Dans un petit livre très historique – Des règles sur mesure : généalogie du profilage algorithmique (Amsterdam, 2026) -, le philosophe du droit, Nathan Genicot, retrace l’histoire des débats autour du déploiement des principaux systèmes de profilage, à savoir les systèmes d’analyse psychologique au travail, les systèmes de calcul de risque assurantiels et les systèmes d’obtention de crédits bancaires. Et ce qui me semble très éclairant dans cet essai, c’est de constater combien les débats, plus riches que ceux que nous pouvons avoir aujourd’hui sur ces sujets, ont été perdus. Et plus encore, qu’ils ne semblent pas plus avoir été résolus hier qu’ils ne le sont aujourd’hui. Le profilage semble embourbé dans ses limites sans parvenir à ouvrir de voies pour les résoudre. 

La rationalité statistique est au fondement des Etats modernes, rappelle Genicot à la suite d’Alain Desrosières (La politique des grands nombres, La découverte, 1993), d’Alain Supiot (La gouvernance par les nombres, Fayard, 2015) ou encore de Theodore Porter (The Rise of Statistical Thinking, 1820-1900, Princeton University Press, 2020). Mais elle est également au fondement de l’intelligence artificielle. Les statistiques permettent à la fois de quantifier le social et de le prédire, de profiler chacun « sous le prisme d’attributs qu’il partage avec d’autres ». Nous sommes non seulement statistifiés, mais également comparés. Le profilage dont nous sommes l’objet, bien souvent par devers nous, consiste à prédire notre comportement depuis la comparaison avec celui des autres à partir des régularités du passé. Partout, nous sommes notés, prédits, quelque soit la marge de certitude ou d’incertitude des traitements et inférences. Le calcul est normalisé, naturalisé par un score, une note. Que ce soit pour s’assurer, emprunter, se loger, obtenir un emploi, recevoir des allocations, être mis en relation avec d’autres…  Pour Genicot, ce profilage, ce scoring, les appariements qui en découlent, sont des techniques de régulation, des outils de gouvernementalité. Mais, alors que la loi s’applique à tous de la même façon, le profilage, lui, permettrait de s’adapter aux caractéristiques de chacun. Pour le philosophe du droit, il promet d’individualiser le droit pour « pleinement réaliser le principe d’égalité », pour produire des « règles sur mesure ». Tout l’enjeu du livre consiste justement à vérifier cela. Est-ce que le profilage remplit cette promesse ? Est-ce qu’il rend la justice plus juste ? 

Des débats de calculs

Pour déplier ses constats, Genicot observe trois milieux où se déploient, presque concomitant des techniques de profilage : le travail, l’assurance et le crédit. Dans chaque secteur, Genicot révèle, extirpe des archives les débats de l’époque. Et ceux-ci sont étonnement nourris. Les calculs d’alors viennent avec des questions. La science balbutiante s’interroge, quand l’ingénierie d’aujourd’hui semble avancer comme un rouleau compresseur, sans vraiment s’interroger des défaillances que ses calculs produisent ou des limites que la statistique atteint, comme le relevait danah boyd il y a quelques années (et qui vient de donner lieu à un livre qui sera publié le 29 septembre aux presses de l’université de Chicago, Data Are Made, Not Found: A Story of Politics, Power, and the Civil Servants Who Saved the US Census). 

Les pratiques de profilage, rappelle-t-il, sont antérieures à la naissance de l’informatique, même si l’informatique va leur permettre de se déployer et de s’étendre sans commune mesure. Les premières classifications sont produites pour distinguer les capacités des élèves en créant des tests mentaux et d’aptitudes avec la psychologie différentielle. Les mathématiques servent alors à mesurer l’intensité et la qualité des sensations, la vitesse de réaction… pour mesurer les différences interindividuelles et caractériser les populations en marge de la société : les aliénés, les criminels, les pauvres, les anormaux. Derrière ces tentatives pour améliorer la justice en permettant aux politiques publiques de s’adapter aux profils de chacun s’amalgame des capacités de discriminations inédites porté par tout un courant eugéniste comme le montrera le paléontologue Stephen Jay Gould dans La mal-mesure de l’homme (Odile Jacob, 1997) ou plus récemment Kate Crawford dans son Contre-atlas de l’intelligence artificielle  (Zulma, 2022, voire également notre critique). Les tests mentaux visent à diagnostiquer les enfants anormaux dans le contexte de l’instauration de l’obligation scolaire, avec, pour ses promoteurs, une volonté d’améliorer la justice sociale. 

Le terme même de profilage naît pour décrire cette mise en nombre des individus, en 1909 et s’accompagne, dès l’origine, d’un mode de production graphique pour relier les résultats aux différents tests. Au-delà de l’école, les tests vont rapidement être appliqués à l’orientation et à la sélection professionnelle, pour mieux faire correspondre les profils psychologiques aux métiers. Genicot, en plongeant par exemple dans les travaux de Jean-Maurice Lahy, dans les années 30, nous montre que les ingénieurs de l’IA n’ont rien inventé. On produit des tests psychologiques sur deux groupes de travailleurs, les bons et les mauvais (selon une distinction déjà pleine de biais, puisqu’elle ne repose que sur l’appréciation de chefs de services et le nombre de fautes professionnelles recensées) pour produire des métriques distinctives. Test qu’on peut ensuite faire passer à tout requérant pour mesurer si ses caractéristiques sont plus proches de l’un ou l’autre groupe. On tente de mesurer l’énergie, l’endurance, la concentration, la capacité d’initiative… via des tests psychométriques qui ne vont cesser de s’affiner. On les fait passer à une galerie de métiers pour tenter d’identifier ce qui singularise chaque secteur… Le profilage est dès l’origine une comparaison aux attributs statistiques des autres. « L’essence du profilage consiste à prédire une variable cachée (ici : une aptitude) de manière probabiliste, c’est-à-dire sur la base de caractéristiques (ici : les résultats obtenus à des tests psychotechniques) qui sont fortement corrélées à cette variable ». On le voit, malgré leurs efforts à « désubjectiver les méthodes d’appréciation », ces techniques les réifient. Les conditions sociales sont invisibilisées dans les capacités des individus : « le profilage réduit des situations sociales à des propriétés individuelles » et les biais de l’entité qui profilent sont passés sous silence. 

Pas étonnant que ces tests professionnels soient donc contestés. Leur caractère discriminatoire en termes de genre, de niveau social, d’origine… se dévoile à mesure que ces profilages se répandent. Les tests d’aptitudes professionnels montrent par exemple que 58% des Américains blancs les réussissent contre seulement 6% des personnes noires. Les débats pour rétablir l’équité se démultiplient alors. Faut-il différencier ces tests selon l’âge, le genre, l’origine ? Ce n’est qu’en 1991 que les Etats-Unis tranchent en prohibant les pratiques d’ajustement des scores selon l’appartenance à un groupe protégé. Mais si le débat est tranché, il n’est pas réglé. J’ai l’impression que l’enjeu de corriger les biais reste entier. Aujourd’hui encore, on ne sait pas vraiment comment les corriger. Comme si les débats, tranchés par le droit, les avait arrêtés, sans stopper les pratiques ni les problèmes afférents. 

Avec le développement du numérique, le profilage va s’amplifier. Le big data permettant de démultiplier le profilage psychologique, malgré toutes les limites de ces tests, comme nous le disaient il y a quelques années déjà le psychologue Alexandre Saint-Jevin. En fait, le profilage va également s’étendre, comme celui des chercheurs d’emploi, initié au prétexte de mieux les accompagner et qui va surtout servir à les sanctionner et faire peser sur eux des contraintes plus importantes (sans que ce contrôle ne produise aucun horizon, comme nous disions en disséquant Chômeurs, vos papiers (Raisons d’agir, 2023), qui soulignait l’inefficacité du contrôle du chômage). Il va conduire également à un recrutement de plus en plus automatisé, où les systèmes calculent (un peu n’importe comment il faut le dire) la correspondance d’un CV à une annonce. Pour Genicot, la « logique corrélationnelle » se répand et s’impose partout, jusque dans l’évaluation des employés sur leurs lieux de travail. L’appréciation des individus par des variables qui ne lui sont jamais propres se couple d’une comparaison statistique des résultats de chacun évalués par rapport à ceux d’un groupe. Le profilage tient tout entier dans ce rapport étrange de soi aux autres, où les limites des métriques utilisées sont invisibilisées par les ratios et indicateurs produits. Comme si finalement les chiffres pouvaient assurer d’une neutralité de façade, d’une neutralité dont les limites ne sont plus interrogées. Les scores de risques sont partout défaillants, il n’empêche qu’ils ne cessent d’être produits et utilisés, comme nous le pointions en lisant Jathan Sadowski.  

En observant les débats du monde assurantiel comme ceux du secteur bancaire, Nathan Genicot montre les mêmes ambiguïtés. 

Quelles discriminations acceptons-nous ?

La sélection des assurés et la tarification des primes sont depuis longtemps rattachées au calcul de probabilités. L’assurance va prendre son essor au XVIIIe siècle après l’essor de l’arithmétique politique qui invente un siècle plus tôt les premières tables de mortalité qui décrivent le nombre de décès par âge. Le risque assurantiel s’est longtemps apprécié au niveau du groupe, plus qu’au niveau individuel, là où la condition de chacun est affectée par la condition des autres. Il faudra néanmoins attendre la loi de 1898 qui impose au patron d’indemniser les salariés victimes d’accidents du travail, pour faire de l’assurance le gage de la réparation. Les assureurs se mettent à sélectionner les risques qu’ils veulent couvrir comme les assurés. Ils comprennent vite que « plus le profilage est affiné, c’est-à-dire plus il y a sélection et tarification différenciées, moins il y a de solidarité ». Une constance simple que tout le monde semble avoir oublié à l’ère du Big Data. 

A défaut de parvenir à identifier d’autres attributs pertinents, l’âge s’impose souvent comme une catégorie principale, notamment pour l’assurance vie. Genicot souligne que le débat a été constant entre individualisation et solidarité. L’assurance n’a cessé de chercher des variables pertinentes. Derrière ces débats, on en voit poindre un autre, plus philosophique s’il en était : quelles segmentations – et donc quelles discriminations – acceptons-nous en tant que société ? Et lesquelles refusons-nous ? Si tout le monde semble accepter celle de l’âge, la discrimination de genre ou sociale par exemple le sont bien moins. Et les débats sur la discrimination d’origine, aux Etats-Unis, décalque des rapports de domination de la société, sont nourris. L’intégration du comportement et du mode de vie aujourd’hui dans le calcul assurantiel reste souvent polémique, à raison, puisqu’il incrimine l’individu et masque les différences créées par les rapports sociaux. 

Comme partout ailleurs, les assureurs produisent des scores pour calculer l’assurabilité de chacun. Les assureurs ne vont cesser de développer un discours pour justifier la segmentation qui leur profite en promouvant des calculs qui seraient dénués de connotation morale, alors que nombre d’entre eux vont user et abuser de pratiques problématiques, par exemple en tenant compte de la domiciliation pour faire grimper les primes des populations racisées par rapport à celles des riches (et blanches) banlieues américaines. Pourtant souligne Genicot, malgré les critiques acerbes contre les pratiques du secteur, peu de monde interroge « la prétention à atteindre l’objectivité dans l’évaluation des risques actuariels. La pertinence du recours aux classifications ne fait, à peu de choses près, pas l’objet de débats ». Pire, comme le soulignait la sociologue Greta Krippner, l’individualisation du risque semble bien plus la conséquence de la lutte contre les pratiques discriminatoires des marchés de l’assurance plutôt que liée à l’émergence du néolibéralisme. Bon, cela ne signifie pas pour autant que l’évolution du capitalisme est absente de la segmentation assurantielle. Celle est stimulée par la liberté tarifaire, et renforcée par les progrès de l’informatique qui va permettre de démultiplier les variables et de faire disparaître les discriminations derrières la complexité des critères. 

La régulation va bien sûr s’inviter dans ces innombrables débats, par exemple en encadrant les tarifs pour prémunir l’exclusion de certains publics, ou en écartant certaines formes de segmentation les plus criantes et problématiques, comme celles sur la religion, le sexe, l’origine ethnique ou la génétique… mais sans remettre en cause nombre de pratiques problématiques. En fait, derrière les débats nourris, la société semble n’être pas parvenue à fourbir de règles claires ne permettant pas les contournements. L’interdiction de faire des distinctions de genre par exemple n’a pas conduit à limiter les possibilités de segmentations, mais à conduit à utiliser des critères plus précis, comme s’y essaie l’assurance avec la prise en compte des comportements, à l’image de la conduite automobile elle-même. Une personnalisation dans laquelle l’assurance oublie sa fonction initiale : celle de mutualiser les risques. 

Genicot rappelle pourtant que l’assurance, pour fonctionner, doit reposer sur une segmentation modérée. Même constat quant au calcul du crédit et de son risque, né lui aussi avec l’essor des techniques statistiques. Dès l’origine, portés par les grands magasins pour faciliter la consommation, ceux-ci déploient des formulaires standardisés pour classer les performances de remboursements des clients. Là encore, « l’apparente objectivité de la classification n’empêche pas la présence d’une large part d’arbitraire dans l’attribution de la note ». Si la standardisation s’impose pour réduire le pouvoir discrétionnaire des agents, la statistique va s’y imposer dès les années 50 en développant des scores pour évaluer les capacités de remboursements de chacun. Enfin, pas seulement. A mesure qu’ils se déploient, là encore, les scores se complexifient, cachant dans leurs critères leurs innombrables jugements moraux et sociaux. En 1963 par exemple, les variables d’un fournisseur de score prennent en compte toute information disponible : le taux de crédit déjà engagé et les revenus bien sûr, mais aussi le statut marital et la profession, en passant par le fait d’être syndiqué. Derrière cette complexification des scores, c’est assurément notre compréhension commune qui s’éloigne, et avec elle, notre capacité à les réguler. Les innombrables facteurs pris en compte servent à obfusquer la discrimination raciale ou de classe à l’oeuvre. On apprend à utiliser des variables très éloignées des nécessités, simplement parce qu’elles peuvent être de bons prédicateurs, comme le fait d’avoir déjà un compte bancaire, ce qui est le cas de 87% de ceux qui paient leurs échéances de crédits… au risque que ces calculs accentuent les biais inhérents. Pas étonnant que, désormais, les économistes eux-mêmes estiment que les banques ne savent plus prêter à ceux qui en ont besoin. C’est comme si, à mesure qu’ils se perpétuent, les calculs se radicalisaient d’eux-mêmes. Comme l’IA semble s’écrouler à mesure qu’elle s’entraîne sur les données qu’elle produit, les calculs de la société semblent s’effondrer sur eux-mêmes à force d’être usés. Les scores de crédits, dont le célèbre Fico Score qui naît en 1956, se développent pourtant dans un contexte de compétition forte, promettant d’élargir le crédit aux plus pauvres. Il s’impose vite comme une métrique universelle… et immuable.

L’informatisation va permettre de renchérir le score de nouvelles variables, notamment cette des cartes de paiements électroniques qui permet de rendre les notes de risques dynamiques. Genicot rappelle que les notes ont une fonction disciplinaire. Elles font penser qu’elle dépend du comportement de chacun quand elles masquent d’abord des enjeux sociaux et de classe. Pire, malgré leurs lacunes intrinsèques, elles sont désormais utilisées pour d’innombrables autres services au prétexte d’un « besoin commercial légitime » : pour louer un logement, pour assurer une voiture, pour être embauché… « Tous utilisent la note de crédit comme un proxy, un indictateur du trait de comportement qu’ils cherchent à évaluer (tel que le fait d’être un bon locataire ou un bon employé) ». Le score de crédit devient un « outil de mesure de la moralité », alors qu’il est surtout, comme le disait Frank Pasquale dans Black Box Society (Fyp, 2015) opaque, arbitraire et discriminatoire. Les scores ne servent pas tant à clarifier les choses, disait-il, mais à les rendre plus obscures. 

