurs autorités concurrentielles et régulateurs ont forcé Google à donner aux éditeurs un contrôle explicite sur l’usage de leurs contenus dans ses produits d’IA.

• Au Royaume‑Uni, l’Autorité de la concurrence (CMA) a imposé à Google de permettre aux éditeurs de se retirer des fonctionnalités IA (AI Overviews, AI Mode, résumés dans Discover) sans perdre en visibilité dans la recherche classique.

Selon les analyses publiées, cela inclut :

• un opt‑out spécifique pour les réponses génératives dans la recherche ;

• la possibilité de bloquer l’usage de contenus dans les fonctionnalités IA de Gemini ;

• l’obligation pour Google d’éviter toute pénalisation de ranking classique en cas d’opt‑out IA.

• Ce mécanisme est déployé mondialement via Google Search Console, avec un délai de mise en conformité de 9 mois annoncé par Google.

Les éditeurs peuvent ainsi définir, au niveau du domaine, si leurs contenus peuvent ou non être utilisés dans les réponses générées.

• Par ailleurs, un paramètre séparé dans robots.txt (le jeton dit « Google‑Extended ») permet de bloquer l’usage des contenus pour l’entraînement des modèles et certaines fonctionnalités d’IA, même si le crawl classique reste autorisé.

💡 À retenir : Les éditeurs disposent désormais d’un double opt‑out : un pour les réponses IA dans la recherche, un autre pour l’entraînement/grounding via Google‑Extended.

IA dans la recherche : impacts concrets pour les éditeurs

Les résumés IA de Google ont déjà un impact mesurable sur le trafic.

En France, une plainte déposée en 2026 cite des baisses de trafic pouvant atteindre 38 % pour certains éditeurs lorsque les résumés IA s’affichent en haut des résultats. Des analyses spécialisées indiquent que l’activation des AI Overviews réduit significativement les clics vers les sites sources dans certaines catégories.

Pour les équipes IA, cela a deux conséquences très concrètes :

• Vos contenus peuvent être massivement réutilisés dans les réponses IA de Google, avec une partie des clics qui disparaissent au profit de ces résumés.
• En contrepartie, vous avez maintenant la possibilité formelle de fermer ce robinet via Search Console et robots.txt, mais au prix d’un arbitrage : moins d’exposition dans les fonctionnalités IA vs protection de vos contenus.

Obligations de transparence côté Google

Nous ne disposons pas de l’intégralité des accords confidentiels Google‑éditeurs, mais certaines obligations sont publiques.

Les engagements de Google incluent :

• Fournir aux éditeurs des statistiques d’engagement sur les fonctionnalités de recherche IA : impressions, clics, taux de clic (CTR) agrégés pour AI Overviews et AI Mode.
• Documenter publiquement comment les contenus éditeurs sont utilisés dans les fonctionnalités IA, y compris pour le grounding (c’est‑à‑dire l’ancrage factuel des réponses).
• Préciser comment sont choisies les sources utilisées dans les réponses IA et comment est géré l’attributon.

En pratique, cela signifie que si vous laissez Google utiliser vos contenus pour l’IA, vous pouvez suivre partiellement l’impact de ces usages sur votre trafic.

Le cadre légal 2025‑2026 pour entraîner des IA sur des contenus protégés

Une chose clé a changé en 2025‑2026 : l’UE dispose désormais d’un cadre complet avec l’EU AI Act, et plusieurs régulateurs ont clarifié les limites du scraping pour l’entraînement.

EU AI Act : ce qui devient obligatoire pour les modèles généralistes

Le EU AI Act (Règlement 2024/1689) est entré en vigueur progressivement, avec une phase critique atteinte le 2 août 2026 pour les modèles d’IA à usage général.

Pour les fournisseurs de General Purpose AI (GPAI), deux obligations majeures concernent directement les données de training :

• Obligation de publier un résumé détaillé des données d’entraînement.

