Protéger ses articles ou rester cité par les IA : ce que nous avons appris avec Le Mahorais
En voulant protéger ses articles de l'entraînement des IA, Le Mahorais est devenu invisible pour Gemini. Nous avons mesuré l'écart, corrigé, et accepté un compromis que nous détaillons ici.
El Fahed NAHOUDA
Le 19 octobre 2026, nous avons posé la même question à trois assistants IA en leur donnant l’adresse d’un article de notre média lemahorais.com. Deux l’ont lu et cité, alors que le troisième, Gemini, a répondu à partir d’autres sites et, lorsque nous lui avons demandé la raison, il nous a dit qu’il n’avait pas accès au site. La cause venait d’un réglage que nous avions posé pour protéger nos articles, et dont nous n’avions pas mesuré l’effet.
Entraînement ou lecture : deux usages que les éditeurs de robots séparent
Un robot qui visite votre site n'y vient pas toujours pour la même raison, et la plupart des éditeurs d'assistants le reconnaissent en séparant deux usages dans leur documentation.
Le premier est l'entraînement, c'est-à-dire la constitution des données avec lesquelles un modèle apprend. Selon OpenAI, refuser GPTBot indique que le contenu d'un site ne doit pas servir à entraîner ses modèles, et Anthropic range de son côté ClaudeBot dans la collecte qui peut contribuer à cet entraînement.
Le second est la lecture au moment où quelqu'un pose une question, qu'il s'agisse d'afficher un site dans une réponse ou d'aller chercher une page demandée par l'utilisateur. Un site qui se retire d'OAI-SearchBot n'apparaît plus dans les réponses de recherche de ChatGPT, bloquer Claude-User peut réduire sa visibilité dans les recherches demandées chez Anthropic, et Perplexity précise que PerplexityBot sert à afficher et à relier les sites dans ses résultats sans être utilisé pour ses modèles.
Comme chaque robot a son propre nom dans le fichier robots.txt, on peut en bloquer un sans bloquer l'autre, et c'est ce qui rend un arbitrage possible.
Ce que nous avons constaté sur lemahorais.com
Le test est simple : à chaque assistant, nous avons posé la même question sur l'article consacré à l'exonération Lodéom à Mayotte, en lui donnant l'adresse de la page.
ChatGPT et Perplexity ont lu la page et cité lemahorais.com, tandis que Gemini a bien répondu, mais à partir d'autres sites et sans citer Le Mahorais, comme si notre article n'existait pas.
Ce type de réglage est trompeur, parce que rien ne semble cassé : le site s’affiche normalement, et la seule conséquence, qu’aucun message ne signale, est que les assistants ne le citent plus dans leurs réponses.
Il faut garder une limite en tête, car il s'agit d'une question, d'un article et d'un jour, observés à la main, ce qui ne fait pas une étude et laisse la place à un autre résultat avec une autre question. L'écart était pourtant net, et nous lui avons trouvé une explication.
Pourquoi Google ne laisse pas séparer les deux
Chez Google, la situation est différente, puisqu'un seul jeton, Google-Extended, gère deux choses à la fois. Selon la documentation de Google, il permet à un éditeur de décider si le contenu que Google explore peut servir à entraîner les futurs modèles Gemini, mais aussi au grounding, c'est-à-dire à la fourniture de contenu au modèle au moment où l'utilisateur pose sa question dans Gemini Apps.
Bloquer l'entraînement par ce jeton coupe donc aussi la lecture, ce que nous avons observé sur lemahorais.com.
Ce jeton ne touche pas à la Recherche Google, car la même documentation indique qu'il n'a pas d'effet sur l'inclusion d'un site dans la Recherche ni sur son classement : de ce côté-là, rien ne change. Avec un seul réglage pour deux usages, on ne peut pas choisir l'un sans l'autre.
Notre arbitrage : lire d'abord, protéger ce qui peut l'être
Nous avons retiré le blocage de Google-Extended, tout en gardant bloqués les robots d'entraînement d'OpenAI, d'Anthropic et d'Apple.
Le prix de ce choix est clair, puisque Google peut désormais utiliser nos articles pour entraîner ses modèles, et nous l'assumons pour deux raisons. La première tient à nos lecteurs : quand ils demandent à un assistant de comprendre une démarche ou une aide, une réponse qui ignore Le Mahorais les prive d'une source locale. La seconde est un constat, car ce que nous publions est déjà sur internet, lisible par tous, et nous pensons que les assistants deviendront une porte d'entrée de plus en plus courante vers le web.
Le 20 octobre, nous avons refait le test avec Gemini, qui a cette fois lu l'article sur l'exonération Lodéom et l'a résumé.
Ce choix vaut pour nous, aujourd'hui, et pas pour tous les sites : il marque l'équilibre que nous avons trouvé entre nos principes et la réalité du web.
Comment tester votre propre site
La méthode tient en quelques gestes : lire votre fichier robots.txt, qui est public, pour repérer les robots qu'il nomme, puis poser la même question à plusieurs assistants en leur donnant l'adresse d'un de vos articles. Si l'un d'eux répond sans vous citer alors que les autres le font, le robot correspondant est le premier suspect, et il suffit de corriger la règle puis de refaire le test.
Google conserve généralement le contenu du fichier robots.txt en mémoire jusqu'à 24 heures, il faut donc attendre avant de juger l'effet d'un changement.
Gardez aussi en tête qu'un robots.txt exprime une demande plutôt qu'un contrôle d'accès : le protocole le dit lui-même, et OpenAI comme Perplexity indiquent que les requêtes lancées par un utilisateur peuvent ne pas suivre ces règles.
Un robots.txt est un choix que l'on peut tester, pas une barrière, et c'est en le testant qu'on mesure ce qu'il coûte. Si vous voulez faire vérifier ce réglage sur votre site, écrivez-nous ou consultez nos services.