Or, les scores modifient le réel qu’ils entendent décrire. Et à mesure que leur usage s’étend, radicalisent leurs effets. « Une mauvaise note entraînera un taux d’intérêt plus élevé, c’est-à-dire des conditions de remboursement plus difficiles pour la personne débitrice, ce qui accroîtra sa précarité économique. Si la note est prise en compte par des bailleurs ou des employeurs, l’incidence de cet effet de boucle sera d’autant plus significative. Une personne qui, à cause d’une mauvaise note, ne trouve pas d’emploi ou ne parvient pas à se loger, aura du mal à rembourser ses crédits et verra sa note diminuer encore davantage ». C’est en cela que les calculs se radicalisent, qu’ils renforcent le « lumpenscoretariat » qu’évoquaient Marion Fourcade et Kieran Healy. 

Là encore, des régulations seront votées pour encadrer les pratiques, mais sans vraiment parvenir à agir autrement qu’en limitant les pratiques les plus discriminantes. Derrière la neutralité des scores se cache l’accélération des biais. Même un score qui ne reposerait que sur les capacités financières des individus, serait foncièrement problématique puisque les capacités à rembourser sont loin d’être équitablement distribuées. Si l’enjeu est bien de prêter de l’argent aux gens, le score, par nature, vise bien plus à limiter le prêt qu’autre chose. Pas étonnant qu’on se retrouve donc avec des organismes bancaires incapables de faire leur métier : prêter de l’argent à ceux qui en ont besoin ! L’information sur les décisions de crédits prises par les organismes, sur leur distribution, la mesure de leur équité… elle est bien souvent inaccessible. Les critères des scoring ou l’étendu des situations où ils sont utilisés également. Les innombrables données peuvent être désormais utilisées comme des prédicteurs de votre capacité de remboursement, également. Partout, l’opacité du scoring est la règle. Quand on voit par exemple le nombre de gens débancarisés, on se dit que les scores de crédit semblent surtout avoir appris, eux, à masquer leurs lacunes. 

Le risque d’un droit… sur mesure

L’essai de Nathan Genicot est bien plus sage que ma lecture énervée. Il souligne néanmoins combien les modèles statistiques et algorithmiques s’imposent dans tous ces secteurs « pour optimiser la prise de décision en se substituant au jugement humain ». Ils imposent l’idée que l’individu est seul responsable de ses notes, faisant fi du contexte social. Mais plus encore, il estime que le risque de ces calculs, de ces profilages, consiste à produire des règles de plus en plus individualisées, au risque d’altérer notre conception du droit lui-même, pour remplacer la règle qui s’applique à tous, par un droit sur mesure, calculé selon le profil de chacun. 

Dans la dernière partie du livre, il revient sur la critique d’une conception mécanique du droit : les peines similaires, impersonnelles, uniformes, à tous ont longtemps été considérées comme un idéal d’objectivité et de justice. L’impersonnalité des processus décisionnels étant vu comme un rempart contre l’arbitraire et un gage de prévisibilité. Mais là encore, au début du XXe siècle, cette conception est critiquée au prétexte que les conditions et le contexte sont toujours significatifs. A l’égalité succède le principe d’équité, et avec lui, l’idée d’une individualisation des peines pour que le droit soit le même pour tous, à l’image de la critique de la TVA ou des contraventions et amendes, qui s’appliquent à tous au même taux, même à Bernard Arnault, alors que leur impact ne sont pas les mêmes selon les revenus des justiciables. Bon, il existe bien sûr des moyens d’y remédier, en fixant par exemples des critères ou des seuils. Car, comme le souligne très justement le philosophe, le problème de l’individualisation est qu’elle n’a pas de limite. On peut personnaliser selon d’innombrables variables, comme nous le montre le marketing numérique. 

Dans les revues académiques du droit, actuellement, le débat est visiblement vif sur ces questions. La rêve d’automatisation invite certains à imaginer d’adapter la loi aux situations au grès des circonstances, à ajuster et calibrer les standards. Mais comment trouver le bon niveau pour traiter à la fois « les mêmes situations de la même manière » et « traiter différemment des situations différentes » ? « Un consommateur impulsif qui réalise régulièrement des achats en ligne pourrait par exemple se voir imposer des conditions plus strictes avant de pouvoir renvoyer un produit et se faire rembourser qu’un consommateur qui aurait, au contraire, un tempérament responsable et prudent ». Certes, mais sur quelles données, quelles inférences serait produit ce jugement comportemental ? Et serait-il lui-même juste, opposable, redevable ? On a un peu l’impression que ces perspectives oublient toutes les limites pointées par les débats passés que l’auteur a mis en avant dans sa généalogie. 

Pour Genicot, « la substitution des systèmes normatifs classiques par des dispositifs de profilage est déjà à l’œuvre », notamment dans les rapports de l’Etat à ses administrés. C’était le cas notamment, dans les années 70 avec le système GAMIN, un des premiers dispositif public de profilage pour conditionner le versement d’allocation familiales. C’est également le cas avec le profilage des bénéficiaires de la CAF et nombre d’autres outils de gestion du social que nous évoquons souvent sur danslesalgorithmes.net. Du profilage des chômeurs aux contrôles des frontières, l’individualisation et le profilage sont partout, mais ils produisent assez peu d’équité et encore moins d’égalité, au contraire. Le profilage produit surtout des conditions plus dures pour les plus vulnérables. L’optimisation prédictive partout où elle se déploie fonctionne mal, cela n’empêche hélas pas le développement d’innombrables formes de notations sociales. 

Pour Genicot, l’interdiction des notations sociales dans ce contexte par l’IA Act est le bienvenue, mais c’est oublier que le texte les rend licite plus qu’elle ne les interdit. Le RIA ne propose que de les encadrer, que de veiller à ce que les notes ne soient ni disproportionnées ni dissociées du contexte de leur production. Le fait que certains soient à haut risque ne fait peser sur eux qu’une surveillance accrue. Il ne vise pas à rendre les notes plus justes qu’elles ne sont. Ils ne nous invitent finalement pas à questionner la société. Il ne nous invite pas à changer la manière dont on calcule, ni ne nous aide à nous défier de l’enkystement des calculs. Il ne nous invite pas à changer la société, alors que demain, pour changer la société, il faudra assurément changer la manière dont elle est calculée. La personnalisation du droit, le profilage administratif, nous invite seulement à continuer la société telle qu’elle est. « Le profilage est profondément conservateur », rappelle le philosophe. « Le profilage conduit donc à créer des traitements différenciés dont il prétend cependant qu’ils sont conformes à l’égalité », sans offrir à la société les moyens de le vérifier. Ce n’est là que la parole des profileurs. Les innombrables enquêtes sur le sujet, notamment sur le profilage social, depuis les travaux pionniers de Virginia Eubanks, montrent toutes l’exact inverse. Aucun n’est conforme à l’égalité. En reposant sur l’individualisation et la responsabilisation de chacun, il est « l’exact inverse de la solidarité ». Le profilage « conduit à l’oblitération des relations et, plus largement du social. Le rapport de l’individu aux autres n’est jamais compris comme celui d’une interdépendance, mais uniquement comme une comparaison à une classe, à une collection d’individus ». « Les notes obscurcissent la dimension structurelle des inégalités sociales ». Et en s’imposant, elles nous empêchent finalement de les remettre en question. 

Au final, l’enquête historique de Nathan Genicot nous rappelle que pour changer la société, il va falloir changer la manière dont elle calcule. 

Hubert Guillaud

La journaliste de Bloomberg, Katrina Manson, a publié en mars un livre consacré au Project Maven : A Marine Colonel, his Team, and the Dawn of AI Warfare (Norton & Company, 2026, non traduit). Maven est le nom du programme d’IA développé par l’armée américaine pour faire la guerre (l’équivalent des programmes israélien que nous avons longuement évoqué dans DLA, notamment dans L’IA, ça sert, d’abord, à faire la guerre). Le livre raconte la bataille d’un officier des Marines, Drew Cukor, pour imposer le projet et convertir l’armée américaine aux promesses de la guerre automatisée. 

On regrettera vivement que le livre soit parfois peu précis sur ce que fait et ne fait pas Maven. Si on y apprend toute son histoire, on n’apprend pas comment le système fonctionne concrètement, ce qu’il arme ni comment. Si le livre évoque longuement le travail sur certaines données, notamment les images et vidéos satellitaires et de drones, c’est au détriment de toutes les autres qui nourrissent aussi le tableau de bord pour faire la guerre, et notamment les données provenant des écoutes téléphoniques, de la surveillance et du renseignement. Son interface qui semble la plus grande réussite du programme à en croire Manson ne nous est jamais montrée. 

Il faut comprendre que l’enquête de la journaliste porte plutôt sur le développement de projet agile au sein d’une bureaucratie contrainte et retorse. Si le livre propose une solide chronologie, Manson semble parfois rater certains enjeux au profit d’une ode à la persévérance et à l’innovation, comme fascinée par ce que Cukor et son équipe sont parvenus à imposer, dans l’adversité. 

Lancé en 2017, le projet Maven est désormais pleinement opérationnel. Il est le projet fondateur du ciblage automatisé. S’il n’est que l’un des 800 projets IA de l’armée américaine utilisés sur les champs de bataille, Maven est devenu son système phare, déployé dans toutes les branches militaires américaines. Plus qu’un outil de ciblage sans précédent, Maven est une plateforme qui concentre les dispositifs de renseignement et d’opérations. 

L’obsession de l’IA

Drew Cukor était officier dans les Marines à Kandahar en Afghanistan après les attentats du 11 septembre 2001. C’est là qu’il découvre les ordinateurs sur le terrain d’opération. Autant dire que sa déception est grande. A l’époque, les listes de cibles produites par le renseignement étaient enfermées dans des fichiers Excel. Chaque service avait ses propres outils d’analyse. Mais ces outils étaient inexploitables sur le terrain. Dès sa thèse dans le corps des marines en 97, Cukor défend que l’intelligence des machines est inutile si les soldats de terrain n’y ont pas accès. Pour lui, les ordinateurs doivent aider à transformer la donnée en intelligence pour l’action. En Afghanistan, puis à Bagdad en Irak, il constate que les ordinateurs sont inutiles aux soldats. Quand il devient le responsable du département du renseignement des Marines en 2010, son objectif est de réparer le renseignement et pour lui, cela signifie y déployer la plateforme de gestion de données proposée par une startup américaine, Palantir, dont il a apprécié la démonstration en 2009. In-Q-Tel, le fond d’investissement de la CIA a investi en 2005, 2 millions de dollars dans Palantir. A l’époque, Palantir n’est qu’un démonstrateur pourtant : il affiche des données provenant de nombreux silos du renseignement et permet de voir quel analyste y accède. Il garde la trace des changements et des indications que portent sur ces informations les agents. Une forme de wiki du renseignement permettant de discuter des informations, de les valider ou de les écarter. Parmi les données disponibles, il y a des appels téléphoniques et leurs transcriptions, des rapports d’interrogatoires, des images et vidéos… Et un système de requête permettant de trouver la trace d’informations dans toutes les informations disponibles pour les recouper. Palantir n’est qu’une interface qui permet d’afficher les données et de coopérer entre analystes sur des données qui proviennent du renseignement. Un tableau de bord.  

Le rapport de la commission du 11 septembre a pointé les défaillances du renseignement et plus encore de matériel pour l’exploiter. Cukor partage le même avis. Pour Cukor, comme pour Thiel et Karp, les fondateurs de Palantir, les attentats de 2001 ont été un choc. Pour eux, le renseignement américain a échoué à empêcher le drame. Pour eux, l’IA est la réponse à apporter : elle a pour mission de transformer le renseignement et les opérations. Mais, les Marines, où Cukor travaille, est le plus petit des services de la Défense américaine et son département spécialisé dans le renseignement est encore plus insignifiant. Cukor décide néanmoins d’utiliser Palantir sur le terrain en Afghanistan, en 2011. Très rapidement, les officiers de terrain le trouvent utile. La Marine l’utilise pour déterminer des routes et des zones d’atterrissage. L’outil est pourtant très imparfait, mais il fait vite la démonstration de ses possibilités. Pour Cukor, comme il le défendra dans une note, la modernisation du renseignement militaire est clé : à l’avenir, l’analyse déterminera qui l’emportera sur le champ de bataille. Le but est d’accélérer et d’améliorer la décision avec l’aide de l’IA. A l’heure où Google fait rouler des voitures autonomes, pourtant, l’armée n’a pas ces outils dans son catalogue. Pas même de système cloud. Et ce quand bien « même si l’internet a été une création du Pentagon et qu’il dépense 38 milliards de dollars par an dans les nouvelles technologies »…. Pour Cukor, tout est à faire. Mais pour convaincre, estime le soldat, il faut des applications concrètes, qui collent au terrain, utiles sur site.

Cukor propose d’utiliser l’IA pour analyser les données des drones et améliorer l’information satellitaire. Cukor va visiter les entreprises qui produisent des voitures autonomes. En 2017, il rencontre IDenTV, une startup qui construit un modèle de vision par ordinateur pour drones, capable de repérer des objets sur une image. Le Congrès valide les fonds. Le projet Maven est lancé. Son ambition est tout de suite de faire du ciblage. Pour lui, l’IA doit aider à sélectionner et prioriser les cibles et aider à apparier la réponse appropriée. Pour lui, le département de la Défense ne devrait plus jamais acheter de systèmes d’armement sans IA intégrée. Son idée fixe est de créer une application de ciblage révolutionnaire et démontrer que l’IA peut « réduire la durée de la chaîne d’engagement entre la détection d’une cible et son traitement : repérer, localiser, neutraliser ». Pour lui, le département de la Défense doit fonctionner bien plus comme une entreprise logicielle que comme une usine d’armement pour être capable de traiter la donnée, actif capital du terrain. 

Pour cela, Cukor se dote d’une équipe dédiée bien sûr. Tous semblent des avoir des profils atypiques, si l’on en croit Katrina Manson. Cukor, plus qu’un visionnaire, est plutôt décrit comme un psychopathe par certains d’entre eux. Un bourreau de travail, obsédé par sa vision. Manson délaye les commentaires des uns sur les autres… 

Du côté de la création de Maven, elle explique que l’enjeu a été d’intégrer peu à peu des informations provenant de différents types de drones et notamment les images qu’ils produisaient, qu’il a fallu faire parler, analyser, pour que les systèmes reconnaissent des formes. Une gageure pas si simple, notamment pour les drones qui volent le plus haut, qui renvoient des images où les informations sont difficiles à identifier du fait même de l’éloignement. Certains motifs ne font parfois que quelques pixels. L’étiquetage des images pour l’entraînement des systèmes n’était pas simple, d’autant que ces images sont produites selon différents angles, altitudes… L’autre enjeu de Maven a consisté à construire l’infrastructure pour sécuriser ces données tout en donnant accès aux agents assermentés comme aux logiciels des entreprises privées. Dès le début Maven se conçoit comme un projet en partie ouvert aux industries de l’IA, notamment aux entreprises capables d’apporter les capacités de traitement et de sécurisation, celles capables d’apporter les logiciels d’analyses des flux vidéos, etc. Manson montre surtout que les capacités du renseignement américain ne reposent pas seulement sur les capacités techniques des agences, mais visent surtout à agencer des infrastructures sécurisées, capables de traiter les volumes de données et l’information, et délimiter les capacités d’action de chacun. La structuration a consisté à ce que le gouvernement s’occupe des données et loue les licences d’usages des systèmes, à charge de les intégrer sans que ceux-ci n’accèdent aux données et les intégrer aux lourds systèmes sécurisés de l’armée. Ces travaux ne se sont pas menés avec les grandes entreprises du secteur, mais plutôt avec de petits acteurs, comme Clarifai.ai ou Xnor… Peu à peu, les entreprises fourbissent des dizaines d’algorithmes d’analyses, certains pour identifier les visages, d’autres pour les images de drones ou satellitaires. Faire apprendre la reconnaissance de formes aux systèmes prend du temps. 