Ce résumé doit notamment :

• décrire les types de données utilisés (texte, images, audio, etc.) ;

• identifier les principaux jeux de données publics ;

• fournir une description narrative des contenus licenciés, des contenus collectés par scraping, des contenus générés par les utilisateurs et des données synthétiques.

• Obligation d’avoir une politique de conformité avec le droit d’auteur européen, incluant la prise en compte des opt‑out de text and data mining (TDM) prévus par la directive sur le marché unique numérique.

Les modèles existants sur le marché avant cette date disposent d’un délai jusqu’au 2 août 2027 pour se mettre en conformité.

💡 À retenir : Si vous distribuez un modèle généraliste dans l’UE, vous devrez documenter les grandes lignes de vos données d’entraînement et démontrer que vous respectez les opt‑out TDM.

Opt‑out TDM et scraping : ce que disent les régulateurs européens

Du côté du scraping, la position des autorités européennes s’est précisée :

• Le Comité européen de la protection des données a rappelé que le scraping de données personnelles pour entraîner des modèles nécessite une base légale au titre du RGPD.

• La justification par « intérêt légitime » est considérée comme difficile à soutenir lorsque les personnes ne peuvent raisonnablement pas s’attendre à ce que leurs données soient utilisées pour l’entraînement d’IA.

• Le fait que des contenus soient accessibles publiquement n’efface pas les droits d’auteur : leur utilisation pour l’entraînement peut constituer une atteinte au droit d’auteur, en particulier si l’éditeur a mis en place un opt‑out TDM.

En résumé, pour un acteur opérant en Europe :

• Ignorer les opt‑out TDM et les headers d’exclusion pour l’IA engage une responsabilité directe.
• Le contraste avec les États‑Unis reste fort : il n’existe toujours pas, à mi‑2026, de loi fédérale spécifique interdisant le scraping de contenus web publics pour l’IA, même si des litiges individuels (comme celui du New York Times) contestent la légalité de ces pratiques.

Les grands procès IA / copyright et ce qu’ils n’ont pas encore tranché

Le paysage contentieux est particulièrement mouvant.

• La plainte du New York Times contre OpenAI et Microsoft, déposée en décembre 2023, reste l’affaire la plus en vue aux États‑Unis.

À la mi‑2026, aucun jugement n’a encore tranché la question centrale : l’entraînement de modèles sur des œuvres protégées peut‑il être considéré comme un usage loyal (« fair use ») ?

• D’autres litiges, notamment portés par des auteurs, illustrateurs ou musiciens, ciblent l’usage massif d’œuvres sans licence.

Pour une entreprise qui veut rester exploitable par un département juridique, cela implique deux contraintes :

• Impossible d’invoquer une jurisprudence claire et générale sur la licéité de l’entraînement sans licence aux États‑Unis.
• En Europe, la direction est plus structurée : opt‑out TDM à respecter, obligation d’information et de documentation, et contrôle renforcé par l’AI Office.

Comparer les stratégies : licence, opt‑out, data interne

Plutôt que raisonner en termes d’un « bon » ou « mauvais » choix, il est plus utile de comparer les grandes stratégies possibles pour entraîner des IA sur des contenus protégés en 2026.

Trois approches typiques pour un projet IA

1. Licence de contenus auprès de catalogues ou d’éditeurs
2. Recours aux données internes (documents, logs, bases clients) avec encadrement juridique
3. Scraping contrôlé en respectant opt‑out, TDM et RGPD

Chacune présente des coûts et niveaux de risque très différents.

Tableau comparatif : trois stratégies d’entraînement

Les montants ci‑dessous sont des ordres de grandeur basés sur les niveaux de prix constatés sur des marchés de licences de contenus, de données d’entreprise et de services de scraping en 2024‑2026.

💡 À retenir : Le coût direct des données n’est qu’une partie de l’équation : la gestion du risque juridique et de la conformité peut rapidement dépasser les économies réalisées sur un scraping « gratuit ».

