Trafic des agents IA sur les médias : la bataille du corpus s'intensifie

Un trafic automatisé qui pèse lourd, mais reste difficile à qualifier

L'Observatoire bots-crawls du GESTE, publié ce mois-ci, donne une première mesure du phénomène. Sur un panel de médias français qui comprend Ouest France, Le Parisien, Les Echos, Challenges, Europe1, Capital, Le Télégramme, Le Figaro, TF1 News, BFMTV, RTL, TV5 Monde et Mind Media, les robots représentent 50 % du trafic global mesuré. L'autre moitié, attribuée aux navigateurs, ne garantit pas pour autant la présence d'un humain : l'observatoire relève l'existence de « faux navigateurs », des programmes de collecte qui imitent d'anciennes versions de Chrome depuis des infrastructures cloud pour contourner les restrictions d'accès.

Au sein de ce trafic automatisé, la part directement attribuée aux grands modèles de langage et aux agents IA atteint 6,5 % du volume global. OpenAI arrive largement en tête avec près de 60 millions de requêtes sur la période étudiée, réparties entre ChatGPT-User, GPTBot et OAI-SearchBot. Meta suit avec 13,2 millions de requêtes, devant Perplexity (7,6 millions) et Anthropic (5 millions). Ces volumes ne disent rien, à eux seuls, de l'usage fait du contenu : alimenter un moteur de recherche, constituer une base d'entraînement ou répondre directement à un internaute sans qu'il visite jamais le site d'origine.

Le grand saut du troisième trimestre 2026

Les données de DataDome, multinationale française spécialisée dans la gestion des bots, portent sur un périmètre plus large que celui du GESTE et confirment l'accélération. Le réseau de l'entreprise a traité près de 25 milliards de requêtes d'agents IA au troisième trimestre 2026, contre 17,7 milliards au trimestre précédent, soit une hausse de 41,5 %. Ce volume représente près de la moitié des quelque 55 milliards de requêtes enregistrées depuis le début de l'année.

Meta concentre encore la moitié de ce trafic, avec 12,4 milliards de requêtes (49,7 %, contre 51,5 % au deuxième trimestre), portées par Meta-ExternalAgent et Meta-WebIndexer. Mais le reste du marché progresse plus vite : +47 % pour les acteurs non-Meta contre +36,5 % pour Meta. ClaudeBot, le robot d'Anthropic, bondit de 159 % sur le trimestre pour atteindre 2,3 milliards de requêtes, dépassant GPTBot, dont l'activité recule de 12 %. ChatGPT-User, de son côté, chute de 37 % en un seul mois selon DataDome.

L'arrivée des agents qui naviguent et agissent

Le trafic des navigateurs dits « agentiques » reste modeste en valeur absolue mais progresse vite : il passe de 12,5 millions à 58,2 millions de requêtes en septembre, soit une multiplication par 4,7. Même sans Meta Muse, le volume triple pour atteindre 38,7 millions. ChatGPT Cloud Browser en représente 27,4 millions et l'extension de Claude 10,5 millions. Comet, le navigateur de Perplexity, recule au contraire de 65 % entre juillet et septembre.

Muse, l'agent personnel de Meta lancé en septembre, illustre une rupture : il fonctionne depuis une machine virtuelle hébergée dans le cloud et non depuis l'appareil de l'utilisateur. DataDome lui attribue 29,1 millions de requêtes en douze jours de disponibilité complète, dont 99,3 % proviennent d'infrastructures cloud ou de réseaux de diffusion de contenus (principalement Cloudflare et Fastly), contre seulement 0,6 % via des fournisseurs d'accès grand public. Plus notable encore : 8,9 % des requêtes de Muse ciblent des fonctions sensibles, formulaires, connexion, création de compte, paiement ou ajout au panier, les formulaires concentrant à eux seuls 81 % de ce trafic. Ces accès ne prouvent pas qu'un achat a été finalisé, mais ils montrent que les agents dépassent désormais la simple lecture de contenu.

Les deux sources mesurent des périmètres différents (un panel de médias français pour le GESTE, le réseau client global de DataDome) : les chiffres ne s'additionnent pas, mais racontent la même tendance de fond, celle d'un trafic d'agents qui se diversifie et s'intensifie plus vite qu'il ne se régule.