L’enjeu pour Cukor était d’obtenir un démonstrateur utile sur le terrain, même si imparfait. Les premières démonstrations ont lieu en Somalie, 8 mois après le lancement de Maven. La démonstration n’est pourtant pas totalement concluante. L’écran se peuple d’indications de détection et toutes ne sont pas exactes (la moitié sont mêmes complètement fausses). La détection est lente. Mais l’IA montre qu’elle est capable de compter des humains sur un marché, de suivre des convois de véhicules en mouvement, de suivre des individus ciblés. Et puis, elle pointe des individus cachés dans des buissons qu’aucun humain n’avait détectés. L’IA venait de faire la démonstration de son utilité. Malgré ses défauts, l’exemple était saisissant. 

Cukor va tenter de rallier nombre d’acteurs à ses projets. Notamment Google et sa filiale, DeepMind, forte de son succès au jeu de Go, alors que son patron, Demis Hassabis a signé une lettre ouverte en 2015 contre les périls à utiliser l’IA pour la guerre. Les approches de Cukor pour inviter à rallier son projet sont difficiles. Partout, des déclarations s’en prennent au déploiement de l’IA, à l’image des plus actifs et radicaux, les acteurs de Stop Killer Robots, lancé dès 2012. Alors que les dépenses militaires soutiennent des entreprises de la Silicon Valley depuis longtemps, les révélations d’Edward Snowden en 2013 ont refroidi l’ambiance. Une entité de Google finira par signer un contrat avec Maven, pour le stockage d’infrastructure, pour aider l’armée à construire son propre cloud. En mars 2018, ce contrat entre Google et Maven est rendu public, déclenchant une vaste contestation dans l’entreprise… jusqu’à ce que Google annonce son retrait du projet (ou son implication semblait surtout anecdotique, mais symbolique). Microsoft prendra sa place. Puis bien d’autres. En février 2025, Google remisera ses principes. Peu à peu, les entreprises vont se joindre au projet, au prétexte de prêter leur concours à la sécurité nationale. En 2025, Hassabis lui-même affirmera que « les valeurs démocratiques de l’occident sont menacées ». La plupart de ceux qui ont dénoncé les dangers de l’IA se sont rangés pour se mettre au service du marché des armées. Après le retrait de Google d’ailleurs, le projet Maven est renforcé : le programme obtient « l’exemption de sécurité nationale », lui permettant de ne pas répondre de ses actions. Son budget passe de 16 millions de dollars en 2018 à 93 en 2019. Sous la gouvernance de Cukor, le programme Maven aura englouti 1 milliards de dollars.

Un long processus d’amélioration

Maven de son côté étend son projet à d’autres enjeux que l’analyse des images de drones, pour y intégrer des contenus de caméras de sécurité et surtout, des analyses de textes, de contenus audios provenant de l’écoute des communications, de fichiers provenant de documents capturés à l’ennemi. La labellisation permet aux algorithmes de progresser et d’identifier de plus en plus correctement de plus en plus d’objets. Ses équipes se déplacent d’un terrain d’opération l’autre pour tester ses outils, notamment en Afghanistan, où l’équipe se rend compte qu’il faut améliorer les modèles car les données d’entraînement utilisées en Somalie ne fonctionnent pas aussi bien ailleurs. Pour l’instant Maven ne fait que de la détection, mais pour Cukor, l’enjeu est déjà de passer à la phase suivante : cibler. Quand les algorithmes de détection s’améliorent en Afghanistan, ils s’effondrent aux Philippines : les véhicules à détecter ne sont pas les mêmes, l’environnement non plus… À mesure que l’outil s’étend, le travail s’étend. L’enjeu à suivre des cibles est plus complexe que la simple détection… Malgré l’effort de détection, les frappes de drones sont loin d’être parfaitement sécurisées, les erreurs et les dommages collatéraux sont élevés. Mais surtout, Maven va peu à peu devenir ce pourquoi il est peut-être vraiment créé : pas seulement optimiser l’information, mais peut-être plus encore optimiser les ressources militaires, c’est-à-dire concentrer la puissance de feu pour qu’elle ait plus d’effets. L’IA pour faire la guerre est aussi, si ce n’est d’abord, un outil pour optimiser les ressources, décider de quelle arme employer… Maven semble un tableau de bord comme les autres : utilisé pour optimiser et contrôler les dépenses !

Au détour de son histoire, Mason raconte souvent l’obsession chinoise de l’armée américaine. A tous les niveaux, l’armée US semble convaincue que le prochain terrain d’opération sera une confrontation avec la Chine. Les américains sont convaincus que la Chine va reprendre Taïwan, plateforme de la construction des puces électroniques mondiales. Et l’armée américaine est convaincue que l’IA peut les aider à détecter l’offensive chinoise qu’ils attendent et contre laquelle ils se préparent. 

Manson évoque bien sûr Palantir et son PDG, Alex Karp, « le dealer d’armes IA du XXIe siècle ». En quelques années, Palantir est devenu le premier fournisseur de systèmes de Défense au monde. « La seule façon d’être en sécurité pour les Américains, est de s’assurer que ses adversaires aient peur », clame Karp. Pour lui, les activistes de la paix sont une infection. Ses systèmes savent agréger comme nul autre toutes les données, tous les détails sur une carte permettant aux systèmes d’IA et aux analystes de tout voir et de tout planifier. En s’imposant peu à peu comme l’acteur incontournable des systèmes de Défense, Palantir a décroché un accord de 10 milliards de dollars avec l’armée américaine pour les multiples licences à utiliser ses outils. Elle est devenue l’une des entreprises les plus rentables du monde. En 2018, alors que Maven se déploie timidement, Cukor veut déjà aller plus loin. Il voudrait que Maven incorpore tous les systèmes que l’armée utilise pour devenir la plateforme unique, le tableau de bord de la guerre, et notamment, incorporer les vidéos dans sa carte pour permettre aux analystes d’avoir accès à toujours plus d’informations, simplement ou leur permettre de cliquer sur une cible pour que le système la trace et la détruise. Pour cela, Cukor estime qu’il faut intégrer l’IA plus avant, dans le flux de ciblage lui-même. Le problème, c’est qu’à l’époque, l’argent de Maven est destiné à l’intelligence, pas à l’opérationnel. L’armée dispose d’innombrables options logicielles et intégrer l’IA est encore hautement controversé. En avril 2018, Cukor rencontre Palantir et déploie sa vision des systèmes de Défense pour les 10 prochaines années. Il imagine une sorte de Google Earth appliqué à la guerre. Un tableau de bord rassemblant toutes les informations, les structurant, les rendant disponibles… et les analysant. Il demande à Palantir de réimaginer l’interface utilisateur qu’ils proposent avec Gotham, l’un de ses logiciels. De faire quelque chose sur mesure. Cukor va initier des discussions avec nombre de start-ups. En octobre, l’équipe de Maven installe Palantir sur ses serveurs. La communauté militaire est rapidement convaincue de l’apport, malgré les coûts, même si l’installation de Palantir rend Maven moins essentiel. Cukor insiste pour que tout soit profondément séparé, aucune donnée n’est autorisée à passer d’un système à l’autre. Si la protection des données semble assurée, d’autres critiquent le fait que le Pentagon construise des services en couches, comme des tranches de cake superposées. Mais Palantir ajoute une couche d’analyse sur Maven : « La nouvelle plateforme de Palantir superposait de la réalité augmentée aux flux vidéo, traçant des lignes de planification de mission aux couleurs vives sur les images pour désigner les itinéraires comme étant sûrs ou dangereux. Des cercles concentriques, appelés cercles de portée, rayonnaient depuis un site d’attaque potentiel sur la carte pour indiquer la zone où des victimes pourraient subir des dommages collatéraux. Cette superposition attribuait également des numéros à des bâtiments spécifiques, facilitant grandement la communication entre des équipes disparates. » L’interface rend le tableau de bord et les cartes plus lisibles. Dans l’équipe de Maven, plusieurs pensent que l’intégration de Palantir est problématique. Cukor fait entrer nombre d’autres entreprises dans Maven, bien avant les grands acteurs de l’IA que seront OpenAI ou Anthropic, pour développer des modèles pour analyser les images et les données. 

Mason égraine les relations partenariales entre Maven et d’innombrables startups de la Valley. Leur flux, leurs reflux… Les avancées, les reculs, les hésitations.. Les luttes internes dans l’armée pour piloter les programmes d’IA, les guerres de territoires autour du partage de données qui permettent aux programmes de fonctionner. Beaucoup estiment que les protections imposées par Cukor sur les données restent son pire échec, empêchant leur partage entre différents services plutôt qu’empêchant les startups d’y accéder. La dernière partie du livre est toute entière autour de cette guerre de territoire entre différents services de l’armée. Derrière cette bataille interne, tout l’enjeu est de permettre non seulement de repérer, mais plus encore d’éliminer, de raccourcir la kill chain, comme l’ânonne chacun.

Reste que les débuts de ces intégrations n’en sont pas moins laborieux. « Les détections par IA semblaient initialement encore plus laborieuses avec le nouveau système de Palantir. Les détections apparaissaient sous forme de points si volumineux qu’ils masquaient les objets, rendant impossible la distinction entre adultes et enfants par exemple ». En octobre 2019, Maven est sur le front pour éliminer Abu Bakr al-Baghdadi…Trump est ravi de voir l’assassinat en direct, comme s’il regardait un film. 35 000 frappes contre l’Etat islamique sont déclenchées en même temps que le raid. Maven remplit son contrat. A nouveau, le système détecte des problèmes que les analystes n’avaient pas vu. « L’IA apparaît enfin capable de déchirer le brouillard de la guerre ». Même si les frappes sont loin d’être sans erreurs, comme le pointait la presse à l’époque. Entre 1437 et 8000 civiles seront tués en 5 années d’opération contre l’Etat islamique en Irak et Syrie, comme le révéleront les investigations de la NPR et du New York Times. L’armée américaine sera contrainte à mener une deuxième enquête après les contestations de la première pour éclaircir ce point, mais ses résultats ne seront jamais publiés. 

Les défaillances de l’IA sont pour l’instant passées sous silence, mais nombre de civiles sont souvent confondus avec des combattants. L’IA ne distingue pas les bons des mauvais. Ce qu’il voit devient souvent une cible puisqu’il est conçu pour en produire. Pour les défenseurs de la généralisation de l’IA, l’IA n’est pas toujours en cause, renvoyant la responsabilité aux humains. Pour les prosélytes de ces systèmes, ils permettent d’accéder à plus de données que jamais pour mieux décider. Pour les journalistes, les victimes civiles sont toujours plus nombreuses que comptées dans les rapports de l’armée. Lors de l’opération Tempête du désert en 1991, 90% des bombardements manquaient leur cible, faute de précision. Désormais les erreurs proviennent bien plus des biais des systèmes, du défaut de contexte ou de l’ignorance. Pas sûr que ce soit plus rassurant. En 2015, l’armée américaine a bombardé un hôpital en Afghanistan faisant 42 morts : la faute à de mauvaises coordonnées et à des erreurs humaines, reconnaîtra l’armée. 

Pour s’améliorer, Maven a capitalisé sur l’étiquetage des données pour mieux aider à entraîner ses systèmes et améliorer leur performance. La labellisation coûte de l’argent et prend du temps. En septembre 2020, avec l’aide de Palantir, Scale AI puis Enabled Intelligence, la labellisation devient un gros business pour ses acteurs : elle représente 708 millions de dollars de contrats pour l’armée, sans compter les 400 étiqueteurs de données, des militaires  employés directement par Maven, qui disposerait désormais de quelques 100 millions d’images étiquetées. Une arme sur une épaule ne se distingue bien souvent que sur deux ou trois pixels. Mais une fois entraînés, les systèmes se révèlent meilleurs que les humains, puisqu’ils peuvent voir ce que les analystes ne peuvent pas voir. En fusionnant les données provenant d’innombrables sources (images, signal radio et électromagnétique…), tout l’enjeu est d’améliorer la détection d’objets qui ne sont pas visibles aux humains et de les faire apparaître sur la carte. Pour l’armée, l’IA n’identifie pas toujours des objets mieux que l’humain, mais elle les identifie avant et plus vite que l’humain. 

La journaliste évoque encore la difficulté à sélectionner les armes appropriées, qui doit répondre à des contraintes nombreuses, de disponibilité, de temporalité et de communications. Ou encore, la difficulté à distinguer les combattants de ceux qui ne le sont pas. La Défense américaine se dote de documents de cadrage sur le ciblage, sans les publier. 

Maven, la puissance brute

Alors que Drew Cukor a quitté le programme en octobre 2021, en février 2022, Maven est déployé en soutien à l’Ukraine en Allemagne. Ses capacités de détection, confrontées à un nouvel environnement, nécessitent à nouveau une mise à jour pour s’améliorer. A nouveau, les algorithmes doivent s’adapter aux données et les données être labellisées pour s’adapter aux terrains et aux objets de guerre locaux. L’Ukraine n’est pas le désert. Il faut identifier les systèmes russes, comme les Tracteur-érecteur-lanceurs russes. Cela ne prendra que deux semaines seulement. Maven fait la demonstration que son système est capable de s’adapter très rapidement. 

L’armée américaine va très vite partager des informations avec l’Ukraine, mais sans leur donner accès à ses systèmes pour ne pas être accusée de participer à la guerre. Elle aide les analystes urkrainiens à regarder aux bons endroits. Depuis son QG allemand, Maven améliore son infrastructure cloud et sa connectivité pour éviter nombre de problèmes de latence. L’équipe transmet des cibles détectées à l’Ukraine, une trentaine par jour, 3 fois plus que ce qu’elle n’en voyait en Irak 5 ans plus tôt. La vitesse de la guerre a triplé en 5 ans, souligne Manson. Le nombre de détections ne va cesser de s’améliorer… Notamment en intégrant toujours de nouvelles données par exemple les interceptions de communications téléphoniques et radios russes, les explosions de missiles entendus via ces communications, les réseaux sociaux, comme les informations provenant de TikTok ou Twitter… « Les Etats-Unis deviennent les yeux de l’Ukraine ». Ils signalent également des points d’intérêts (jusqu’à 267 par jour en 2022) grâce à Maven. Mais l’enjeu n’est déjà plus l’identification de cibles, que les ressources en armes, missiles, munitions, drones… 

La guerre devient une question de puissance brute. Alors que l’armée américaine envoie des ressources sur le terrain, Maven teste et évalue plus de 1500 algorithmes pour améliorer son système. L’Ukraine va permettre à Maven de s’améliorer encore. Maven permet à l’armée ukrainienne de voir plus loin que le front. Après avoir progressé sur les cibles fixes, Maven s’améliore sur les cibles dynamiques. La communication s’améliore. Les ukrainiens sont désormais capables de détruire des cibles 18 minutes après que les Américains les leur aient communiqué. En 2024, l’Ukraine a détruit plus de 2600 tanks russes et plus de 5000 véhicules armés. Pour l’armée US, le soutien à l’Ukraine a permis d’engranger d’innombrables progrès. Le succès de Maven ne repose pas seulement sur ses algorithmes, mais bien plus sur ses données et la façon dont les flux s’interconnectent. Les systèmes sont désormais capables d’identifier un objet dès qu’une seule image se présente. Ils font encore des erreurs, peuvent ne pas tout voir, mais savent désormais repérer des objets, même avec peu de données d’entraînements. En 2024, l’armée américaine ne fait plus passer qu’une douzaine de points d’intérêts par jour à l’armée ukrainienne. Mais c’est d’abord parce que celle-ci a également énormément progressé et a bien moins besoin de l’aide américaine. Les taux d’erreurs se réduisent selon les chiffres de l’armée. La précision s’améliore. L’armée russe a utilisé des faux marqueurs sur le terrain, pour tromper les modèles de détection satellitaires, mais Maven a vite appris à les distinguer. Les données sont devenues le nerf de la guerre. Leur intégration de plus en plus rapide fait la différence. Maven est un système adaptable, qui se met à jour rapidement, comme un logiciel, explique Manson. « Il peut produire ce dont le commandement a besoin ». Sous le commandement de Whitworth, Maven est devenu un projet public, qui a quitté le secret. Le tir est désormais prêt à être entièrement automatisé. Au printemps 2025, le contrat du Pentagon pour Maven Smart System est passé à 1,3 milliards de dollars. Celui de Palantir à 480 millions de dollars. 