Concevoir un pipeline de training compatible Google, EU AI Act et RGPD

Une fois le paysage légal clarifié, la question se déplace côté architecture : comment structurer un pipeline de training capable de respecter opt‑out, Google‑Extended, TDM et AI Act ?

Étape 1 : cartographier les sources et leurs statuts

Première étape indispensable : construire un catalogue de sources avec leur statut juridique et leurs contraintes.

Pour chaque source potentielle :

• Indiquer le type de contenu (site média, base de documentation interne, forum, etc.).
• Identifier la présence de signaux d’opt‑out (TDM, robots.txt, Google‑Extended) et les règles d’usage précisées.
• Documenter le régime juridique applicable (UE, US, Royaume‑Uni, etc.).

Cette cartographie doit être vivante, mise à jour au fil des changements de politique des éditeurs et des décisions réglementaires.

Étape 2 : intégrer le respect des opt‑out dans la chaîne technique

Pour un pipeline qui collecte des contenus web, un composant spécifique doit filtrer les contenus selon les règles énoncées par les éditeurs :

• Respecter robots.txt pour le crawl classique.
• Respecter les balises d’opt‑out TDM prévues par la directive européenne.
• Respecter le jeton Google‑Extended si vous alignez vos pratiques sur celles exigées à Google.

Cela implique généralement :

• Une couche de parsing des fichiers robots.txt avec un module spécialisé.
• Un enrichissement des métadonnées au moment de l’ingestion pour marquer les contenus « utilisables pour training » vs « interdits ».
• Des tests automatiques et journaux de conformité.

bash

Exemple simplifié d’étape d’ingestion contrôlée

python ingest.py
--source-list sources.yaml
--respect-robots true
--respect-tdm-optout true
--log-compliance compliance.log

Étape 3 : organiser la gouvernance des données internes

Les données internes sont souvent votre levier le plus puissant, mais elles exigent une gouvernance stricte :

• Séparation claire entre données contenant des données personnelles et contenus purement métier.
• Mise en place d’outils d’anonymisation ou de pseudonymisation lorsque c’est nécessaire.
• Politique d’accès : qui peut lancer des jobs de training ? quels logs conservez‑vous ?

En Europe, toute réutilisation de données internes contenant des données personnelles pour l’entraînement d’IA doit être justifiée par un fondement RGPD (consentement, contrat, intérêt légitime avec mise en balance, etc.).

Étape 4 : préparer la documentation AI Act

Pour un modèle distribué en Europe, vous devrez être capable de produire la documentation exigée par l’AI Act :

• Résumé des sources et types de données.
• Indication des principaux jeux de données publics.
• Description narrative des contenus protégés sous licence.
• Politique explicite sur la prise en compte des opt‑out TDM.

Il est donc utile de structurer dès le départ votre pipeline pour tracer :

• la provenance de chaque lot de données,
• les transformations appliquées,
• les versions de dataset utilisées pour chaque run de training.

Licences de contenus : modèles économiques et négociation IA

Pour limiter les risques sur les contenus protégés, beaucoup d’acteurs se tournent vers des licences de contenus. Le marché évolue rapidement, mais quelques tendances se dégagent.

Types de licences rencontrées en 2025‑2026

On observe plusieurs schémas courants :

• Licences médias / presse : un éditeur ou un consortium fournit un flux de contenus (articles, archives) moyennant un abonnement mensuel ou un minimum de revenus garantis.

• Licences verticales (juridiques, médicales, financières) : un fournisseur de bases spécialisées autorise l’usage pour l’entraînement d’outils d’aide à la décision ou de moteurs de recherche internes.

• Licences de catalogues créatifs (musique, images) : souvent structurées par type d’usage (training, génération, diffusion) et plafonds de volume.

Les prix varient fortement selon :

• la notoriété de l’éditeur,
• la profondeur des archives,
• l’exclusivité (ou non) de l’accès,
• l’étendue des droits IA accordés.

