#scraper

De ce que je comprends, ça utilise une fonctionnalité standard des polices de caractères qui permet de remplacer une suite de lettres par une ligature. Le texte de base est modifié avec de faux mots, mais ces faux mots font partie de la table des ligatures de la police, et lors de son affichage elle fait apparaître les vrais mots en croyant simplement appliquer les ligatures.

Voilà une police qui veut compliquer la vie des IA. ShieldFont est un projet gratuit et open source conçu pour protéger les contenus publiés en ligne contre la collecte massive de données par les entreprises d’intelligence artificielle.

Présenté fin juillet 2026, son principe est simple : le texte reste parfaitement lisible pour un humain, mais sa version récupérée par un robot peut être différente — et suffisamment crédible pour ne pas être écartée immédiatement.

Le projet s’inscrit dans une réaction plus large contre le scraping du web. Ses créateurs, le studio brésilien Seneda & Abrucio et la fonderie danoise Playtype, partent d’une idée : publier un texte en ligne ne devrait pas automatiquement valoir autorisation de l’utiliser pour entraîner une IA.

Comment fonctionne ShieldFont ?

ShieldFont ne repose pas sur une illusion visuelle. À l’inverse de #Ghost_Font, une autre police anti-IA qui dissimule son message dans une animation, celle-ci s’appuie sur les fonctions de substitution des polices #OpenType.

En pratique, le texte publié dans le code HTML n’est pas le texte que l’auteur souhaite montrer. Il est d’abord encodé : certains mots sont remplacés par d’autres, de même nature grammaticale et de fréquence comparable. La phrase reste donc suffisamment cohérente pour ne pas ressembler à du charabia.

La police intervient ensuite au moment de l’affichage dans le navigateur. Elle donne aux mots leurres la forme visuelle des mots d’origine. L’internaute lit donc la phrase prévue par son auteur, tandis qu’un scraper qui se contente de récupérer le HTML obtient une autre version du texte.

Les remplacements ne sont pas choisis au hasard. ShieldFont échange un nom contre un autre nom, un verbe contre un autre verbe, ou encore un adjectif contre un adjectif proche. Le résultat peut rester grammaticalement correct tout en modifiant le sens d’une affirmation.

Selon la page GitHub du projet, le remplacement d’environ 25 % des mots suffit à altérer sensiblement le texte récupéré par les robots. Dans leurs tests, le texte encodé n’impliquait plus la même chose que l’original pour 55,8 % des articles de presse, 51,9 % des contenus du web général, 34,5 % des œuvres de fiction et 31,1 % des œuvres de fiction anciennes.

Une limite importante : ShieldFont ne prend actuellement en charge que l’anglais. Le projet prévoit d’étendre ses substitutions à d’autres langues, dont le français.

Une protection qui a ses limites

Pour autant, ShieldFont ne bloque pas magiquement tous les robots. Un #scraper qui analyse le rendu visuel d’une page, par capture d’écran et OCR par exemple, peut retrouver le texte réellement affiché. De même, un acteur qui cible spécifiquement un site peut télécharger la police et en reconstituer les correspondances.

La méthode peut aussi avoir des effets secondaires importants : les moteurs de recherche, les outils de traduction, le copier-coller et les lecteurs d’écran s’appuient eux aussi souvent sur le contenu brut de la page. ShieldFont déconseille ainsi de l’utiliser sur les pages que l’on souhaite faire remonter dans Google.

Pour eux, finalement, ShieldFont répond surtout à une limite des outils existants : les consignes de « robots.txt » qui demandent aux robots de ne pas explorer un site, restent faciles à ignorer. Plutôt que de compter sur leur bonne volonté, la police cherche ainsi à rendre les contenus aspirés moins exploitables.

#ShieldFont #typographie #IA #anti-IA #intelligence_artificielle #police #technologie #résistance

Effectivement, j’ai un peu creusé et on trouve facilement la liste des ligatures trafiquées  :
– récupérer la fonte (identifiée avec dev tools/inspect)  : ▻https://shieldfont.org/fonts/shieldfont-alpha-500.woff2
– la charger dans un analyseur en ligne  : ▻https://fontdrop.info
– dans le tab ligatures, la liste des mots échangés va apparaître... bien que je soupçonne le site de n’en afficher qu’une partie.