Les machines combattent les machines. La NSA écoute le monde entier. Et désormais, la NGA le regarde. Elle observe le globe en permanence. « En 2024, le commandement alimentait le système intelligent Maven avec 179 flux de données en temps réel provenant des domaines terrestre, maritime, aérien, spatial et cybernétique. » Désormais, les opérateurs qui utilisent Maven approuve ou désapprouvent le ciblage depuis le tableau de bord de ciblage fourni par Palantir, déterminent les priorités, hiérarchisent les ciblages, et envoient directement des messages aux systèmes de tirs. La kill chain est effectivement devenue bien courte. « Une cible peut désormais passer de détectée à engagée en quelques minutes, contre plusieurs heures auparavant ». Maven sait désormais détecter et tracer les missiles ennemis en temps réel et travaille à prévoir là où ils vont frapper. 32 entreprises différentes travaillent sur le programme Maven, 25 000 personnes l’utilisent. Il a accumulé plus d’un milliard de détection d’objets. Depuis 2024, Northcom et le Norad l’utilisent. 

L’adoption de Maven est totale. Il est utilisé pour faire de la détection de franchissement de frontières aux Etats-Unis ou pour surveiller le trafic de drogue dans les Caraïbes. La garde nationale l’utilise pour surveiller les départs de feux. Les promoteurs de Maven comme ceux de Palantir estiment que Maven n’est pas un système d’armement, que valider une cible ne déclenche pas le largage d’une munition sur celle-ci. Mais cette défense semble de plus en plus une parade argumentative. Le système apparie les munitions aux cibles et propose une priorisation des cibles que les analystes peuvent certes aménager… 

Pour certains militaires, Maven nécessiterait une doctrine d’usage. Ce que montre Katrina Mason dans ses conclusions, c’est que pour l’instant, la seule doctrine consiste à l’utiliser. « L’IA dotée d’une capacité d’action autonome va non seulement complexifier le projet Maven et l’usage général de l’IA dans la guerre, mais aussi la rendre plus opaque pour l’utilisateur. Elle va également accélérer le rythme des conflits et en amplifier l’ampleur ; par ailleurs – et en dépit des arguments vantant le potentiel de désescalade de l’IA – elle risque de rendre la guerre plus probable. »

L’ajout de LLM dans Maven, via Palantir et d’autres entreprises, comme OpenAI ou Anthropic, a pris du temps. Les premières tentatives ont été déceptives. Elles semblent surtout utilisée pour développer des prototypes de campagne et pour planifier des décisions militaires. Mais leur usage est pour l’instant observé avec défiance, estime Mason, notamment par crainte qu’ils empoisonnent les systèmes. Cela n’empêche pas leur intégration de s’étendre, même si on connaît fort mal la manière dont l’IA générative est utilisée. 

L’obsession de l’autonomie, la réalité de l’escalade

Katrina Mason termine son livre en revenant sur les propos d’Antonio Guterres, le secrétaire général des Nations Unies, qui souhaite interdire le recours aux armes autonomes et qui s’inquiète du développement de l’IA dans le domaine militaire. La balance est pour l’instant difficile à faire, par manque d’information sur les systèmes et leurs conséquences. L’IA dans la guerre permet-elle de limiter les dommages collatéraux et les victimes civiles ou de les étendre ? Toutes les armées qui déploient ces systèmes assurent garder la main : qu’il y a toujours un humain pour valider les décisions de l’IA, mais on sait que cela tient d’une fable plus que d’une réalité. Le contrôle humain tient d’un slogan vague et mal conçu. Les systèmes embarquent les biais du renseignement avec eux et peuvent mal identifier les personnes depuis les lacunes des systèmes de reconnaissance. La Convention sur le contrôle des armes (CCW GGE) discute depuis 2014 du problème des armes autonomes. Pour Mary Wareham, longtemps responsable de la question de l’armement à Human Rights Watch, l’une des initiatrices de Stop Killer Robots, nous devrions pousser les Etats à signer un traité pareille à celui de la réduction des mines antipersonnelles. Mais pour Cukor, comme pour l’armée américaine, le risque vient bien plus du risque de développement d’armes autonomes par ses ennemis. L’armée est plus inquiète de sa capacité à neutraliser une attaque que de réguler les siennes. Pour l’administration Trump, l’IA est une contribution essentielle et positive à la guerre en tout point, comme si les critiques n’avaient aucune voix au chapitre. Si la Chine semble plus modérée sur le développement d’armes autonomes, c’est certainement pour ralentir l’avancée américaine, explique Katrina Manson, qui semble avoir été contaminée par la perspective de guerre avec la Chine. Mais plus encore que l’autonomie, le déploiement de l’IA dans les conflits risque de conduire à l’escalade, comme l’expliquait un groupe d’experts de l’ONU. 

Pourtant, au terme du livre de Manson, on ne sait toujours pas très bien comment les résultats sont générés. Pour cela, nous ne disposons que d’une poignée d’images très rarement distillées, comme dans cette vidéo récente, relayée par le journaliste Dan Israel dans un article pour Mediapart soulignant l’emprise de Palantir sur l’armée américaine. 

Captures d’écrans d’images de Maven. Source. 

Ce que l’on y voit semble tenir d’une forme de jeu vidéo, un outil de simulation qui ne simule pas, où chaque paramètre semble appréciable, mais où nombre de décisions sont automatisées, proposées pour validation, choisies par le système.  

En mai 2025, le directeur de l’unité d’innovation pour la Défense américaine, Doug Beck, expliquait que l’Ukraine consommait 4000 drones par jour (autant que ce que le département de la défense achetait en un an). L’Ukraine a produit 3 millions de drones en 2025, un million de plus de ce qu’elle produisait en 2024 (voir notre article sur le sujet). Pour chaque drone commercial fabriqué aux Etats-Unis, la Chine en produit 100 de plus, rappelle Manson. Dans son budget 2026, le Pentagon prévoit de dépenser 13,4 milliards pour des systèmes autonomes, dont le Replicator, un avion de chasse sans pilote. Face à ces perspectives, les Etats-Unis souhaitent reconstruire leurs capacités industrielles militaires. Plus facile à dire qu’à faire. 

Chez JP Morgan, Drew Cukor ne s’intéresse plus à mettre de l’IA dans les armes, mais dans la finance (pas sur que ce soit plus rassurant). Les modèles d’IA vont permettre de redéfinir le fonctionnement des prêts, des hypothéques, des cartes de crédit, des placements, s’apprêtant à « turbocharger » l’économie, tout en contournant la conformité et les régulations établies, au risque là encore des biais, des erreurs et de l’injustice. 

Le débat sur la moralité de la guerre reste entier. Pas sûr que l’autonomie ne nous aide à la faire progresser, bien au contraire. Si l’armée semble prendre l’éthique au sérieux, il y a de quoi être cynique. L’IA renforce la distance des combattants à l’acte de tuer, mais risque également de les éloigner de la décision de tuer. Ce double mouvement échoue à reconnaître l’humanité de l’opposant, qui est de plus en plus mise à distance. « Les outils d’IA risque d’abord de désensibiliser les combattants et l’armée, d’actes dont nul ne sera plus responsable », s’inquiète la journaliste. L’IA devrait pouvoir minimiser les erreurs et les dommages collatéraux, mais ce qu’on en voit pour l’instant, c’est qu’elle fait surtout s’envoler le volume de dommages plutôt qu’elle ne le réduit. La technologie rejoue le paradoxe de Jevons : « les technologies qui améliorent l’efficacité et abaissent les coûts conduisent invariablement à l’augmentation de leur consommation ». Les systèmes d’IA produisent plus de cibles, plus vites et rendent plus facile leur élimination. Les cibles générées par une boîte noire rendent le commandement trop sûr de lui. Ces systèmes transforment la guerre en jeu vidéo. De partout, il simplifie la destruction. L’ennemi est désormais plus facile à tuer qu’à capturer. Ces systèmes ne font aucun prisonnier. Ils ne proposent aucune clémence. Le paradoxe de Jevons nous le dit depuis longtemps : « plus quelque chose est efficace, plus vous allez avoir tendance à l’accomplir ». Pire, termine-t-elle. Non seulement cette technologie peut faire des choses horribles, mais les garde-fous peuvent également être facilement ajustés voire enlevés, comme le montrait Lavender, l’équivalent de Maven pour l’armée israélienne, où le nombre de victimes collatérales d’un tir pouvait être abaissé ou relevé, au gré des besoins de la guerre. Pour Mark Milley, l’ex chef d’Etat major de l’armée américaine, le champ de bataille sous IA ouvre une boîte de pandore… Les atrocités ne vont pas disparaître avec l’IA, rappelle Manson. Pour un autre gradé américain, le champ de bataille prend le tournant de l’autonomie, mais ce n’est pas parce qu’on est capable de le faire que nous devrions y aller. Trump a renommé le ministère de la Défense en ministère de la Guerre. En septembre 2025, Pete Hegseth, secrétaire de la Défense américain, devant tous les généraux de l’armée US, a affirmé vouloir plus d’IA partout et plus du tout de contraintes d’engagement excessives.

40 millions de personnes sont mortes durant la Première Guerre mondiale. 85 durant la seconde. Maven est désormais partout. Dans tous les services sur tous les continents. Jusqu’aux outils des alliés de l’Amérique. L’IA est désormais au cœur de toutes les opérations militaires américaines. Les mavenites sont pour la plupart partis dans d’autres entreprises du complexe techno-militaire américain, et notamment les entreprises d’IA qui rend Maven désormais puissant : Palantir, Microsoft, Anduril, OpenAI. La Maven mafia est partout. 

Mais surtout, ces systèmes reposent d’abord sur une surveillance invisible et sans limite aucune, au prétexte d’obtenir toujours plus de données pour optimiser toujours plus ses cibles et ses frappes. Le succès de l’IA repose sur une surveillance toujours plus totale, sans limite ni garde-fous. C’est l’éléphant dans la pièce de l’autonomie. Celle d’une surveillance de tous sans limite. 

C’est à nouveau la grande limite du livre pourtant très documenté de Katrina Mason. La journaliste semble passer à côté de ce à quoi elle n’a pas eu accès, malgré la profondeur de son enquête. C’est pourtant dans ce qu’on ne voit pas dans ce livre que se cache le monstre à venir. Un monde qui rêve d’assurer sa sécurité sans plus aucune limite quand bien même pour cela il serait finalement surtout prêt à se détruire lui-même, dans un impérialisme sans limite, dans un autoritarisme sans plus aucune contrainte. 

Hubert Guillaud

La capteur de chute est en passe d’être remplacé par un micro sous IA pour surveiller les petits vieux dépendants, raconte Steven Blum pour Wired. Qui a équipé son vieux père d’un dispositif de ce type, Sensi.ai qui informe les aidants du moindre problème. Le fils a fini par regarder les transcriptions des enregistrements effectués. « En lisant ses conversations intimes, je me suis soudain senti comme un espion, avec l’appareil pour complice silencieux. C’est moi qui avais insisté pour l’installer, mais je me sentais désormais mal à l’aise. De son côté, mon père ne se souvenait pas qu’on l’avait informé que Sensi écoutait ses conversations. » « Contrairement à Alexa, ces appareils n’attendent pas que quelqu’un prononce le mot « à l’aide » pour fonctionner. Ils commencent plutôt à enregistrer après certains événements précis : des bruits tels que des chocs sourds, des quintes de toux ou des cris, ainsi que des mouvements comme une chute du lit. Dans le cas de Sensi, l’appareil ne prévient même pas la personne âgée qu’il enregistre, ce qui explique en partie la confusion de mon père. »

« Sensi se présente aussi comme un outil de suivi du déclin cognitif, capable de repérer des anomalies dans les « schémas de parole, le ton, l’activité et les mouvements » des patients. Ihab Hajjar, neurologue spécialisé dans la détection de la démence par IA, doute de l’utilité du dispositif à cet égard. Il explique avoir vu des modèles cliniques identifier 60 à 70 % des patients comme souffrant de troubles cognitifs, alors que la prévalence réelle se situe plutôt entre 10 et 15 %. « Je n’ai vu aucune preuve solide issue d’un protocole d’analyse qui m’inciterait, en tant que clinicien, à recommander [des dispositifs comme Sensi] à mes patients », déclare-t-il. Sensi n’a pas sollicité l’homologation de la FDA (l’agence américaine des produits alimentaires et médicamenteux) pour ces allégations, bien que sa PDG affirme que l’entreprise a entamé la procédure. »

Ça n’a pas empêché l’entreprise de lever 100 millions de dollars, un succès qui s’explique tant le public américain se méfie des maisons de retraites au coût prohibitif. Des dispositifs comme Sensi promettent de résoudre le dilemme de l’autonomie, en offrant sécurité sans contraintes physiques et surveillance sans contrôle institutionnel. Reste, explique Blum, que le discours de l’entreprise à l’intention des familles diffère de ce qu’indiquent clairement les documents destinés aux investisseurs : « les véritables clients sont ici les agences de soins à domicile, et Sensi affirme que l’utilisation de ses services leur permet d’accroître leurs revenus et de mieux fidéliser leur clientèle. Le témoignage d’une agence, publié sur le site de Sensi, faisait état d’une augmentation de 88 % du nombre de clients et d’une hausse de 85 % des heures facturables après l’installation des dispositifs de l’entreprise. »

Alors que la pénurie d’aide-soignante s’aggrave, des dispositifs de ce type sont en passe de devenir la norme. Pour Clara Berridge, professeure associée à l’École de travail social de l’Université de Washington, les dispositifs de ce type donnent l’impression que la surveillance est une condition sine qua non de la prise en charge. « Il peut y avoir consentement, mais cela ne rend pas pour autant le processus éthique lorsque les choix sont aussi restreints — du type : “Soit on vous place en maison de retraite, soit vous acceptez cet appareil” », explique-t-elle. « Placer les gens face à deux options indésirables est une situation très difficile. »

Ici, les personnes ne peuvent même pas évacuer leur émotion sans que cela déclenche une alarme. L’association américaine des personnes retraitées rapporte que 25 % des aidants américains surveillent déjà leurs proches à distance grâce à des applications, des plateformes vidéo, des objets connectés et d’autres systèmes — soit près du double du nombre de personnes utilisant ces technologies en 2020. Bien que Sensi soit utilisé pour détecter les chutes dans le cas de du père de Steven Blum, il est aussi capable de déceler la solitude. Un client cachait sa souffrance à ses enfants mais confiait à un ami de passage : « Je regarde davantage la télévision en ce moment, je me sens seul » ou « Peu de gens viennent me voir. Je me sens un peu triste. » Les mots ont alerté l’agence d’aides-soignants qui s’occupe de lui. Mais l’histoire ne nous dit pas quel remède ceux-ci ont administré.

Le (Large) langage (Model) de la guerre.

« Il faut désarmer l’IA » écrit le pape Léon XIV dans sa première encyclique, « Magnifica Humanitas« , publiée le lundi 25 Mai 2026. De fait et à l’occasion des récents conflits, de l’Ukraine à l’Iran en passant par Gaza, les technologies d’IA sont des puissances d’armement.

En première intention et sous les feux de la rampe autant que de ceux de la guerre, on a beaucoup parlé, ces derniers mois, de l’injonction faite par le gouvernement Trump aux grandes sociétés d’intelligence artificielle (IA) de se soumettre et d’accepter que leurs technologies soient utilisées dans le cadre de programmes militaires. Rien de vraiment nouveau car toutes les technologies et la plupart des industries (automobile par exemple) ont toujours été utilisées et mobilisées dans le cadre de guerres déclarées, ou en anticipation de celles pouvant l’être, y compris les fondements d’internet qui fut pour partie un projet de la DARPA.

