Wayback Machine : pourquoi l'archive du web est menacée, et pourquoi c'est dangereux

La Wayback Machine a archivé plus de mille milliards de pages depuis 1996. C'est l'outil que journalistes, chercheurs et tribunaux utilisent pour prouver qu'une page a existé, qu'un site a changé de version, qu'une déclaration a été supprimée. Cette infrastructure tient aujourd'hui sur des bases beaucoup plus fragiles qu'on ne l'imagine.

Les éditeurs de presse ferment la porte à leurs propres archives

Selon une analyse de la société Originality AI relayée par Wired, 23 grands sites d'actualité bloquent le robot d'indexation de la Wayback Machine (ia_archiverbot). Le Nieman Lab de Harvard élargit le constat : 241 sites de presse dans neuf pays interdisent au moins un des robots d'Internet Archive, dont 87 % appartiennent au seul groupe USA Today Co. Le New York Times a pris une mesure similaire, tout comme Reddit depuis août 2025. The Guardian adopte une approche plus chirurgicale : ses pages d'accueil restent archivées, pas ses articles.

La raison invoquée est presque toujours la même : empêcher que des entreprises d'IA n'aspirent leur contenu par la bande, via l'archive plutôt que directement sur le site. Un porte-parole du New York Times a évoqué une utilisation de son contenu par des IA "en violation du droit d'auteur" pour justifier le blocage. Le directeur de la Wayback Machine, Mark Graham, qualifie l'Internet Archive de "dommage collatéral" dans un conflit qui oppose en réalité éditeurs et entreprises d'IA.

Ce qualificatif résume bien le problème : la Wayback Machine ne fait que subir les conséquences d'un rapport de force qu'elle n'a pas créé. Ce sont des robots d'IA qui aspirent le contenu éditorial à grande échelle, sans distinction entre une page de test et une enquête qui a mobilisé une rédaction pendant des mois, et le plus souvent sans accord de licence ni compensation pour les organes de presse dont c'est pourtant le modèle économique. Face à ce crawl indiscriminé, les éditeurs n'ont eu ni le rapport de force ni, semble-t-il, de véritable interlocuteur côté IA pour négocier un cadre de collaboration. Bloquer purement et simplement, y compris les outils tiers comme la Wayback Machine qui n'y sont pour rien, est devenu la seule défense disponible.

Le paradoxe est frappant : une enquête de USA Today sur la manière dont l'administration Trump a modifié ses statistiques de rétention de l'agence ICE s'est appuyée sur des pages archivées par la Wayback Machine. Le même groupe de presse bloque pourtant l'archivage de son propre site.

Un organisme déjà fragilisé par la justice et par les pirates

Ce mouvement de blocage arrive alors qu'Internet Archive sort à peine d'une période éprouvante. En septembre 2024, la cour d'appel du deuxième circuit a donné raison à Hachette, HarperCollins, Wiley et Penguin Random House contre l'organisation, jugeant que son prêt numérique de livres entiers ne relevait pas du fair use. Internet Archive a renoncé à se pourvoir devant la Cour suprême en décembre 2024. Cette affaire concernait sa bibliothèque de prêt de livres (Open Library), pas directement la Wayback Machine, mais elle a coûté cher en ressources juridiques et financières à une structure qui fonctionne largement par dons.

Un mois plus tôt, en octobre 2024, Internet Archive avait déjà subi une cyberattaque en plusieurs vagues : une fuite exposant les identifiants de 31 millions de comptes, puis des attaques par déni de service revendiquées par le groupe SN_BlackMeta. Le site et la Wayback Machine sont restés inaccessibles ou en lecture seule pendant plusieurs jours, la fonction "Save Page Now" désactivée plus longtemps encore.

Une organisation à but non lucratif, financée par des dons, qui absorbe en l'espace d'un mois une défaite judiciaire majeure et une cyberattaque à 31 millions de comptes : la marge de manoeuvre pour investir dans la sécurité et la résilience à long terme s'en trouve mécaniquement réduite.

L'alternative n'est pas plus rassurante

Face à ces blocages, beaucoup se tournent vers archive.today (et ses miroirs archive.is, archive.ph), qui contourne les paywalls et les blocages de robots. Le problème, c'est que cette solution repose sur un fondement encore plus fragile : personne ne sait qui l'opère. Le nom associé à l'enregistrement du domaine, "Denis Petrov", est très probablement un pseudonyme.

