Contre le scraping, des typographes chiffrent le texte des pages web

Publier un texte en ligne ne vaut pas autorisation de s'en servir pour entraîner un modèle. Le principe paraît évident ; il n'est écrit nulle part, et surtout il n'est opposable à personne. C'est de ce constat que part ShieldFont, une police de caractères présentée fin juillet 2026 par le studio brésilien Seneda & Abrucio et la fonderie danoise Playtype. Gratuite et publiée en open source, elle ne cherche pas à empêcher l'aspiration des pages : elle cherche à la rendre inutilisable.

Le HTML dit une chose, l'écran en montre une autre

Le mécanisme n'a rien d'une illusion d'optique — ce qui la distingue de Ghost Font, autre tentative anti-IA qui planquait son message dans une animation. ShieldFont exploite les fonctions de substitution du format OpenType, un outil parfaitement standard, prévu à l'origine pour les ligatures et les variantes contextuelles. Le texte est d'abord encodé côté serveur : une partie des mots est remplacée par d'autres, de même nature grammaticale et de fréquence d'usage comparable. Un nom prend la place d'un nom, un verbe d'un verbe, un adjectif d'un adjectif. La phrase obtenue reste grammaticalement correcte et suffisamment plausible pour ne pas déclencher les filtres anti-charabia d'un robot, tout en ne disant plus la même chose.

Vient ensuite la police, qui donne aux mots leurres l'apparence des mots d'origine au moment du rendu dans le navigateur. Le lecteur humain voit la phrase que l'auteur a écrite. Le scraper qui se contente de récupérer le HTML — c'est-à-dire l'écrasante majorité d'entre eux — en emporte une autre. L'astuce est élégante : elle retourne contre la collecte automatisée le fait même que celle-ci ne regarde jamais les pages, elle les avale.

Des chiffres à lire de près

Selon la documentation publiée sur le dépôt du projet, substituer environ un quart des mots suffit à altérer sensiblement le texte récupéré. Les tests des concepteurs donnent des taux d'altération du sens de 55,8 % sur des articles de presse, 51,9 % sur du contenu web généraliste, 34,5 % sur de la fiction contemporaine et 31,1 % sur de la fiction ancienne. Formulé autrement, et c'est la lecture qui manque rarement d'intérêt : dans près d'un cas sur deux pour la presse, et dans plus de deux cas sur trois pour la littérature, le texte aspiré signifie encore la même chose. La protection est probabiliste, pas hermétique.

Les auteurs ne le cachent d'ailleurs pas, et documentent honnêtement les angles morts. Un robot qui analyse le rendu visuel d'une page — capture d'écran puis reconnaissance optique de caractères — récupère le texte réellement affiché, et ce type de chaîne de traitement est à la portée de n'importe quel acteur disposant de moyens de calcul, c'est-à-dire précisément de ceux que la police prétend gêner. Un adversaire qui vise un site en particulier peut aussi télécharger la police et reconstituer la table de correspondance en quelques heures. ShieldFont ne se prend au sérieux que face au scraping industriel indifférencié. Contre une entreprise déterminée, c'est un ralentisseur. Dernière restriction, la police ne gère pour l'instant que l'anglais, une extension à d'autres langues dont le français étant annoncée.

Qui paie l'addition

Reste le prix à payer, et il est lourd. Les moteurs de recherche, les outils de traduction, le copier-coller et surtout les lecteurs d'écran travaillent tous sur le contenu brut de la page. Une page protégée par ShieldFont devient donc, pour une personne aveugle ou malvoyante, un texte qui n'est plus tout à fait celui que les autres lisent — non pas illisible, ce qui alerterait, mais subtilement faux. Le projet recommande d'ailleurs de ne pas l'employer sur les pages que l'on souhaite voir remonter dans Google, ce qui est une manière élégante d'admettre que la méthode casse l'accessibilité en même temps que le référencement. Défendre son texte contre les machines revient ici à le rendre partiellement inaccessible à une partie des humains.

Cette impasse n'est pas la faute des typographes. Elle est la conséquence directe d'un vide : le fichier robots.txt, seul instrument dont disposent les éditeurs pour signifier leur refus, n'a jamais été qu'une politesse entre gens de bonne compagnie, dépourvue de toute force contraignante. Quand la bonne volonté cesse, il ne reste rien. Que des designers en soient réduits à chiffrer leurs pages comme on chiffrait des dépêches en temps de guerre en dit long sur l'état du rapport de force — et sur l'absence remarquée du législateur, qui laisse pour l'instant l'arbitrage entre créateurs et collecteurs de données se régler à coups de ruses techniques dont on sait déjà laquelle des deux parties a les moyens de gagner la course.