Là où un changement de paradigme s’opère c’est qu’il s’agit cette fois de se plier (pour Anthropic et les autres) à l’utilisation de leur technologie d’IA, y compris pour la décision non-supervisée d’offensives et de ciblages à dimension létales, donc en clair pour tuer des gens de manière automatisée sur la base de choix dans lesquels la décision humaine n’est plus qu’un cadre de raisonnement parmi d’autres, ni déterminant ni déterministe, une variable d’ajustement de moins en moins requise, et de plus en plus systématiquement exclue de toute action ou réaction « en temps réel ».

Le patron d’Anthropic (Dario Amodei) a refusé de se plier à l’injonction qui lui était faite (refusant à la fois le cadre d’une utilisation létale et celui d’une surveillance de masse des populations). Trump l’a donc banni et mis sur liste noire, le privant notamment de juteux et décisifs financements étatiques. Dario Amodei a probablement vécu son moment « San Bernardino », à la manière dont Tim Cook (patron d’Apple) avait en 2015 refusé de baisser le niveau de sécurité de l’iPhone pour permettre au FBI d’accéder aux données du meurtrier de la tuerie de San Bernardino (à l’époque, il y a donc 10 ans, c’est pas rien à l’échelle des sujets dont on parle, j’avais pris un positionnement un peu … dissonant en posant la question suivante « un terroriste est-il un client Apple comme les autres ?« )

Dans une enquête de Bloomberg notamment relayée par une journaliste de la RTS sur X, on apprenait plus précisément ceci (je souligne) :

« L’image publique d’Anthropic repose sur une IA conçue pour servir l’humanité. L’entreprise refuse de franchir certaines lignes rouges, notamment celles des armes entièrement autonomes et de la surveillance de masse. Mais au début de l’année 2026, alors qu’Anthropic engageait un bras de fer avec le Département de la Défense sur les principes de son contrat en cours à 200 millions de dollars, l’entreprise soumettait une proposition pour remporter un concours du Pentagone doté de 100 millions de dollars.

L’objectif du programme était de produire une technologie permettant de superviser, par la voix, des essaims de drones létaux. Claude devait comprendre l’ordre vocal d’un opérateur humain et le convertir en instructions numériques pour coordonner la flotte de drones. Dans ce cas, l’humain donne une instruction globale. Une fois l’ordre transmis, les drones, grâce à leur propre intelligence artificielle en réseau, calculent leurs trajectoires d’approche et se répartissent les cibles sans intervention humaine.

Selon les sources internes citées par Bloomberg, la direction d’Anthropic estimait que cette utilisation respectait ses conditions d’utilisation car l’IA de ciblage létal est embarquée dans les drones eux-mêmes, pas dans Claude. Par conséquent, tant que l’opérateur conserve le pouvoir théorique d’interrompre le système, l’entreprise considère que l’arme n’est pas « entièrement autonome ».

Mais sur le terrain opérationnel, cette distinction relève davantage de la philosophie que de la balistique. Même si l’opérateur conserve la supervision et le pouvoir d’interrompre le système, il est techniquement impossible pour un humain de traiter assez d’informations pour l’utiliser à temps, face à la rapidité de calcul d’un essaim de drones propulsés par une intelligence artificielle en réseau. Le temps que l’opérateur comprenne que l’essaim a fait une erreur d’identification, la cible est déjà détruite. Dans l’imaginaire collectif, une armée de robots tueurs se représente souvent sous la forme d’androïdes humanoïdes lourdement armés, marchant au pas sur un champ de bataille. Or, le Pentagone ne cherche pas à reproduire le soldat humain, mais à le dépasser par la logique de l’essaim. (…) Il faut imaginer des centaines de petits drones, furtifs et peu coûteux. Animés par un modèle d’IA, ils communiquent entre eux en temps réel. Ils fonctionnent en réseau et se comportent comme une ruche. Si des drones sont abattus par l’ennemi, l’essaim recalcule instantanément sa géométrie et poursuit sa mission.

Leur objectif tactique est de saturer la cible. Ils sont conçus pour submerger les radars, épuiser les défenses anti-aériennes, traquer une cible sous une multitude d’angles simultanés et frapper de façon synchronisée.Cette stratégie s’inscrit dans le programme Replicator, annoncé en 2023 avec une promesse opérationnelle pour août 2025. Son objectif est de contrer l’avantage du nombre de l’armée chinoise en produisant des milliers de systèmes autonomes coordonnés par intelligence artificielle, sacrifiables et peu coûteux. C’est pour devenir le cerveau de ce type de chorégraphie qu’Anthropic avait proposé Claude.

Comme les sources de Bloomberg le rapportent, Anthropic n’était donc fondamentalement pas opposée au développement de systèmes autonomes, tant que la définition de l’autonomie s’alignait sur ses propres standards. L’impasse est survenue lorsque la direction d’Anthropic a exigé de maintenir l’humain dans la boucle de décision d’élimination de la cible, tout en refusant d’accorder au Pentagone un accès complet et sans restriction au modèle. Or, le Pentagone n’achète pas de boîtes noires. Perdant patience face à une entreprise qui plaçait sa gouvernance au-dessus des impératifs étatiques, le Secrétaire à la Défense Pete Hegseth a ordonné l’interdiction pour les sous-traitants du Pentagone de mener toute activité commerciale avec Anthropic, la classant de facto comme un risque pour la chaîne d’approvisionnement.

C’est une condamnation à mort commerciale qui excommunie la firme de tout l’écosystème de défense : désormais, aucun sous-traitant de l’armée n’a le droit d’interfacer ses systèmes avec Claude. Y compris Palantir. Anthropic a parié que ses capacités de raisonnement la rendraient indispensable. C’était une erreur d’appréciation. Pour l’armée américaine, un modèle capable à 95 % qui obéit est infiniment plus précieux qu’un modèle à 99 % qui discute les ordres.

Le Pentagone a immédiatement redistribué les cartes. Toujours selon Bloomberg, pour faire avancer son projet d’essaims de drones autonomes, l’armée s’est tournée vers une coalition de remplaçants incluant SpaceX, xAI, et des firmes de technologie de défense partenaires d’OpenAI.

D’autres, comme Sam Altman le patron d’OpenAI, se sont rapidement mis en mode carpette et plié à l’ensemble des demandes de l’administration Trump (avant de récemment rétro-pédaler partiellement sur la question de la surveillance de masse). Pourtant de fait et malgré la position de son patron, l’IA Claude d’Anthropic a largement été utilisée pour l’offensive actuelle contre l’Iran, un délai de 6 mois étant nécessaire avant son bannissement « effectif » et que l’entreprise est pour l’instant liée par contrat à l’administration US.

Toujours dans le cadre de la guerre en Iran, on apprenait dans The Independant que Grok avait été mobilisé pour une opération de lancement de plus de 2000 missiles :

« Selon un haut responsable de la Défense, l’administration de Donald Trump aurait fait appel au chatbot Grok d’Elon Musk pour lancer des milliers de missiles en Iran. Dans une déclaration sous serment visant à défendre le « trillionaire » contre un procès alléguant que les centres de données de xAI polluent illégalement les communautés noires, le responsable de l’intelligence artificielle au Pentagone a déclaré que le maintien en service du chatbot était « une question de sécurité nationale primordiale » — et qu’il avait été utilisé pour tirer plus de « 2 000 missiles sur 2 000 cibles distinctes en 96 heures ».

Grok, un chatbot d’intelligence artificielle générative développé par xAI, fait partie des quatre modèles d’IA « actuellement capables de prendre en charge des applications liées à la sécurité nationale », selon Cameron Stanley, directeur du numérique et de l’intelligence artificielle au Pentagone. »

War (is not a) Game.

Dans cette affaire et par-delà les singularités de la gouvernance actuelle des USA, c’est, dans le champ social le retour d’une imagerie de l’IA agissant en Terminator avec la crainte d’un soulèvement des machines. Certes les IA et les « machines » ne déclarent pas encore la guerre, mais sur les terrains de guerre, l’automatisation de décisions leur appartenant désormais entièrement peut engager de nouvelles forces, de nouveaux déterminismes du conflit, y compris dans son extension possible. Ce scénario – d’un soulèvement des machines – est aujourd’hui une médiane paradoxale dans le champ de la prospective : il n’est en effet ni pleinement ni actuellement crédible sur le plan technologique, mais il n’est pas non plus totalement exclu sur un plan politique (qui serait celui d’un emballement, une « furie épique » par exemple …). Ce paradoxe s’explique principalement par le fait que les IA « générales » ou « autonomes » n’existent pas mais qu’une autonomie de décision peut en revanche parfaitement leur être confiée, accordée ou déléguée et qu’à ce stade là, plus personne n’est actuellement en capacité de tracer les décisions qui seront alors prises : c’est le scénario de l’IA battant les meilleurs joueurs d’échec puis les meilleurs joueurs de Go. Dans ces derniers cas, la rapidité de calcul peut-être mise exactement sur le même plan que la capacité de décision puisqu’elle n’aura d’autre inférence, quoi qu’il advienne, que celles circonscrites au plateau de jeu et à détermination de la fin de partie. Sauf qu’on ne parle plus ici d’une activité récréative mais de terrains de guerres. Et sur des terrains de guerre (mais également sur des terrains médicaux, éducatifs, juridiques, etc.), la rapidité de calcul des machines entre en concurrence directe avec la capacité de décision humaine. Or prétendre déléguer aux machines une capacité décisionnelle au motif qu’elles calculent plus vite que nous est à la fois imbécile et dangereux. On m’objectera que les terrains de guerre moderne impliquent la prise de décisions à la milliseconde tout comme les terrains spéculatifs modernes (nos bourses) ont vu l’arrivée du High-Frequency Trading (trading à haute fréquence). Relire Virilio à ce stade n’est plus une option mais une impérieuse nécessité.

Image extraite du film War Games.

D’autres accélérations surviennent. En à peine 30 ans nous avons connu la première guerre entièrement télévisée, en Irak. En Irak encore les drones de combat (Predator) après l’attentat sur les tours jumelles. Hier toujours, la guerre par écran interposé. Aujourd’hui donc les frappes assistées par IA (notamment après le 7 Octobre). Et sous nos yeux la première guerre assistée par des LLM (notamment pour cibler des populations et des individus mais aussi pour permettre à des drones de se coordonner avec une autonomie décisionnelle alignée sur un objectif militaire).

Je reprends ici ce qu’Olivier Tesquet écrivait sur LinkedIn (et je souligne) :

« Je lis dans The Wall Street Journal que l’armée américaine aurait – encore – utilisé Claude pour frapper l’Iran. Puisque ces informations sont classifiées, impossible de savoir à ce stade comment les États-Unis se servent précisément des IA génératives dans le cadre d’opérations militaires. Mais ça m’inspire quelques réflexions générales à chaud.

Tout d’abord, peut-être que le conflit de cette semaine entre Anthropic et le Pentagone – avec cet ultimatum très serré lancé par Hegseth – était lié à des considérations beaucoup plus opérationnelles que ce qu’on imaginait.

Ensuite, quand je travaillais spécifiquement sur les questions de surveillance, j’étais hanté par cette phrase de Michael Hayden, ancien patron de la NSA et de la CIA, évoquant les « assassinats ciblés » par drone : « Nous tuons les gens sur la base de métadonnées ». C’était il y a plus de dix ans.

Désormais, la guerre à Gaza l’a cruellement mis en lumière, l’armée utilise des LLM pour profiler la population (palestinienne) et des systèmes d’IA pour automatiser ses bombardements. Le continuum répressif est évident. Il faut lire à ce sujet le travail capital de +972 Magazine.

Dans les deux cas, on tue en se basant sur des inférences probabilistes, qui prédisent des comportements. On prend la vie de quelqu’un qui ressemble statistiquement à une menace, pas quelqu’un dont on a établi la culpabilité. Les dommages collatéraux ? Les civils tués ? Des variables d’ajustement.

Mais avec l’IA, on franchit un seuil supplémentaire : celui de l’intelligibilité. On ne peut plus retracer le chemin logique qui mène du signal à la décision.
Conséquence : tout principe de responsabilité – y compris pénale – disparaît. Et c’est peut-être ce qui attire tant le pouvoir américain. »

Au milieu de tout cela, ne jamais oublier que comme tant d’autres, cette guerre en Iran, « du signal à la décision« , a commencé par un tir sur une école. « Du signal à la décision« . Une école primaire. L’école primaire Shajareh Tayyebeh à Minab, dans le sud de l’Iran.

Et qu’en plus de tout cela, nous nous éloignons toujours davantage de ce qu’écrivaient Bostrom et Yudowsky (deux théoriciens de l’intelligence artificielle) dont je cite souvent ici l’article de 2011, « The Ethics of Artificial Intelligence » :

« Les algorithmes de plus en plus complexes de prise de décision sont à la fois souhaitables et inévitables, tant qu’ils restent transparents à l’inspection, prévisibles pour ceux qu’ils gouvernent, et robustes contre toute manipulation. »

L’infanterie des données.

Si l’IA (et les LLM) sont la nouvelle artillerie des guerres modernes, alors les données (et métadonnées) sont leur nouvelle infanterie. Or ces données sont des armes de contact à la volatilité extrême. Capables de se retourner contre l’assaillant autant que vers l’assailli. On ne peut en effet que constater aujourd’hui avec autant d’inquiétude que d’effarement la multiplication, la massification et la récurrence des leaks, piratages et autres immenses fuites et vols de données : personnelles, fiscales, médicales, depuis des sources privées, des institutions publiques ou des ministères régaliens, pas une semaine, pas un jour parfois sans un nouveau scandale. A un point que cela en devient presque une sorte de routine et donne naissance à des arnaques de plus en plus nombreuses mais surtout de plus en plus efficaces.

Parmi les plkus récentes rendues publiques on notera celles de l’ANTS (11,7 millions d’usagers), de Almeris (15 millions de patients concernés et autant de données critiques dans le domaine médical), celle de la Banque Postale (11 millions d’usagers), celle de l’opticien Atol (5,9 millions de clients) ou de la chaîne Pierre & Vacances (4,5 millions de clients), sans oublier jusqu’à la DGFIP (direction générale des finances publiques) où les données de plus d’1,2 millions de comptes fiscaux ont été volées.

Ces fuites, ces leaks, ces vols, ces actes de cyber-piraterie ou de cyber-guerre sont aussi bien menés par des pirates agissant en collectifs « autonomes » que par des corsaires au service d’états voyous ou de puissances impériales. Et là encore, le scénario d’un effondrement oscille entre celui de l’impact d’un Armageddon planétaire et le ressenti d’une patate de forain en sortie de boîte de nuit à Arma-sur -Guédon dans la Creuse.

La stratégie Ender.

Dans ce roman de science-fiction, après des années à l’entraîner via de gigantesques simulations, on présente à un humain (Ender) un acte de commandement en temps de guerre et pour une bataille décisive, comme celui d’une énième « simple » simulation alors qu’il s’agit en fait de la réalité et qu’il est vraiment en train de commander des armées sur un terrain tout à fait réel.  Nous vivons aujourd’hui une stratégie Ender en miroir. Des IA prennent des décisions en temps de guerre dont certaines s’apparentent à du commandement, et elles le font sans en avoir de quelconque « conscience » tout comme Ender, persuadé d’être dans une simulation, n’éprouvait un quelconque sentiment de responsabilité sur des pertes humaines y compris lorsque celles-ci deviennent critiques. Et nous, nous les humains spectateurs de ces guerres, avons à la fois l’impression terrible d’observer une grande simulation qui nous échappe, tout en mesurant l’atrocité de ce qui s’y joue en temps réel, mais en la mesurant de si loin et via des images si artefactuelles et calquées sur la culture populaire (super-héros et autres reprises de codes de la pop-culture)  que la frontière entre le réel et la simulation n’est désormais plus qu’un vague continuum.

Plus rien n’appartient au réel qui ne puisse être simulé et donc simulacre. Et plus aucune simulation ou aucun simulacre ne nécessite d’être ramené au réel pour être éprouvé en tant que tel.