La valeur du corpus : ce que la collecte non consentie grignote

Derrière ces volumes se pose une question d'approvisionnement. Epoch AI estime le stock de textes humains publics effectivement exploitables à environ 300 000 milliards de tokens, un stock que les besoins d'entraînement pourraient rejoindre entre 2026 et 2032 si les tendances actuelles se poursuivent, selon une analyse citée par DeepDive. Dans le corpus C4, largement utilisé pour entraîner des modèles, plus de 5 % des tokens sont concernés par des restrictions de collecte complètes, et les restrictions inscrites dans les conditions d'utilisation couvrent 45 % du corpus. Le web réellement accessible à la collecte rétrécit plus vite que le web dans son ensemble.

Un autre indicateur touche directement les contributions humaines spontanées : une étude comparant Stack Overflow à des plateformes où ChatGPT est peu accessible observe une baisse d'environ 25 % de l'activité dans les six mois suivant l'arrivée de l'outil. Les questions migrent d'un espace public, réutilisable par tous les modèles, vers des échanges privés qui n'alimentent plus aucun corpus ouvert. Sur le risque de dégradation des modèles eux-mêmes, la prudence reste de mise : les travaux examinés montrent qu'un entraînement qui accumule les données réelles plutôt que de les remplacer, ou qui maintient un mélange suffisant de contenus d'origine humaine, évite l'effondrement observé dans des protocoles expérimentaux restreints. Aucune étude ne démontre à ce jour une dégradation mesurée de bout en bout sur des modèles commerciaux. Ce qui est documenté, en revanche, c'est la contraction du flux de contenus humains librement accessibles, celui-là même que les agents viennent collecter sans toujours en demander l'autorisation.

Des clics en moins, un modèle économique sous tension

Le Pew Research Center, qui a suivi 900 adultes américains sur 68 879 recherches Google en mars 2025, observe que 8 % des visites se concluent par un clic sur un résultat classique lorsqu'un résumé IA est affiché, contre 15 % en son absence. Le Reuters Institute rapporte, d'après le Publisher Playbook de Chartbeat, une baisse de 40 % des visites issues de Google Search vers des centaines d'éditeurs entre juillet 2025 et juillet 2026. Plus largement, la part des pages vues générées par les moteurs de recherche a chuté, selon Chartbeat, à 12 % sur le réseau d'éditeurs nord-américains au troisième trimestre 2026, contre 21 % un an plus tôt. Neuf régions sur dix analysées connaissent ce recul, l'Afrique étant la seule à progresser (de 41 % à 46 %).

Face à ces alertes, Google a annoncé renforcer la place des liens dans ses réponses IA : les liens contextuels seront positionnés plus haut et plus fréquemment, et le « carrousel » de liens vers des articles sera étendu au monde entier. Sundar Pichai avait indiqué que les Aperçus IA comptaient plus de deux milliards d'utilisateurs mensuels dans plus de 200 pays. En France, l'Apig, organe de représentation des quotidiens, a saisi en août l'Autorité de la concurrence, estimant que les résumés IA contreviendraient à des accords passés en 2022 avec les éditeurs de presse.

Reprendre la main : identifier, segmenter, négocier

Pour Yan Gilbert, fondateur de Botscorner et contributeur de l'Observatoire du GESTE, l'enjeu n'est pas la présence technique des robots, mais l'impact de leur activité sur le modèle économique du site. « Lorsqu'un acteur vient aspirer vos contenus pour développer un service en concurrence frontale avec le vôtre, la décision logique consiste à le bloquer. En revanche, si ce trafic provient d'un acteur capable d'apporter de la valeur ou d'enrichir votre écosystème, cette visibilité devient le point de départ d'une négociation pour conclure des accords de licence ou des partenariats rémunérés », explique-t-il. Cette logique suppose de distinguer les robots par fonction, et pas seulement par fournisseur : OpenAI, Anthropic et Amazon exploitent désormais des bots distincts pour l'entraînement, l'indexation de recherche et les requêtes déclenchées en temps réel par un utilisateur, ce qui permet en théorie d'autoriser l'un tout en bloquant l'autre.

Deux expériences, un même contenu ?

The Economist a choisi de développer une version du site pensée pour les lecteurs et une autre adaptée aux agents IA, avec des textes structurés et des balises facilitant l'interprétation automatique. Techniquement, selon Yan Gilbert, ce dispositif fonctionne comme un répartiteur de charge qui aiguille l'internaute humain d'un côté et l'agent de l'autre. Sa pertinence économique reste en revanche incertaine pour la presse : si l'agent lit cette version pour résumer l'information sans générer de clic, l'équilibre financier de l'éditeur reste menacé, contrairement au e-commerce où l'agent peut directement finaliser un achat.

