Wikipedia est l’une des sources les plus utilisées pour l’entraînement de l’IA et les moteurs de réponse, et son opérateur affirme avec une fermeté croissante comment il souhaite que cela se passe. Pour les équipes qui construisent des modèles et des produits d’IA à partir de données web, cela dépasse le cas d’un seul site : c’est l’exemple le plus clair à ce jour d’une grande source ouverte de connaissances qui expose ce qu’elle attend des entreprises d’IA, puis le fait appliquer.
L’histoire a évolué depuis les premiers titres. Cet article couvre ce que la Wikimedia Foundation a réellement demandé, comment elle le fait appliquer, et les voies pratiques pour accéder aux données aujourd’hui.
Ce que Wikipedia a réellement demandé
Le 10 novembre 2025, la Foundation a demandé deux choses aux développeurs d’IA : « attribution and financial support » (attribution et soutien financier). Le second point signifiait que la plupart des développeurs d’IA « devraient accéder correctement au contenu de Wikipedia via la plateforme Wikimedia Enterprise », qu’elle a décrite comme un « paid-for opt-in product » (produit payant sur inscription). Ce billet n’employait pas le mot « scraping » ; l’expression qui a fait les gros titres vient de la manière dont il a été rapporté.
Le ton s’est durci au cours de 2026. En juillet, la Foundation a écrit que des acteurs de mauvaise foi « continue to tax our public API infrastructure to crawl and scrape » (continuent de solliciter lourdement notre infrastructure API publique pour crawler et scraper), et que pour les utilisateurs à grande échelle, Enterprise est « a must-do rather than a nice-to-have » (une nécessité plutôt qu’un atout facultatif). Elle a aussi indiqué qu’elle ne désactive pas l’accès public à l’API, « now or ever » (ni maintenant ni jamais). Et dans un billet publié en octobre 2026 à propos d’une procédure judiciaire, elle a écrit que le scraping de ses projets « must be done sustainably and in line with our public API rate limits or through our Enterprise API offerings » (doit se faire de manière durable et conforme à nos limites de débit de l’API publique, ou via nos offres d’API Enterprise).
Pourquoi maintenant
Les raisons de la Foundation se résument à deux chiffres qui évoluent en sens inverse.
Les visites humaines diminuent. En octobre 2025, elle a signalé une baisse d’environ 8% des pages vues par des humains par rapport aux mêmes mois de 2024, après avoir amélioré sa détection des bots lorsqu’elle a repéré un trafic inhabituel, principalement en provenance du Brésil, qui s’est révélé être des bots conçus pour échapper à la détection. Elle demande à ses lecteurs d’interpréter ce chiffre avec prudence, et elle a de nouveau mis à jour sa détection en octobre 2026, de sorte que les chiffres ultérieurs pourraient évoluer.
Les machines coûtent plus cher. En avril 2025, elle a indiqué que les bots représentaient environ 35% des pages vues mais au moins 65% de son trafic le plus coûteux en ressources, car ils récupèrent des pages peu populaires qui ne sont pas mises en cache. La bande passante pour les téléchargements multimédia avait augmenté de 50% depuis janvier 2024. Comme le disait le billet : « Our content is free, our infrastructure is not » (Notre contenu est gratuit, notre infrastructure ne l’est pas).
Moins de visiteurs signifie aussi moins d’éditeurs et de donateurs potentiels, ce qui explique pourquoi la Foundation considère l’attribution comme plus qu’une simple politesse.
Comment cela est mis en application
Il ne s’agit plus seulement d’une demande. En avril 2026, la Foundation indiquait qu’elle bloquait ou limitait environ 30% des requêtes automatisées provenant de crawlers qui enfreignent ses règles. Le déploiement mondial des limites de débit de l’API s’est achevé en juin 2026.
| Règle | Ce qu’elle indique |
|---|---|
| API, sans identification | 10 requêtes par minute |
| API, avec User-Agent identifiant, sans connexion | 200 requêtes par minute |
| Crawling (politique robots) | Respecter robots.txt, moyenne inférieure à 20 requêtes par seconde, moins de 10 en simultané |
| Agents utilisateurs de navigateur sur des bots | Un comportement de type bot « sera présumé malveillant » |
| Site des dumps | 3 connexions par IP |
| Volume plus élevé | Les utilisateurs externes sont orientés vers Enterprise |
Les voies d’accès aux données
Vous disposez de plus d’options légitimes que ne le laissent entendre les gros titres.
| Voie | Adaptée à | Limites |
|---|---|---|
| APIs publiques | Recherches ponctuelles et identifiées | Les limites de débit ci-dessus |
| Compte Enterprise gratuit | Prototypes et usage modéré | 50 000 requêtes On-demand et 30 Snapshots par mois, mises à jour mensuelles |
| Enterprise payant | Production, fraîcheur des données, Realtime | Prix sur demande |
| Jeu de données Kaggle | Expériences avec du JSON structuré | Bêta, anglais et français |
| Dumps et exports de contenu | Copies hors ligne complètes | Les dumps XML s’arrêtent en janvier 2027 |
| Wikidata | Faits structurés | Publié sous CC0, donc aucune attribution nécessaire |
L’adoption commerciale est réelle mais encore modeste. En janvier 2026, Wikimedia Enterprise a cité Amazon, Meta, Microsoft, Mistral AI et Perplexity parmi ses nouveaux partenaires, rejoignant Google et d’autres. Pour son exercice fiscal 2024-25, elle a déclaré 8,3 millions de dollars de revenus provenant de 13 clients commerciaux sur l’offre payante.