Depuis le début de la guerre faite par les USA et Israël à l’Iran, le compte de la Maison Blanche multiplie les publications qui mêlent images de films (Top Gun, Predator, Mission Impossible …) et images réelles de missiles frappant des cibles ; et quand il ne s’agit pas de films, ce sont les codes des jeux vidéos familiaux (les sports de la Wii U récemment) qui sont associés à ces mêmes images hyper-réalistes de frappes aériennes ou maritimes. De son côté le régime iranien des Mollahs répondait avec les vidéos du sacre de leur nouvel ayatollah où ce sont des personnages Lego qui sont filmés en stop motion (voir l’excellent Dessous des images consécré à « La guerre en Lego »). L’idée n’est pas de vendre une guerre « pop » : l’idée c’est d’anecdotiser complètement l’existence même de la guerre à l’échelle de certains espaces médiatiques.

Après que la guerre a été éloignée des médias à l’exception d’images et de discours qui n’étaient que de propagande, après qu’elle a été filmée au plus près et télévisée en temps réel, après que les témoignages et images qui la constituent se sont réfugiés dans les réseaux sociaux en en empruntant les codes (comme ce fut le cas souvenez-vous en Ukraine ou les témoignages sous les bombes adoptaient le codes des comptes Tiktok de l’âge des premières victimes), aujourd’hui ce qui se joue dans l’économie médiatique de la guerre c’est l’écartèlement permanent entre le réalisme de la disponibilité d’images et de témoignages insoutenables d’un côté, et la réalisation d’images et de récits totalement irréalistes et fantasmés de l’autre côté. Le tout arbitré en visibilité par des algorithmes relais de pouvoir et totalement inféodées à la volonté de leurs maîtres.

Et il ne s’agit pas pour nous de choisir mais d’accepter de prendre tout cela ensemble, car l’architecture de circulation de ces discours est en forme d’arène dans laquelle ces spectacularisations s’enchaînent et se répondent sans cesse et sans que nous puissions ne serait-ce que dire que nous aimerions choisir.

Stratégie Ender (suite) : Attrapez-les tous !

Certains peut-être se souviennent du phénoménal engouement autour du jeu Pokémon Go décliné en réalité augmentée. Il s’agissait de chasser les Pokémon un peu partout dans le monde réel, en passant par une application de réalité augmentée qui « superposait » sur notre géographie classique l’environnement ludique du jeu. Je m’étais de mon côté interrogé sur ces nouvelles affordances et j’avais publié plusieurs articles sur le sujet que vous retrouverez par ici. Dans le premier de ces articles, je proposais même le concept de « schizo-haptie » que je définissais comme suit :

Quand nombre d’entre nous sont aujourd’hui incapables de se passer de leurs smartphones, de « lâcher » cet objet, quand et surtout comment serons-nous demain capables de s’affranchir de nos corps-interfaces pour revenir à plus naturelles synesthésies qui risquent de nous apparaître comme « dégradées » puisque non-augmentées ? Le hold-up du haptique sur tout autre mode d’interfaçage avec le monde et les objets techniques pourrait également donner naissance à de passionnantes études sur l’interface … des faux-mouvements. Aux pathologies actuelles du numérique, à la nomophobie, à la FOMO, à l’algorithmophobia, faudra-t-il rajouter une nouvelle forme de schizophrénie (du grec « schizein = fendre » et « phrên = esprit ») dénommée « schizo-haptie », une schizophrénie du mouvement et de l’ensemble de la panoplie des « gestes-contrôle » ? »

Nous étions alors en 2016. Dix ans plus tard, nous venons d’apprendre, dans un article du MIT repris notamment dans Le Devoir, que derrière cette ludification se tramait en parallèle (et sans un quelconque consentement de notre part), un entraînement pour permettre … de créer une carte du monde en réalité augmentée. Laquelle carte est notamment utilisée pour permettre à des robots de livrer des pizzas. La préméditation n’est pas établie mais le fait est que la société Niantic (qui développait le jeu) dispose aujourd’hui d’une nouvelle branche baptisé Niantic Spatial et dont l’objectif est – je reprends leur slogan – « de construire un LGM (Large Geospatial Model), un modèle vivant du monde auquel les êtres humains et les machines pourront s’adresser » (« Niantic Spatial is building a Large Geospatial Model, a living model of the world that people and machines can talk to« ).

Or y compris avec la localisation GPS et notamment dans de grands centres urbains, on manque de précision au mètre près pour opérer un certain nombre de transactions et autres livraisons. Parce que la distribution sur le dernier kilomètre représentait  il y a 10 ans de cela la logistique la plus complexe, Amazon avait lancé en 2015 le service « Flex », pour « uberiser » ce dernier bastion, cette dernière proximité, et nous permettre de récupérer des colis et de les livrer sur le trajet nous (r)amenant chez nous ou à notre travail. Dix ans plus tard, c’est la conquête des derniers mètres qui est devenue la grande bataille logistique. Et il ne s’agit plus d’embaucher des humains mais de permettre à des robots autonomes d’effectuer ces derniers mètres avec la plus grande précision possible. Comme l’explique très bien Camille Coirault sur Presse-Citron :

« Ce qui distingue ce système de tout ce qui existait avant, c’est sa nature : un GPS fonctionne grâce à des coordonnées mathématiques abstraites : une latitude, une longitude et une altitude. Pour les entreprises clientes, l’intérêt est de remplacer le calcul de probabilité du signal satellite par une identification visuelle instantanée des environnements réels.« 

Du côté des usages civils, on a donc cette technologie du dernier mètre qui est mise à disposition de robots livreurs de pizzas : des glacières sur roues de la société « Coco Delivery ».

Cette glacière autonome sur roues peut contenir 8 pizzas (y compris à l’ananas) et se déplace à 8 km/h.
On vit une époque formidable. Pour les pizzas.

Jamais à l’abri d’un excès, dans l’article du MIT qui a révélé l’utilisation des données Pokemon Go pour ce nouvel usage, le patron de Niantic Spatial, John Hanke, parle carrément d’une « nouvelle explosion Cambrienne dans le domaine de la robotique. » Pour celles et ceux qui comme moi auraient séché les cours de paléontologie au lycée, l’explosion Cambrienne c’est lorsque (merci Wikipédia) :

Les sédiments cambriens révèlent l’extension de mers peu profondes recouvrant des plates-formes continentales, et une brusque multiplication de nouveaux groupes animaux (animaux à parties dures notamment). Cette « explosion cambrienne » n’a pas encore d’explication. Elle peut avoir plusieurs causes : des modifications climatiques, l’activité accrue de prédateurs ou encore les sels marins favorisant l’absorption de substances chimiques et le dépôt de couches dures sur la peau. Le développement de squelettes externes (exosquelettes) peut avoir été une réaction adaptative à l’apparition de nouvelles niches écologiques. Il pourrait également s’agir d’organismes des grandes profondeurs nouvellement acclimatés aux habitats de surface ou inversement, mais aussi d’une évolution vers des espèces capables d’exploiter des ressources alimentaires nouvelles.

Alors pas sûr que les glacières sur roues soient une nouvelle branche de l’évolution des espèces robotiques, mais la métaphore réussit à nous interpeller. Et comme souvent dans le secteur de la tech et du numérique, il faut lire ces usages métaphoriques pour ce qu’ils sont : la nécessité d’installer rapidement un imaginaire favorable à la naissance ou au maintient de nouvelles rentes économiques (par ailleurs souvent sur fonds publics). Si chacun peut voir dans cette supposée explosion cambrienne robotique des éléments de réel (oui il y a de plus en plus de robots et de dispositifs autonomes, mais non il n’y a aucune logique évolutive derrière), l’enjeu est de convaincre des financeurs, des industriels et des responsables de politiques publiques que cette explosion est en train d’advenir et qu’il serait de bon ton de ne pas se laisser dépasser.

Du côté des usages militaires, car oui Pokemon Go avait également été utilisé par des militaires engagés sur des terrains de guerre et cela avait fait immensément débat, je vous laisse imaginer ce qui peut-être fait de cette maîtrise des derniers mètres. Et s’il faut parler un peu de géopolitique et de terrains de guerre, Le Devoir rappelle qu’en mars 2025, « le jeu a été vendu à Scopely, une entreprise détenue par le fonds d’investissement saoudien contrôlé par le prince héritier Mohammed ben Salmane. La transaction incluait toutes les données des utilisateurs. »

Il y a quelques jours (19 Mai 2026), Google annonçait le lancement de « Gemini Omni », une IA multimodale capable de manipuler nativement le texte, l’audio et la vidéo avec des résultats une fois de plus tout à fait sidérants de vraisemblance. La génération de ces vidéos peut notamment s’appuyer sur les données captées depuis des années par Google Earth, Google Maps et Google Street View permettant par exemple de générer le film hyperréaliste d’un personnage marchant, courant, volant, roulant ou naviguant dans à peu près n’importe quel endroit de la planète.

Le problème de disposer d’une carte à l’échelle du territoire est entièrement résolu. Nous sommes complètement sortis de l’âge où comme l’écrivait en 1931 le mathématicien et philosophe Alfred Korzybski, « la carte n’est pas le territoire », et où il il existait une différence entre la réalité et la représentation que l’on s’en faisait. Le problème est que l’alignement, la superposition au réel ne peut-être résolu ou « exercé » sans recours à une simulation qui, dès lors, prend le pas sur le réel lui-même.

Par-delà tout un ensemble d’autres sujets connexes, la multiplication de ces outils d’IA génératives, leur « fluidité » et leur disponibilité immédiate, s’accompagne aussi d’un retour en grâce (ou d’une nouvelle offensive marketing en tout cas) pour nous réimposer des appareillages sensoriels installant la prééminence de réalités simulées ou virtuelles, Google annonçant ainsi le retour de ses lunettes connectées. Face à des artefacts génératifs désormais presque tous capables de simulations multimodales, s’aligne la conception d’une humanité sensoriellement appareillée non pour s’augmenter mais pour s’aligner avec la carte que dessinent ces Béhémots calculatoires plutôt qu’avec le territoire que nous arpentons chacune et chacun avec nos propres focales.

Apostille.

Si Ender remporte sa guerre, c’est parce qu’il n’a jamais conscience d’être ailleurs que dans une simulation ; c’est parce que les choix qu’il met en oeuvre se subordonnent entièrement à la conscience – en réalité une croyance – qu’il a d’évoluer dans une réalité simulée. La « stratégie Ender » c’est le pari immensément risqué d’un groupe d’adultes face à une guerre d’extermination imminente et qui vont faire le choix de confier l’avenir d’une civilisation à l’habilité et à la ruse d’un enfant habitué à ne prendre de décisions vitales que dans le cadre de simulations virtuelles. Par-delà même les guerres qui traversent aujourd’hui directement nos vies ou nos voisinages, il n’est pas totalement vain de s’interroger sur la stratégie Ender dans laquelle entrent actuellement l’essentiel de nos modes de conflits et de nos modes d’existence.

Et s’il faut trouver un dessein à cette stratégie Ender, il est à coup sûr dans la mise en fragilité ou en effondrement de l’ensemble de nos formes collectives de gouvernance. C’est en tout cas ce qui m’est apparu comme une évidence à la lecture d’un article: « Comment l’IA détruit les institutions. »

IA : Institutions Apocryphes.

Cet article traite de la percolation des technologies d’IA dans l’ensemble de nos institutions au sens régalien comme symbolique. Et du mal que cela leur fait. En d’autres termes la manière dont l’IA détruit nos institutions.

Depuis que je m’intéresse à ces sujets et notamment à l’IA générative, par-delà l’enthousiasme légitime que l’on peut avoir pour des usages grégaires, par-delà l’inquiétude tout aussi légitime qui nous oblige à repenser presque totalement nos heuristiques de preuve, je cherchais ce qui dans ces artefacts génératifs était le point nodal des risques qu’ils font peser aujourd’hui sur nos sociétés. Et ce point est circonscrit et formidablement argumenté sous la plume de deux collègues juristes, Woodrow Hartzog et Jessica M. Silbey de la faculté de droit de l’université de Boston, dans leur article : « How AI Destroys Institutions« , article dont voici le résumé (je souligne et traduis avec l’aide partielle de Deepl) :

Les institutions civiques – l’État de droit, les universités et la liberté de la presse – constituent l’épine dorsale de la vie démocratique. Elles sont les mécanismes par lesquels les sociétés complexes encouragent la coopération et la stabilité, tout en s’adaptant à l’évolution des circonstances. La véritable superpuissance des institutions réside dans leur capacité à évoluer et à s’adapter au sein d’une hiérarchie d’autorité et d’un cadre de rôles et de règles, tout en conservant leur légitimité dans les connaissances produites et les actions entreprises. Les institutions axées sur des objectifs et fondées sur la transparence, la coopération et la responsabilité permettent aux individus de prendre des risques intellectuels et de remettre en question le statu quo. Cela se produit grâce aux mécanismes des relations interpersonnelles au sein de ces institutions, qui élargissent les perspectives et renforcent l’engagement commun envers les objectifs civiques.

Malheureusement, les affordances des systèmes d’IA anéantissent ces caractéristiques institutionnelles à chaque tournant. Dans cet essai, nous avançons un argument simple : les systèmes d’IA sont conçus pour fonctionner d’une manière qui dégrade et risque de détruire nos institutions civiques essentielles. Les affordances des systèmes d’IA ont pour effet d’éroder l’expertise, de court-circuiter la prise de décision et d’isoler les individus les uns des autres. Ces systèmes sont contraires à l’évolution, à la transparence, à la coopération et à la responsabilité qui donnent leur raison d’être et leur durabilité aux institutions vitales. En bref, les systèmes d’IA actuels sont une condamnation à mort pour les institutions civiques, et nous devons les traiter comme tels.

De mon côté je souligne depuis longtemps à quel point ces outils d’IA excellent dans 2 domaines : primo la simulation d’expertise (en se présentant comme des systèmes experts en capacité de nous leurrer sur la base de notre propre ignorance tout en favorisant par ailleurs des effets Dunning-Kruger de plus en plus problématiques), et deuxio la dissimulation d’expertise (notamment en opacifiant et en dissimulant d’une part la valeur ajoutée des travailleurs de l’ombre, et d’autre part l’ensemble des sources couvertes par le droit d’auteur qui sont captées de manière extractiviste et prédatrice sans égard ni considération).

L’autre point qui m’a frappé dans l’approche des auteurs de l’article « Comment l’IA détruit nos institutions » c’est la question des affordances qu’ils posent à l’échelle de ces systèmes anthropo-techniques que sont les IA, notamment génératives. L’affordance c’est le titre éponyme de mon blog depuis près d’un quart de siècle, et c’est aussi le projet que j’entretiens de documenter les affordances des systèmes numériques que nous utilisons pour mieux comprendre comment ils modifient nos propres comportements et habitus informationnels, cognitifs, relationnels, etc.

Autre extrait de leur article :

« Les premiers théoriciens, comme Émile Durkheim, considéraient les institutions — telles que la famille, la religion et l’éducation — comme des « représentations collectives » qui
soutiennent les normes sociales et assurent la cohésion dans des sociétés de plus en plus complexes. Max Weber s’est intéressé au développement des institutions bureaucratiques, telles que les systèmes judiciaires, qu’il considérait comme fondamentales pour les États-nations modernes. Les spécialistes du « nouvel institutionnalisme » de la seconde moitié du XXe siècle mettent l’accent sur les dimensions culturelles, cognitives et historiques des institutions, y compris leur dynamisme institutionnel par opposition à leur immobilisme. Ces théoriciens expliquent que les institutions sont des constructions sociales et acquièrent leur légitimité en s’ancrant dans les pratiques sociales et en étant façonnées par le comportement humain, reproduisant et maintenant les normes institutionnelles à travers les interactions quotidiennes. En conséquence, la légitimité institutionnelle n’est pas simplement imposée aux individus, mais découle du comportement humain et des interactions »

Et c’est tout cela que viennent miner les IA telles qu’elles se déploient en tout cas majoritairement aujourd’hui.