L'expérience de Cloudflare illustre la difficulté à transformer le contrôle d'accès en revenus. Selon Stephanie Cohen, directrice de la stratégie de l'entreprise, le blocage des robots a renforcé le pouvoir de négociation des grands groupes de presse, mais le modèle reste à construire pour les éditeurs qui n'ont pas les moyens de conclure des accords directs. Sur plus de deux milliards de requêtes associées au code HTTP 402 (« paiement requis »), la grande majorité n'aboutit pas à un paiement. Cloudflare explore désormais, avec des acteurs comme Ceramic et You.com, une rémunération déclenchée par l'usage effectif du contenu dans une réponse, plutôt que par sa simple consultation.

DataDome recommande, de son côté, d'appliquer une analyse comportementale aux agents autonomes (déroulement des sessions, enchaînement des appels API), de vérifier l'identité des agents au-delà du simple en-tête « user-agent », via l'authentification Web Bot et la validation des plages d'adresses IP publiées, et de ne plus se fier aux seuls signaux issus des fournisseurs d'accès pour détecter des agents hébergés dans le cloud.

Ce que ça change pour les professionnels francophones

Pour un éditeur ou une entreprise française, ces chiffres posent une question de gouvernance des données à double sens. D'un côté, protéger son corpus face à une collecte non consentie suppose d'identifier qui scrape quoi, et d'ajuster robots.txt, accords de licence ou blocages en fonction de l'acteur et de son usage. De l'autre, les entreprises qui s'appuient sur des modèles tiers pour traiter leurs propres documents affrontent le problème inverse : comment limiter ce qu'un fournisseur de modèle reçoit effectivement, sans renoncer à la puissance de ces outils.

Sur ce second point, certaines plateformes françaises intègrent des mécanismes de pseudonymisation avant l'envoi des requêtes vers des modèles tiers. C'est le cas de Moon AI, plateforme multi-modèles éditée par Stellarr Studio SAS, dont le dispositif Moon Blur remplace les données personnelles par des jetons avant transmission, puis les rétablit au retour. Ce procédé reste réversible : il s'agit d'une pseudonymisation au sens de l'article 4-5 du RGPD, et non d'une anonymisation. L'application et le stockage sont hébergés chez OVHcloud, à Strasbourg et à Roubaix, mais les requêtes adressées aux modèles tiers (GPT, Claude, Gemini, Mistral et autres) partent bien chez leurs fournisseurs respectifs, après pseudonymisation. Ce type de mécanisme ne règle pas la question du scraping des contenus publics par les robots d'OpenAI, de Meta ou d'Anthropic, mais il illustre la même préoccupation vue depuis l'autre bout de la chaîne : savoir précisément ce qui quitte son infrastructure, vers qui, et sous quelle forme.

Questions fréquentes

Qu'appelle-t-on un agent IA dans ces observatoires ?

Le terme recouvre des réalités variées : des robots de collecte comme GPTBot ou ClaudeBot qui alimentent l'entraînement ou l'indexation, des robots qui répondent en temps réel à une requête utilisateur, et des navigateurs agentiques comme Meta Muse ou ChatGPT Cloud Browser, capables de naviguer et d'interagir avec des formulaires ou des pages de paiement pour le compte d'un utilisateur.

Bloquer les robots suffit-il à obtenir une rémunération ?

Non. Selon Cloudflare, le blocage renforce le pouvoir de négociation des grands groupes, mais la grande majorité des requêtes associées au paiement au crawl (code HTTP 402) n'aboutit pas à un paiement effectif. Des pistes de rémunération à l'usage, plutôt qu'à l'accès, sont en cours d'expérimentation avec des acteurs comme Ceramic et You.com.

Le scraping non consenti menace-t-il la qualité des futurs modèles ?

Les travaux examinés ne démontrent pas d'effondrement mesuré des modèles commerciaux actuels. Ils montrent en revanche une contraction documentée du web librement accessible à la collecte (restrictions sur 45 % du corpus C4) et une baisse mesurée des contributions publiques spontanées, par exemple sur Stack Overflow. La chaîne complète reliant moins de trafic, moins de contributions et des corpus appauvris reste plausible mais n'a pas été mesurée de bout en bout.

Comment un éditeur français peut-il distinguer les robots entre eux ?

Des outils comme ceux de Botscorner ou de DataDome permettent de cartographier les accès automatisés par acteur et par fonction (entraînement, indexation, réponse en temps réel). Cette visibilité aide à décider quels robots bloquer, lesquels autoriser et avec quels acteurs engager une négociation commerciale ou un accord de licence.