Dans les accords médiatisés, certaines licences IA sont évaluées en centaines de millions de dollars pour de grands acteurs, avec des durées pluriannuelles. Pour des acteurs plus modestes, des licences sur des catalogues moyens peuvent se situer dans une fourchette 5 000 – 100 000 € par mois.

Clauses à surveiller pour l’entraînement IA

Les licences négociées depuis 2024 contiennent de plus en plus souvent des clauses spécifiquement liées à l’IA :

• Définition précise des usages autorisés : entraînement uniquement ou aussi génération, indexation, etc.
• Durée et territoire : par exemple, exploitation mondiale mais distribution limitée à certains marchés.
• Obligations de suppression ou de cession en cas de litige (droit de demander l’arrêt de l’usage pour certains contenus).
• Clauses de reporting : volumes de contenus utilisés, performances des modèles, etc.

Une gouvernance IA solide consiste à centraliser ces contrats, à les traduire en politiques techniques (whitelists / blacklists de sources) et à mettre en place des garde‑fous dans les pipelines pour éviter l’utilisation accidentelle de contenus non couverts.

Entraîner ou adapter un modèle : coûts concrets à prévoir

Au‑delà des données et des licences, il faut intégrer les coûts GPU et les options d’adaptation (fine‑tuning vs RAG), surtout si l’on choisit des contenus protégés.

Fine‑tuning vs RAG sur contenus protégés

Deux grandes approches dominent pour exploiter des contenus protégés :

• Fine‑tuning : on réentraîne un modèle sur les contenus, ce qui les inscrit dans les poids du modèle.
• RAG (Retrieval‑Augmented Generation) : on garde les contenus dans une base externe et on les injecte au moment de la génération.

En termes de risque :

• Le fine‑tuning sur des contenus protégés non licenciés est plus problématique : les contenus sont « mélangés » dans les poids, ce qui rend plus difficile toute suppression ultérieure.

• Le RAG permet de séparer les contenus et de les retirer plus facilement en cas de demande de suppression ou de fin de licence.

Du point de vue des coûts, les ordres de grandeur observés pour des projets d’entreprise en 2024‑2026 sont :

• Fine‑tuning d’un modèle open source de taille moyenne (7–20 milliards de paramètres) sur quelques dizaines de milliards de tokens :

• Coûts GPU de l’ordre de 5 000 à 50 000 € pour un run, selon la durée de training et les tarifs cloud.

• Coûts d’ingénierie et MLOps au moins équivalents, voire supérieurs.

• Mise en place d’un RAG sur un corpus de plusieurs millions de documents :

• Coûts de vectorisation et de stockage de l’ordre de 1 000 à 10 000 € par mois, selon la taille et le fournisseur de base vectorielle.

💡 À retenir : Pour des contenus protégés, le RAG est souvent plus aligné avec les exigences légales, car il permet un retrait plus granulaire des contenus et un contrôle des usages plus fin.

Budget global : ce que doit prévoir une DSI

En combinant données, licences et compute, un projet IA centré sur des contenus protégés se structure souvent autour de trois postes :

• Données et licences : quelques milliers à plusieurs dizaines de milliers d’euros par mois.
• Infra et compute (GPU, stockage, bases vectorielles) : de 2 000 à 50 000 € par mois selon l’ambition.
• Conformité et juridique : temps d’avocats, mises en conformité AI Act et RGPD, pouvant représenter plusieurs dizaines de milliers d’euros sur la durée du projet.

Pour une PME qui se contente d’adapter un modèle existant via RAG sur ses propres données internes, un budget total de 5 000 à 20 000 € par mois est courant. Pour un grand groupe qui veut entraîner ou adapter un modèle généraliste avec des contenus sous licence, on tombe rapidement dans une fourchette de 50 000 à 200 000 € par mois sur la phase de montée en charge.

Gérer les relations avec Google quand vos contenus servent à l’IA

Les éditeurs ne sont pas seulement fournisseurs de données pour leurs propres IA ; ils sont aussi, de fait, des fournisseurs de données pour les IA de Google.