Tout cela se noue dans une matrice au sein de laquelle les développements technologiques dans leur logique de massification, ont toujours eu pour principal objet une « économie de l’attention » au sein de laquelle il nous faut toujours davantage faire l’économie de notre propre attention aux choses et aux êtres, c’est à dire fonctionner à coût cognitif nul. Sans friction. La marche d’après, lorsqu’il n’est plus d’économie possible car l’essentiel de nos interactions sont déjà réduites à des activités de pousse-bouton ou de défilement infini, la marche d’après consiste à progressivement et entièrement déléguer un ensemble de tâches à la machine et aux technologies. C’est à dire à nous faire entrer dans des phases de déprise à la fois opérationnelles et symboliques, à la fois rationnelles et affectives. Et à ce titre l’essor des artefacts conversationnels fonctionne comme un paradigme téléologique. Et une nouvelle forme de stratégie Ender.

========================================

Cet article a été rédigé fin mai 2026, dans une actualité où les débats autour du positionnement de Dario Amodei et de l’encyclique du Pape occupaient le devant de la scène.
Il devait initialement paraître sur un autre média que ce blog. .

La quête à attribuer des responsabilités techniques aux entreprises de l’IA nous leurre, expliquent les chercheurs Janet Vertesi, danah boyd, Alex Taylor et Benjamin Shestakofsky dans un article de recherche pour FAccT’26, la Conference on Fairness, Accountability, and Transparency qui se tenait à Montréal. Le Projet d’IA – comme ils l’appellent – est une entreprise de construction mondiale, dans laquelle ceux qui financent et développent des systèmes d’IA cherchent à maintenir des réseaux de pouvoir et de richesse. Ils configurent nos conditions sociotechniques tout en leurrant les universitaires, les décideurs, les journalistes et le public qui seraient invités à plus ou moins co-construire un avenir qui leur donne du pouvoir, sans que celui-ci ne soit jamais vraiment partagé. Ces leurres donnent souvent à ces acteurs l’illusion d’une responsabilité, tout en masquant les transformations profondes de l’économie politique à l’œuvre. En réalité, notre attention collective portée à ces leurres soutient, stabilise et renforce le projet IA des grandes entreprises de la tech. Pour les chercheurs, l’invitation à cadrer la technologie qu’entrouvrent ceux qui portent le projet d’IAification du monde tient d’une distraction qui brouille les enjeux de pouvoirs à l’œuvre. Les leurres nous détournent de la compréhension de l’accaparement qui se déploie.     

« Pour faire progresser une équité ou une responsabilité significative dans l’IA, il faut : 1) reconnaître quand et comment les leurres servent de distraction, et 2) s’attaquer directement à l’économie politique matérielle du projet d’IA. Il faut s’intéresser aux réseaux de pouvoir qui rendent l’IA possible », expliquent les chercheurs. « Nous ne parviendrons pas à instaurer une obligation de rendre des comptes en bricolant les fonctionnalités techniques ; il nous faut nous pencher sur les enjeux politiques et économiques », synthétise danah boyd sur son blog. 

Les chercheurs invitent à mieux s’intéresser à l’économie politique qui interroge les relations entre les forces complexes et imbriquées de la politique, des marchés et de la société. A observer leurs évolutions constantes, comment les capacités d’action évoluent avec l’accumulation de pouvoir et de ressources matérielles. Et comment ils réorganisent et configurent les ordres matériels, sociaux et économiques à leur avantage. Des acteurs capitalistes hétérogènes ont su tirer parti de l’incertitude ambiante pour mobiliser à leur avantage les technologies de communication et les relations financières. Ce faisant, ils restructurent les marchés en leur faveur et orientent les flux ainsi que l’appropriation de capitaux, de ressources, de données, de matériaux et de main-d’œuvre entre différents sites. Comme le disait déjà le sociologue Manuel Castells à propos du projet de façonnage du monde porté par l’empire médiatique de Rupert Murdoch dans les années 1990 et 2000 (notamment dans son livre, Communication et pouvoir, 2013), les nouvelles architectures des technologies de l’information et de la communication offrent des opportunités de consolidation du pouvoir au sein d’élites interconnectées – ce qu’il nomme des « réseaux de pouvoir ». Pour Castells, les élites configurent les réseaux à leur avantage et le pouvoir de création de réseaux, représente la forme de pouvoir suprême dans une société de l’information. La constellation émergente d’individus, d’organisations et de structures financières qui façonnent actuellement l’IA telle que nous la connaissons était déjà en pleine ascension dans la Silicon Valley au lendemain de l’éclatement de la bulle Internet. Elle s’est renforcée avec la crise financière de 2008 et la crise pandémique de 2020. Le lancement public de ChatGPT par OpenAI en décembre 2022 a ouvert la voie à la restructuration du marché, après l’échec à concrétiser les promesses des cryptomonnaies et du métavers (autres tentatives à renforcer le pouvoir).

Le marché de l’IA est construit et vise à convaincre voire contraindre régulateurs comme clients à adhérer à leur vision. « Les entreprises dominantes peuvent consolider leur position en influençant les politiques publiques et en incitant les États à lever des réglementations, à accorder des subventions, à faire respecter (ou pas) les droits de propriété ou à instaurer de nouvelles règles imposant des coûts prohibitifs aux concurrents désireux de pénétrer le marché. » Derrière les entreprises du secteur, le pouvoir de réseau se consolide autour de technologies qui reposent avant tout sur la manipulation de matériaux, d’idées, de fonctionnalités et de capitaux, c’est-à-dire des éléments peu techniques, foncièrement capitalistes, dirait Romaric Godin. Rien ne vient freiner la course à l’établissement d’une élite d’acteurs dominants, constatent également les chercheurs. Pire, les géants de la tech consolident actuellement leur contrôle sur chaque maillon de la chaîne d’approvisionnement de l’IA – énergie, puces, modèles fondamentaux, puissance de calcul et outils de développement logiciel… sans compter l’investissement financier – afin de garantir leur position centrale. Tout l’enjeu consiste désormais à nouer des partenariats entre eux, dans une collaboration inter-entreprises mutuellement avantageuses, comme le font Microsoft et OpenAI. 

Face à ces développements, la régulation joue souvent à la marge. Pour les chercheurs, celle-ci s’intéresse bien trop à des leurres, plutôt qu’à la construction du pouvoir. Mais, « les leurres ne sont pas qu’une simple distraction ; ils constituent un outil essentiel pour façonner un environnement ». « Pendant que nous nous concentrons à débattre des spécificités techniques de l’IA, les grands acteurs de l’IA établissent des flux pour accroître leur richesse et leur pouvoir. » « De cette manière, même les critiques contribuent à rallier des soutiens au projet d’IA. Les leurres constituent donc des pièges de responsabilisation qui, paradoxalement, renforcent plutôt qu’ils ne contraignent le puissant réseau qui sous-tend le projet d’IA. » Et le projet d’IA regorge de leurres. Certains sont délibérément construits ou exploités par les intermédiaires de l’IA pour attirer l’attention sur des aspects spécifiques du projet (et la détourner d’autres). 

Les leurres de l’IA

Les chercheurs distinguent 5 leurres dans lesquels la critique se perd parfois : le leurre ontologique, le leurre de l’inévitabilité, le leurre de la rupture, le leurre de la sécurité et le leurre réglementaire. 

Il y a d’abord le leurre ontologique. Le terme IA s’efforce d’échapper à toute définition afin de maximiser son pouvoir suggestif. « Cette ambiguïté peut s’avérer puissante car elle incite souvent différents acteurs à s’obséder sur la manière de délimiter ce qu’est ou devrait être l’IA, plutôt que de se concentrer sur le travail accompli par le Projet d’IA dans le monde.» Cette ambiguïté sert donc profondément les intérêts des acteurs. « Ce leurre ontologique déplace les termes du débat vers la définition de l’IA, détournant l’attention de son action concrète : permettre l’expansion du Projet d’IA. » Les chercheurs prennent comme exemple, les transformations du financement de la recherche ou des entreprises, qui depuis 2023, s’orientent de plus en plus exclusivement vers des projets d’IA au détriment de tous les autres. Partout, la réorganisation des flux financiers est profonde, expliquent-ils. « Le leurre ontologique constitue une forme de piège. Il attire sans cesse les acteurs vers des questions insolubles concernant la détermination et la clarification de la nature de l’IA, alors même que l’on constate que le dévoilement des spécificités techniques ne parvient pas à rendre ces questions plus ou moins certaines. » « L’instabilité ontologique persistante entourant l’IA permet aux intermédiaires d’introduire l’IA dans des secteurs et des pratiques toujours plus nombreux. De petites entreprises qualifient leurs technologies d’IA pour capter des ressources financières et acquérir une influence au sein du réseau. De telles pratiques nous amènent nécessairement à nous demander : « S’agit-il vraiment d’IA ? » ou même « Est-ce un usage pertinent de l’IA ? ». »

Plutôt que de nous laisser enfermer dans des débats sur « ce qu’est l’IA et comment elle devrait fonctionner », nous gagnerions à élargir notre perspective pour comprendre comment l’IA accapare toute l’attention et l’espace du débat. L’ambiguïté vise surtout à garantir que l’IA  reste suffisamment flexible pour s’adapter à mesure que se déploie leur stratégie de création et de concentration du marché. « Il nous faut donc résister au leurre ontologique et à l’impératif qu’il impose de définir la « véritable » nature ou le potentiel réel de l’IA. Une critique efficace doit ébranler le pouvoir du réseau plutôt que de l’alimenter.»

Le leurre de l’inévitabilité. L’industrie technologique recourt souvent à la rhétorique de l’inévitabilité pour justifier ses développements. « L’utilité de ce leurre de l’inévitabilité réside notamment dans sa capacité à permettre aux acteurs de modifier constamment les temporalités, en proposant de nouvelles projections quant au moment où la promesse future de l’IA se concrétisera enfin. Que cet avenir concerne l’avènement de l’IA générale, l’informatique quantique ou d’autres avancées technologiques majeures, les acteurs qui promeuvent l’IA tirent parti de discours qui rapprochent ou éloignent l’horizon de ces événements, tout en maintenant l’idée de leur inéluctabilité. » L’inéluctabilité permet surtout de bâtir des monopoles. Il permet de présenter les investissements comme nécessaires, même quand ils sont entravés par les contestations, comme c’est le cas dans les luttes contre les datacenters. « La rhétorique de l’inéluctabilité normalise aussi divers types de risques, notamment économiques et technologiques : dès lors que l’avenir est perçu comme prédéterminé, des décisions commerciales risquées sont requalifiées en nécessités. Ce discours sur l’inéluctabilité offre ainsi une forme de clôture discursive susceptible d’accélérer l’avènement de certains futurs tout en empêchant d’autres de se concrétiser. » 

« La répétition de discours futuristes similaires au sein de nombreuses entreprises crée une apparence de cohérence », une forme d’alignement où tout le monde semble d’accord sur l’horizon à atteindre. L’inévitabilité crée un ensemble de conditions qui rendent l’IA trop importante pour échouer, et permet d’assurer du pouvoir au projet IA sur les marchés. La course entre les grandes puissances mondiales pour construire une intelligence artificielle générale (IAG) alimente ce discours sur l’inévitabilité, en dressant des parallèles avec la course au nucléaire ou la course à l’espace. Le discours selon lequel « l’IA est inévitable » perpétue ainsi un imaginaire sociotechnique qui mêle pouvoir étatique et pouvoir des entreprises à des récits partagés sur les promesses à venir. Ces discours séduisent notamment parce qu’ils suggèrent la nécessité d’un soutien matériel des gouvernements aux niveaux fédéral, étatique et local, tout en occultant les préoccupations susceptibles d’entraver la réalisation de ce bien prétendument indispensable. L’alliance de considérations géopolitiques et du discours sur « l’inévitabilité » contribue également à justifier des engagements politiques et économiques, tels que la persistance de l’antagonisme entre les États-Unis et la Chine, et les investissements stratégiques. Enfin, l’inévitabilité embarque également les usagers, et alimente le projet d’IA au lieu de le freiner. Elle renforce également l’influence des acteurs de l’IA, leur permettant de consolider leurs réseaux de pouvoir que ce soit l’affectation des capitaux, l’extraction des ressources comme la création des marchés.  

Le leurre de la disruption. L’innovation de rupture formalisée notamment par Clayton Christensen, est souvent perçue comme une célébration inconditionnelle de toute forme de perturbation du marché, considérée comme intrinsèquement constructive. Pourtant, la nature exacte de cette rupture et sa valeur est bien souvent loin d’être aussi évidente qu’annoncée. « Les dirigeants du secteur technologique célèbrent par exemple le bouleversement du marché du travail en promettant des entreprises plus efficaces, tout en exprimant publiquement leurs inquiétudes quant aux risques de pertes d’emplois massives. Ce faisant, ils confortent leur conviction que l’innovation doit être poursuivie sans égard à ses conséquences sociales. Mais tandis que les dirigeants du secteur technologique, les universitaires et les experts débattent de l’ampleur des pertes d’emplois dues à l’IA – et de la manière dont elle transformera plus largement le monde du travail -, ils occultent la manœuvre de rupture que cherchent à opérer les promoteurs du Projet d’IA ». Cette stratégie de diversion vise précisément cet objectif : présenter les perturbations locales comme une forme de normalité (naturalisant l’optimisation ou la recherche d’efficacité par exemple), tout en orchestrant des changements massifs dans la concentration du pouvoir à travers les secteurs industriels, voire au-delà des frontières nationales. 

En fait, le terme rupture revêt une importance culturelle considérable, estiment les chercheurs. L’essentiel des études démontrent pourtant que les nouvelles technologies ne bouleversent pas l’ordre social et les inégalités existantes : elles ont plutôt tendance à renforcer ou à consolider les intérêts établis. « En sociologie économique, rappellent les chercheurs, la notion de « rupture » (disruption) renvoie d’ailleurs à une configuration de marché où, tant les nouveaux entrants que les acteurs en place, saisissent les moments d’incertitude pour instaurer un ordre de marché favorisant leurs intérêts. Derrière, la disruption, il faut surtout lire une accumulation et une concentration de capital et de pouvoir autour de quelques entreprises phares de l’IA. » Et les acteurs qui oeuvrent à favoriser leur marché n’aiment rien de moins que la rupture quand elle vient s’en prendre à leurs intérêts, à l’image des barrières érigées à l’encontre de Deepseek venu défier leur concentration. Les grands acteurs de l’IA utilisent également le concept de « rupture » pour détourner l’attention de leurs efforts visant à réorganiser les entreprises et à capter les flux de capitaux à leur profit. « S’il est indéniable que l’introduction de l’IA modifie les tâches des travailleurs, il est tout aussi vrai que, dans de nombreux secteurs, les entreprises utilisent ce prétexte pour mener des restructurations classiques. Parallèlement, elles transfèrent des activités clés vers des pôles de main-d’œuvre à moindre coût, où des outils automatisés visent à accroître la productivité de travailleurs éloignés et difficiles à suivre. Invoquer le caractère « disruptif » de l’IA permet de justifier aussi bien des licenciements – obligeant les salariés restants à « faire plus avec moins » – que le transfert de pans entiers de la main-d’œuvre vers des environnements réglementaires différents, échappant aux statistiques fédérales sur l’emploi et au contrôle des pouvoirs publics. »

Là où l’IA est une rupture, c’est parce qu’elle permet bel et bien de requalifier la main d’œuvre, comme l’expliquait le sociologue américain Henry Braverman, en favorisant la concentration du pouvoir et en éloignant le travail dans les zones éloignées et peu réglementées… « Le projet de l’IA commande et dissimule un bouleversement infrastructurel profond touchant la circulation du capital, la réorganisation et la répartition du travail à l’échelle mondiale, ainsi que la concentration de ressources stratégiques (données, puces, centres de données) entre les mains d’un petit nombre d’acteurs puissants.» En invitant le public à débattre de la manière dont l’IA pourrait bouleverser le marché du travail ou des progrès qu’elle pourrait engendrer, ce leurre du bouleversement nous détourne de la nécessité de voir et de discuter des agissements des acteurs de l’IA à leur profit. 