Autrement dit : pour masquer un texte pour l’IA, on rend alors le texte entièrement anti-accessible, pour tous les humains qui ont un handicap visuel, et accessible uniquement à celleux qui sont capables de le lire sur écran.

Dérisoire et inutile, dans 3 mois (ou 6 mois peu importe) des robots sauront le lire aussi.

Où comment utiliser du temps et de l’énergie pour empirer les problèmes, ou au moins pour rien, alors que le temps et l’énergie ne sont pas infinis et qu’on en a peut-être besoin ailleurs.

Pour avoir accompagné les étudiants en création typographique pendant quelques années à l’école Estienne, j’ai pris l’habitude de voir ressurgir des « sujets à la mode » chaque année. Reposant généralement sur l’idée très crédule qu’Opentype allait résoudre les problèmes sociaux de l’humanité et promouvoir les idées progressistes. Pour les soutenances, l’équipe d’enseignants aidait les étudiants à éviter de tomber dans ces sujets bateaux déjà traités les années précédentes. Mais sur internet, évidemment, chacun fait ce qu’il veut, et ça buzze assez facilement parce que les sujets à la mode, hé ben c’est à la mode.

Bref jusqu’à récemment, on avait droit avec une régularité d’horloge aux polices « inclusives », gros succès d’estime, mais à l’intérêt à mon avis négatif (pour moi : moins lisibles que de simplement mettre un « petit point » dans les mots). Avant, on avait les polices pour économiser l’encre des imprimantes quand tout le monde a commencé à gueuler contre l’arnaque des cartouches d’encre. Et maintenant ce sont les polices prétendument anti-IA.

Perso, dans les idées à la mode, je préférais quand la mode concernait les polices visant à faciliter la vie des personnes souffrant de divers handicaps visuels/cognitifs, ou pour les enfants en phase d’apprentissage de la lecture, parce que la question de la lisibilité, c’est effectivement une question centrale de la création typographique. Mais quand on prétend résoudre des problèmes de société, justement dans l’air du temps, avec Opentype, je suspecte assez rapidement qu’on va faire dans le bullshit.

@rastapopoulos, je ne sais pas ce que ça vaut mais dans leur FAQ il y a ça:
What about screen readers and accessibility?
Screen readers read the source code rather than the words displayed by the font, so the current <Shield> component uses aria-hidden to stop the substituted text from being read aloud. We have a built-in alternative, in beta and on by default, which allows users to spawn the real words on the page through an aria button only screen readers reach. The reader’s browser solves a compute-costly puzzle for the key, taking a few seconds. It works in our Dynamic Websites tier and requires JavaScript, which is part of the point: most scrapers never run any. Tested with VoiceOver and an automated screen reader.

Accessibilité problématique (on se passe la main droite par dessus la tête pour se toucher l’oreille gauche pour réussir à rendre le texte d’origine visible, mais en bloquant les robots, ce qu’on aurait pu faire dès le départ, c’est un peu le principe d’Anubis), mais aussi tout usage classique d’un texte rendu très casse-gueule. Basiquement : copier-coller.

Le projet tel qu’il fonctionne aujourd’hui est effectivement une machine à gaz et alourdi considérablement le poids d’une page, en plus des problèmes d’accessibilité que vous avez pointé, donc ça n’en fait pas une solution à utiliser massivement, mais je trouve l’idée intéressante et qui peut avoir des applications spécifiques.

Le fait de pouvoir empoisonner subtilement une IA et sans qu’un humain qui l’utiliserait ne puisse facilement s’en rendre compte est assez bien trouvé et je ne connais pas d’autres méthodes pour arriver au même résultat aussi efficacement.

Pour comparaison, Anubis aussi est une incongruité informatique à se tapper la tête contre les murs de désespoir, mais son utilité n’est pourtant pas à démontrer en 2026.

Get out of my website! Cloudflare, one of the world’s largest Internet infrastructure providers, has begun blocking AI web crawlers by default.

Written by Steven Vaughan-Nichols, Senior Contributing Editor

July 1, 2025 at 1:11 p.m. PT

The major Internet Content Delivery Network (CDN), Cloudflare, has declared war on AI companies. Starting July 1, Cloudflare now blocks by default AI web crawlers accessing content from your websites without permission or compensation.