Comprendre l’opt‑out IA de Google côté éditeurs

Les décisions récentes au Royaume‑Uni et les engagements pris auprès de régulateurs imposent à Google :

• d’offrir un opt‑out explicite pour l’usage des contenus dans AI Overviews, AI Mode et les résumés dans Discover ;
• de garantir que cet opt‑out n’entraîne pas de baisse artificielle de visibilité dans les résultats classiques ;
• de mettre en place des outils dans Search Console permettant de gérer ces paramètres au niveau du domaine.

En parallèle, le paramètre Google‑Extended dans robots.txt permet de refuser l’usage des contenus pour certaines fonctions d’IA, y compris l’entraînement de modèles.

Stratégies d’éditeurs face aux résumés IA

Les éditeurs adoptent plusieurs stratégies :

• Laisser l’IA utiliser leurs contenus en misant sur l’attribution et le trafic généré par les liens dans les AI Overviews.

• Limiter l’usage IA tout en maintenant une présence forte dans le Search classique, en jouant finement avec les paramètres de Search Console.

• Négocier des accords spécifiques quand leur poids de marché est suffisant, pour monétiser davantage l’usage de leurs contenus dans la recherche IA.

Pour un acteur qui entraîne sa propre IA, ces choix ne sont pas neutres :

• Un éditeur qui bloque Google mais laisse d’autres acteurs accéder à ses contenus peut limiter la diffusion non contrôlée, tout en tirant parti de partenariats IA ciblés.

• Un éditeur qui ouvre largement ses contenus à Google tout en interdisant d’autres usages via TDM pose un signal fort sur ce qu’il considère comme des usages acceptables.

Anticiper la transparence imposée par l’AI Act

L’AI Act impose aux fournisseurs de GPAI de publier un résumé détaillé de leurs données d’entraînement.

Pour les éditeurs, cela signifie :

• qu’il devient plus facile d’identifier si leur contenu a été utilisé pour l’entraînement de certains modèles ;
• qu’ils peuvent s’appuyer sur ces résumés pour vérifier le respect des opt‑out TDM ou des licences.

Pour une entreprise qui entraîne ses propres modèles, la règle est symétrique : il faut s’attendre à devoir expliquer, au moins en termes généraux, quelles catégories de contenus protégés ont été utilisées.

Notre avis : quelles stratégies adopter dès maintenant ?

En 2026, entraîner une IA sur des contenus protégés à l’ère de Google n’est plus un no man’s land, mais ce n’est pas encore un terrain parfaitement balisé.

Pour une entreprise qui veut avancer sans se bloquer juridiquement, plusieurs lignes directrices se dégagent :

• Miser d’abord sur les données internes et des modèles existants, en privilégiant des approches RAG, permet de capturer beaucoup de valeur avec un risque contrôlé.
• Les licences de contenus deviennent inévitables dès qu’on veut aborder des domaines éditoriaux ou créatifs à grande échelle ; leur coût doit être intégré tôt dans la feuille de route.
• Le scraping de contenus protégés sans licence, même avec opt‑out TDM respectés, doit être abordé comme un pari juridique coûteux, et non comme une solution « gratuite ».
• S’aligner sur les standards imposés à Google (opt‑out IA, Google‑Extended, respect des opt‑out TDM) est une stratégie prudente pour limiter les divergences avec les attentes des régulateurs.

À horizon six mois, les points de tension les plus probables se situent autour :

• des premiers contrôles concrets de l’AI Office sur les résumés de training data ;
• des avancées des grands procès copyright contre les fournisseurs de GPAI ;
• des ajustements ultérieurs des règles imposées aux moteurs de recherche avec IA.

La vraie question devient donc : êtes‑vous prêt à expliquer, devant un régulateur ou un tribunal, qui a fourni vos contenus, avec quelles conditions, et comment vous les avez utilisés dans vos modèles ?

Votre prochain projet IA sur des contenus protégés devrait peut‑être commencer par là : une réunion conjointe data / juridique, pour décider jusqu’où vous êtes prêt à aller et à documenter.