L’accès n’équivaut pas à une licence
Un détail est facile à manquer. La Foundation affirme que la stratégie commerciale d’Enterprise « isn’t licensing-based. It’s access-based » (n’est pas fondée sur la licence, mais sur l’accès). Payer achète une livraison fiable, pas des droits différents. Le texte reste sous CC BY-SA 4.0, quelle que soit la voie utilisée : la réutilisation nécessite une attribution, par exemple un lien vers la page, et le texte modifié doit être diffusé sous la même licence. Les faits eux-mêmes peuvent être réutilisés librement.
La question de savoir si l’entraînement sur le texte déclenche ces conditions reste non tranchée. Dans un mémoire d’amicus curiae déposé dans l’affaire New York Times contre OpenAI, publié le 30 octobre 2026, la Foundation a soutenu qu’entraîner un modèle nouveau et différent pourrait ne pas nécessiter de respecter les conditions de licence, tandis que l’usage par un moteur de réponse qui récupère et répète le contenu « should not be considered fair » (ne devrait pas être considéré comme équitable). Il s’agit de l’argument d’une partie, pas d’une décision de justice, et cela pourrait ne pas refléter la manière dont un tribunal tranchera. Notre guide sur qui possède les données scrapées couvre les questions plus larges, et un conseil juridique devrait examiner votre usage spécifique.
Le point pratique demeure dans tous les cas : les produits de récupération d’information ont la raison la plus forte de porter une attribution. La Foundation a indiqué qu’une API d’attribution dédiée figure parmi ses prochaines étapes, il vaut donc la peine de s’y préparer dès maintenant.
Ce que les équipes IA et données devraient faire
- Déterminer comment vous l’utilisez aujourd’hui. Vérifiez les journaux de vos crawlers et les contrats fournisseurs. Si Wikipedia vous parvient via un jeu de données tiers, demandez comment ces données ont été collectées.
- Choisir la voie selon le besoin. Un corpus ponctuel peut ne nécessiter qu’un export ou un Snapshot. Un moteur de réponse en direct a probablement besoin d’Enterprise.
- Identifier votre client. Utilisez un User-Agent descriptif avec des coordonnées de contact, restez dans les limites publiées, et respectez robots.txt.
- Anticiper le changement concernant les dumps. Si un pipeline dépend des dumps XML, migrez-le avant janvier 2027.
- Conserver les enregistrements de source. Stockez l’URL de la page et la révision pour chaque document, afin que l’attribution et la suppression restent possibles. Notre guide sur la provenance dans le pipeline d’entraînement de l’IA montre comment procéder.
- Budgétiser l’accès comme une ligne à part entière. Wikipedia s’inscrit dans une évolution plus large, aux côtés des péages de crawlers et des normes de licence.
Une note sur les proxys résidentiels
La Foundation cite les proxys résidentiels parmi les moyens utilisés par certains opérateurs de crawlers pour contourner ses limites. Nous vendons des proxys résidentiels, alors soyons clairs : ne les utilisez pas pour cela. Wikipedia propose des données en masse, des offres gratuites et une voie documentée vers un volume plus élevé, et elle a demandé que le trafic en masse emprunte cette voie. Il n’y a aucune bonne raison de déguiser un crawler dans ce contexte, et ses politiques indiquent que de tels clients peuvent être bloqués.
Les proxys résidentiels sont destinés à un usage différent, comme observer l’apparence de pages publiques pour des visiteurs locaux dans différents marchés. Le bon outil pour les données de Wikipedia est celui que Wikipedia fournit.
En résumé
Le message de Wikipedia est passé d’une demande à une politique appuyée par des limites de débit et des blocages, avec une porte ouverte pour quiconque emprunte la voie officielle. Pour la plupart des équipes, la réponse est simple : utiliser les exports, l’offre gratuite ou Enterprise, identifier votre client, conserver des enregistrements pour l’attribution, et suivre la manière dont les tribunaux traitent la question de la licence. C’est un modèle utile pour comprendre comment d’autres sources ouvertes pourraient se comporter à l’avenir.
Sources et références
- Wikimedia Foundation, In the AI era, Wikipedia has never been more valuable (10 November 2025): wikimediafoundation.org
- Wikimedia Foundation, on Wikimedia Enterprise and protecting Wikipedia (16 July 2026): wikimediafoundation.org
- Wikimedia Foundation, amicus brief in New York Times v. OpenAI (30 October 2026): wikimediafoundation.org
- Diff, New user trends on Wikipedia (17 October 2025): diff.wikimedia.org
- Diff, How crawlers impact the operations of the Wikimedia projects (1 April 2025): diff.wikimedia.org
- Diff, Quo vadis, crawlers? (26 March 2026): diff.wikimedia.org
- Diff, Wikimedia Enterprise financial report, fiscal year 2024-2025: diff.wikimedia.org
- Wikimedia Enterprise, partners (15 January 2026) and pricing: enterprise.wikimedia.com, enterprise.wikimedia.com/pricing
- Wikimedia Enterprise, Kaggle dataset: enterprise.wikimedia.com
- Wikimedia APIs, rate limits: mediawiki.org
- Wikimedia robot policy: wikitech.wikimedia.org
- Wikimedia User-Agent policy and Terms of Use: foundation.wikimedia.org, foundation.wikimedia.org
- Wikimedia dumps: dumps.wikimedia.org