The change addresses a real problem. My own small site, where I track all my stories, Practical Technology, has been slowed dramatically at times by AI crawlers. It’s not just me. Numerous website owners have reported that AI crawlers, such as OpenAI’s GPTBot and Anthropic’s ClaudeBot, generate massive volumes of automated requests that clog up websites so they’re as slow as sludge. GoogleBot alone reports that the cloud-hosting service Vercel bombards the sites it hosts with over 4.5 billion requests a month.

These AI bots often crawl sites far more aggressively than traditional search engine crawlers. They sometimes revisit the same pages every few hours or even hit sites with hundreds of requests per second. While the AI companies deny that their bots are to blame, the evidence tells a different story.

Thus, on behalf of its two million-plus customers, 20% of the web, Cloudflare now blocks #AI_crawlers. For any new website signing up for its services, AI crawlers will be automatically blocked from accessing its content unless the site owner grants explicit permission. Additionally, Cloudflare promises to detect “shadow” #scrapers — bots that attempt to evade detection — by using behavioral analysis and machine learning. What’s good for the AI goose is good for the gander.

This move reverses the previous status quo, where website owners had to opt out of AI crawling. Now, blocking is the default, and AI vendors must request access and clarify their intentions, whether for model training, search, or other uses, before they’re allowed in.

This change arises not only because of frustrated website owners. Numerous publishing companies, such as The Associated Press, Condé Nast, and ZDNET’s own parent company, Ziff Davis, are frustrated that #AI companies have been “strip mining” the web for content. All too often, this has been done without compensation or consent, and sometimes, ignoring standard protocols like robots.txt that are meant to block #crawlers.

(Disclosure: Ziff Davis, ZDNET’s parent company, filed an April 2025 lawsuit against OpenAI, alleging it infringed Ziff Davis copyrights in training and operating its AI systems.)

Moreover, recent court cases have ruled in favor of Meta and Anthropic, finding that their use of copyrighted works was legal under the doctrine of fair use. Needless to say, writers, artists, and publishers don’t like this one bit. Publishers are still worried that the federal government will give AI free rein to do as it wants with their content. AI powerhouses such as #OpenAI and Google are continuing to lobby the government to classify AI training on copyrighted data as fair use.

It’s also worth noting that after the Copyright Office released a pre-publication version of its 108-page #copyright and #AI report, which struck a middle ground by supporting both of these world-class industries that contribute so much to our economic and cultural advancement. However, it added that while some generative AI probably constitutes a “transformative” use, the mass scraping of all data did not qualify as fair use. The next day, the Trump administration fired the head of the Copyright Office and replaced her with an attorney with no prior experience in #copyright_law.

Given all this, it’s no wonder that publishers sought an ally in technology.

As Cloudflare CEO Matthew Prince said in a statement, its new policy is meant to “give publishers the control they deserve and build a new economic model that works for everyone—creators, consumers, tomorrow’s AI founders, and the future of the web itself.”

To complement the move to block AI crawlers, Cloudflare has also launched its “Pay Per Crawl” program. This enables publishers to set their own rates for AI companies that want to scrape their content.

This system is currently in private beta and aims to create a framework where AI firms can pay for access, or be denied if they refuse. Technically, this will be done by dusting off an old, mostly unused web server response, HTTP 402, which responds with a “Payment Required” error message. This means it should be simple to implement and compatible with existing websites and their infrastructure.

Overall, this is a big deal. Thanks to Cloudflare powering such a large portion of the internet, a significant amount of web content could become inaccessible to AI companies unless they negotiate access or pay licensing fees. As Nicholas Thompson, CEO of The Atlantic, noted, “Until now, AI companies have not needed to pay for content licenses because they could simply take it without repercussions. Now they will need to negotiate.”

To this point, most AI companies have been actively against paying for content. As Sir Nick Clegg, former deputy UK Prime Minister and Meta executive, said recently, merely asking artists’ permission before they scrape copyrighted content will “basically kill the AI industry.”

Cloudflare’s new policy is a direct response to this approach and the increasing volume and intrusiveness of AI crawlers that have come with it. It’s also an attempt to stop the siphoning of traffic that would otherwise go to publishers.

Since the rise of AI, traffic to news sites has plunged. For example, Business Insider’s traffic dropped by over half, 55% from April 2022 to April 2025. Left unchecked, Thompson recently predicted that, thanks to AI, the Atlantic staff should expect traffic from Google to drop to zero.

[...]

#AI : aspects évidents du droit d’ #auteur, de la protection contre la #copie ainsi que des intentions et fréquences d’ #accès et de la #monétisation