En octobre 2025, le FBI a assigné le bureau d'enregistrement Tucows à comparaître pour obtenir l'identité, les coordonnées bancaires et les journaux de connexion du propriétaire du site, dans le cadre d'une enquête pénale dont la nature n'a pas été précisée. En février 2026, Wikipedia a voté le bannissement pur et simple des liens vers archive.today, après qu'un chercheur ayant documenté le site en 2023 a vu sa page CAPTCHA détournée pour lancer une attaque par déni de service contre le blog d'un tiers, puis a reçu des menaces de diffusion de contenus pornographiques générés par IA à son nom.

Autrement dit : le service vers lequel se replient les utilisateurs qui fuient les blocages sur la Wayback Machine est géré par un inconnu, sous enquête fédérale, et vient d'être jugé suffisamment problématique pour que l'encyclopédie la plus consultée au monde cesse d'y renvoyer ses lecteurs.

Le vrai problème n'est pas l'archive, c'est le crawl sans cadre

Cette affaire dit surtout quelque chose sur la manière dont les entreprises d'IA ont construit leurs jeux de données : en crawlant le web à grande échelle plutôt qu'en négociant avec les organes qui produisent l'information originale. Certains acteurs ont depuis signé des accords de licence avec des éditeurs, mais cette démarche reste minoritaire face au volume de scraping non encadré. Tant que l'aspiration de contenu reste plus rapide et moins coûteuse que la négociation, les éditeurs continueront de répondre par le blocage généralisé, quitte à saborder au passage un outil d'intérêt public qui ne leur a rien pris.

Pourquoi c'est dommage, et pas seulement pour les nostalgiques du web

Une étude du Pew Research Center a montré qu'un peu plus d'un tiers des pages web indexées en 2013 avaient disparu dix ans plus tard. Un data scientist d'Internet Archive a calculé que la Wayback Machine avait sauvé environ 15 % de ces pages autrement perdues : reportages, déclarations officielles, preuves de changements de position. C'est ce solde qui rétrécit à mesure que les éditeurs ferment l'accès à leurs propres contenus.

Le risque n'est pas seulement journalistique. C'est aussi un risque juridique et démocratique : sans archive indépendante, il devient plus facile de modifier discrètement une page officielle, un communiqué d'entreprise ou un document gouvernemental sans laisser de trace vérifiable, comme je le documentais déjà à propos des suppressions de pages fédérales américaines. Bloquer l'archive ne bloque pas l'IA, qui dispose d'autres moyens de collecte : ça retire surtout aux journalistes, aux chercheurs et aux citoyens un outil de vérification qu'aucune alternative fiable ne remplace aujourd'hui à la même échelle.

Ce qu'il faut suivre maintenant

Trois dossiers déterminent la suite : l'issue de l'enquête du FBI sur archive.today, l'évolution du rapport de force entre éditeurs de presse et entreprises d'IA autour du scraping, et la capacité financière d'Internet Archive à investir dans sa cybersécurité après 2024. Sur les réflexes à adopter pour protéger vos propres données en attendant, voir mon article sur la sécurité numérique pour un particulier.

Sources : Wired via 9to5Mac, Forbes, FAQ Internet Archive, Malwarebytes, 404 Media, Boing Boing.

Questions fréquentes

La Wayback Machine va-t-elle disparaître ?

Rien n'indique une fermeture à court terme, mais sa couverture s'appauvrit mécaniquement à mesure que des centaines de sites de presse bloquent son robot d'indexation, et sa capacité de résilience a été affaiblie par les procès et cyberattaques de 2024.

Pourquoi les éditeurs de presse bloquent-ils un outil qu'ils utilisent eux-mêmes ?

Par crainte que des entreprises d'IA contournent leurs propres blocages anti-scraping en passant par les copies archivées sur la Wayback Machine plutôt que par leurs sites originaux.

archive.today est-il une alternative fiable ?

Non recommandée comme substitut de confiance : son propriétaire est anonyme, il fait l'objet d'une enquête du FBI depuis 2025, et Wikipedia a banni tous les liens vers le site en février 2026 après un incident de sécurité impliquant ses visiteurs.