Le leurre de la sécurité.Tant dans les milieux universitaires que dans le discours public, la sécurité de l’IA renvoie à la nécessité de garantir que les systèmes d’IA soient fiables, ne causent pas de dommages et soient conçus pour refléter des valeurs sociales plus larges. La critique du féminisme des données va plus loin en exigeant une réflexion sur la durabilité, le pouvoir et le pluralisme. Les communautés prônant une IA sûre et responsable mettent souvent l’accent sur des engagements tels que l’équité, la responsabilité et la transparence ; les développeurs de projets IA évoquent plus couramment l’alignement, une forme de sécurité intégrée à l’IA elle-même. Mais la question de la sécurité renvoie surtout à un discours existentiel sur l’arrivée inéluctable de l’intelligence artificielle générale qui menacerait l’humanité (voir notre article). Ces discours sur la super-intelligence et ses risques réduisent la sécurité à des menaces lointaines, « tout en occultant les conséquences de la reproduction du réseau de pouvoir propre au Projet IA ». D’une manière paradoxale, il favorise le projet IA, au prétexte que seules les meilleures entreprises sauraient atténuer ce danger. Ces orientations permettent en fait de cadrer le discours sur la sécurité, en le déconnectant des problèmes de sécurité plus immédiat ou des considérations éthiques plus adaptées. 

Ces orientations axées sur la sécurité sont déconnectées de considérations éthiques plus larges. En qualifiant l’IA de « technologie ordinaire », les informaticiens Arvind Narayanan et Sayash Kapoor soulignent comment la question de la superintelligence détourne l’attention des problèmes bien réels qui émergent à l’ère de l’IA. 

En fait, constatent les chercheurs, la notion de sécurité n’a cessé d’évoluer : d’un cadre porteur de sens, elle s’est transformée en une construction mêlant dimensions ontologiques, inéluctabilité et leurres réglementaires. « Les entreprises utilisent désormais le langage de la sécurité pour envoyer des messages différents à des communautés distinctes ». Les acteurs clés du secteur de l’IA exploitent l’ambiguïté de ce terme pour égarer les critiques préoccupés par les répercussions sociétales. Si ils affirment que celle-ci est leur priorité absolue, en vrai, ils poursuivent leur course, concevant et déployant des modèles et des outils dépourvus de garde-fous efficaces, « tout en cherchant à les aligner sur des valeurs et des normes contestables » : les leurs ! « Or, ce leurre de la sécurité ne constitue ni une conséquence ni une retombée fortuite du Projet de l’IA : il fait partie intégrante de la constitution des réseaux de connaissances et de capitaux nécessaires à son déploiement. Comme tout leurre, il détourne l’attention des enjeux réels tout en consolidant les réseaux de pouvoir indispensables à la pérennité et à l’expansion du Projet IA. En atténuant les inquiétudes du public à l’égard des entreprises d’IA, ce leurre favorise même l’émergence d’opportunités commerciales. » Le discours sur la sécurité renforce le Projet IA, limitant ainsi toute possibilité de se prémunir contre les conséquences de son adoption. 

Le leurre de la régulation. Depuis les années 90, les leaders du secteur technologique n’ont cessé d’affirmer que la régulation était l’ennemi de l’innovation, alors que leurs critiques soutenaient qu’elle était le seul moyen de responsabiliser l’industrie. Paradoxalement, nombre d’acteurs de l’IA semblent demander aux autorités d’élaborer des règles de régulation, à l’image de Sam Altman réclamant au Congrès américain de créer une agence gouvernementale dédiée. En fait, les dirigeants du secteur technologique ont compris que la régulation pouvait s’avérer stratégiquement avantageuse, « surtout s’ils disposaient d’une place à la table des décisions ». Leur but est bien plus de consolider leur position que de la menacer. Le managérialisme réglementaire des organismes de réglementation américains est facilement récupéré par les entreprises qui ont appris à s’adapter à des évolutions réglementaires qui ne les menacent jamais. Même l’IA Act européen, qui pense que les entreprises technologiques pourraient remédier aux préjudices complexes qu’elles mettent en place grâce à une meilleure conception de leurs produits sous la contrainte, se leurre, expliquaient déjà danah boyd et Maria Angel (voir notre article, la responsabilité ne suffit pas), alors que la faiblesse des mécanismes d’application du règlement sur l’IA conduit, dans de nombreux cas, à confier aux entreprises elles-mêmes l’évaluation des risques posés par leurs systèmes, renforçant de fait leur position dominante.

Or, « si l’IA semble nécessiter une régulation urgente à une époque où les structures de pouvoir de l’après-guerre sont sur le déclin, ce n’est pas parce que ses capacités techniques sont à l’origine de l’instabilité. C’est plutôt parce que le mot d’ordre de l’IA, rend possible et concrétise la reconfiguration mondiale en faveur des acteurs de l’IA et de leur pouvoir. » Le problème n’est pas de réguler chaque chatbot, chaque technologie, que l’influence totale du projet IA sur le monde. Pour les chercheurs, les travaux existants dans les domaines social et réglementaire « doivent s’orienter vers le cœur du problème : la financiarisation, les possibilités de restructuration des entreprises et les nouvelles formes de monopole, de création et de capture de marché. Si nous voulons exiger que les systèmes d’IA rendent des comptes sur les relations et les infrastructures de la vie sociale et publique, nous devons remettre en question les conditions de possibilité de la construction de ce puissant réseau. Parmi les actions pertinentes, on peut citer l’augmentation de l’impôt sur les plus-values, le renforcement de l’application du droit de la concurrence et la suppression des failles juridiques permettant aux investisseurs d’accumuler des richesses. »

Réguler l’économie plutôt que l’IA ?

« L’IA est devenue le vecteur de transformations sociales majeures, non pas parce qu’une technologie engendrerait des résultats inédits, mais plutôt parce que des acteurs du marché disposant d’importantes ressources financières saisissent cette occasion pour restructurer les opportunités et les infrastructures à leur propre avantage sous l’étiquette IA ». Ce ne sont pas les capacités de chatbots bavards qui permettent au projet IA de s’imposer comme un phénomène tangible, mais bien la construction d’un réseau de pouvoir recelant le potentiel d’un « impact immense et durable sur la société ». Si l’IA semble tout bouleverser à l’heure actuelle, c’est précisément parce qu’elle offre une « occasion de structuration » sans précédent des réseaux de pouvoirs et d’infrastructure. 

Pour les chercheurs, la transparence algorithmique par exemple n’est pas la composante la plus efficace, stable ou influente de ce projet qui mérite d’être encadré.  Que l’intelligence artificielle générale apparaisse ou non, ou que les robots prennent nos emplois ou non, nous devrons composer avec des conditions structurelles durables et les infrastructures résiduelles d’une course entre les grandes entreprises et les gouvernements pour reconstruire les rouages ​​du pouvoir à leur avantage. Même si notre attention se porte sur des enjeux moralement urgents (comme les biais algorithmiques ou l’influence délétère des chatbots sur les plus fragiles…), nous devons abandonner une approche centrée sur les correctifs, sur les détails techniques, pour passer à un contrôle sur le développement du réseau de pouvoir du projet IA dans son ensemble.

« Nous ne souhaitons pas dénigrer le travail important mené au sein de cette communauté sur les questions liées à l’IA et à la société », modèrent les chercheurs. « Notre crainte est que, justement lorsque nous pensons responsabiliser les entreprises d’IA, nous risquions de nous laisser berner par un leurre et de passer à côté de la véritable source de responsabilité. Il est de notre devoir de prendre du recul et d’analyser les mécanismes complexes de ces systèmes. La transparence des outils algorithmiques n’est pas synonyme de responsabilité lorsque l’objectif est de construire une infrastructure de gouvernance incontestable pour maintenir le pouvoir d’une élite. L’équité d’un résultat algorithmique ou d’un ensemble de données particulier importe peu dans un monde où certaines des inégalités les plus massives et persistantes depuis l’ère féodale sont perpétuées par un système d’influence antidémocratique. » 

Mais chercher des points d’entrée pour exiger des comptes ou de la transparence au sein d’un réseau se heurte à sa capacité caractéristique à changer de forme, au risque de rendre le point d’intervention aussi insaisissable que le réseau lui-même. Les grands PDG ne sont pas même la cible idéale d’une intervention, quand c’est dans les coulisses que se joue l’essentiel : lors d’accords conclus entre dirigeants, membres de conseils d’administration, sociétés de capital-risque, gestionnaires d’actifs, responsables politiques et financiers de Wall Street. Le pouvoir de décision est réparti au sein d’une élite en réseau, dotée de ses propres mécanismes de consolidation du pouvoir qui agit partout en fonction du retour sur investissement. 

« La constitution de réseaux visant la conquête de marchés s’accompagne également de formes inédites de métamorphose organisationnelle et sociotechnique. Les entreprises peuvent aisément déplacer des éléments tels que la main-d’œuvre, le capital, le financement, les données et les infrastructures vers d’autres parties du réseau afin d’échapper à toute surveillance », comme l’expliquait Fred Turner récemment, en expliquant que nous étions passé de l’idéologie californienne à l’idéologie texane, de la contre-culture au conservatisme. La capacité d’agir comme la responsabilité sont devenues plastiques et peuvent être très facilement redistribué à travers le réseau, passant d’un data center l’autre, d’un travailleur du clic asiatique à un autre africain… 

Les entreprises d’IA reproduisent des stratégies de métamorphose bien établies, utilisées par des géants influents comme Facebook ou Uber qui n’ont cessé d’échapper et de contourner les réglementations. Même la réglementation environnementale exige de caractériser les formes de contamination industrielle, que les entreprises cherchent à occulter en recourant à des techniques éprouvées consistant à semer le doute et à entretenir l’ignorance. Des ressources telles que les puces électroniques, l’accès aux centres de données ainsi que les données ou l’entraînement de modèles ne sont pas réglementées en tant que monnaies à proprement parler, alors qu’elles sont devenues des actifs dont les échange cimentent les partenariat entre un groupe restreint d’élites, formant un circuit socio-économique propre à l’IA. « La recherche de cette responsabilisation exige de nouveaux cadres d’analyse qui abordent directement la constitution du réseau et ses dérives. »

Mais l’avenir n’est pas inéluctable, rappellent les chercheurs. « Si le projet d’IA est extraordinairement puissant, son pouvoir dépend de l’adhésion continue du public et des institutions à ce projet. À cette fin, il est impératif de reconnaître quand et comment nous pouvons exercer notre pouvoir d’action en ces temps tendus, et de résister aux leurres trompeurs entretenus par les acteurs de l’IA pour façonner l’avenir selon leurs conditions. » Pour cela, les chercheurs invitent à réorienter l’analyse vers l’économie politique de l’IA et à prendre au sérieux le pouvoir politique que le Projet IA laisse présager. Ils invitent à orienter la recherche vers quatre cadres d’analyses : 

Les lieux matériels d’assemblage des réseaux. Le Projet d’IA exige de tisser d’importantes infrastructures en des alignements inédits et souvent instables, en composant de manière créative des relations et des modèles d’échange entre des acteurs hétérogènes. Il nous faut mieux comprendre ces assemblages, les associations que les entreprises tissent entre elles, les « fonctionnalités » inédites qu’elles lancent, les financements qu’elle obtiennent et mobilisent… Et examiner comment les mécanismes d’assemblage, d’acquisition de capitaux et de mise en œuvre limitent la transparence et la responsabilité.

Le financement comme action technopolitique. Des travaux récents à l’intersection de la sociologie économique et des études sociales des sciences et des techniques démontrent comment le travail technique est imbriqué dans les structures financières. C’est le cas notamment du travail de Benjamin Shestakofsky et son livre, Behind the startup: how venture capital shapes work, innovation, and inequality (university of California press, 2024 – voir aussi le travail de Marlène Benquet dont nous rendions compte). Il nous faut mieux comprendre les mécanismes de capture du marché et comprendre pourquoi une réglementation axée sur la technologie tend à négliger les arrangements économiques et politiques qui sous-tendent le projet IA. 

Des objets aux flux mondiaux. Nous ne devons pas considérer l’IA comme un objet, mais mieux nous concentrer sur les flux circulant entre les sites qui participent à l’agencement mondial de l’IA, comme le montrait l’anthropologue Anna Tsing dans Friction (La découverte, 2020). Nous devons mieux saisir l’infrastructuration, c’est-à-dire comment les connexions entre les nœuds sont concentrées, fragmentées et maintenues de manières spécifiques pour reproduire des rapports de force. Comment les flux de données, de personnes et de capitaux sont-ils facilités ou entravés ? 

Résister au solutionnisme social. Il nous faut enfin résister au solutionnisme tant technologique que juridique, disciplinaire. Ne saisir l’IA que sous l’angle informatique ou juridique par exemple ne nous aide pas à interroger le Projet IA dans sa globalité. « Aucun domaine pris isolément n’apportera la solution face au Projet IA ». Nous devons élaborer des approches bien plus transdisciplinaires, afin qu’elles soient capables d’interrompre les flux et les reconfigurations de réseaux sur lesquels repose le Projet de l’IA. 

La recherche critique « a consacré beaucoup de temps à disséquer les paramètres techniques, dans une volonté sincère de bâtir un avenir plus juste et plus équitable ». Se faisant, elle a été bien plus enrôlée dans le projet IA par des acteurs ayant un intérêt économique et politique direct à façonner l’avenir selon leurs propres termes. « Nous devons trouver d’autres modalités pour exercer la transparence, l’équité et la responsabilité que nous n’arrivons pas à obtenir ». Il est temps de changer de braquet… Et finalement, de finir de politiser la question technologique.

Derrière le grand récit de l’IA se cache une profonde transformation de la nature même des informations personnelles, explique le chercheur à Harvard, Ikenna Ogbogu, dans une série de concours d’essais organisée par le Berkman Klein Center for Internet & Society de l’Université Harvard et Tech Policy Press. « Plutôt que de simplement stocker des données, les modèles de langage apprennent des représentations statistiques latentes à partir de vastes quantités d’informations générées par l’humain, transformant ainsi les données en capacités d’inférence. Ces capacités permettent aux systèmes d’IA de générer des inférences sensibles sur les individus à partir d’informations qui n’ont jamais été explicitement divulguées. »

« Un modèle peut agréger les comportements d’achat, l’activité sur les réseaux sociaux et les schémas conversationnels pour prédire avec fiabilité l’état de santé mentale, l’affiliation politique ou le niveau de revenu d’une personne. Même si cette personne n’a jamais consenti à divulguer ces informations sensibles, une préoccupation plus fondamentale se pose : des données apparemment anodines concernant autrui peuvent être agrégées pour générer des inférences sensibles sur n’importe quel individu, d’une manière difficilement prévisible, contrôlable ou contestable. Ceci remet en question les cadres de protection de la vie privée classiques, fondés sur la collecte, le stockage, la diffusion et la gestion d’enregistrements distincts et identifiables pour chaque individu. » 

Si les atteintes à la vie privée découlent le plus souvent d’informations identifiables, cela risque de n’être plus le cas à l’avenir. L’inférence ne relève plus de données auxquelles les utilisateurs peuvent accéder, qu’ils peuvent corriger ou supprimer, « mais tiennent à la capacité d’un modèle à générer des inférences sensibles que les utilisateurs ne peuvent raisonnablement ni prévoir ni contrôler, les cadres actuels de la vie privée numérique commencent à s’effondrer ». La protection de la vie privée doit évoluer pour mieux encadrer les capacités d’inférence, explique le jeune chercheur (voir ce que nous disions nous-mêmes en nous inquiétant non seulement des inférences mais de leurs défaillances, car celles-ci ne sont pas toutes fiables, tant s’en faut : Inférences, comment les outils nous voient-ils ?). 

Aron West, pour la lettre Café IA, montrait récemment l’impossibilité à anonymiser un prompt en pointant notamment vers le travail (ainsi que le site dédié) de chercheurs de l’Ecole polytechnique fédérale de Zurich montrant la grande facilité des outils à réidentifier des individus ou leur localisation et à inférer des informations, comme le genre, le niveau culturel ou social, ou l’origine ethnique des individus depuis les questions et indications qui sont présentes dans des prompts. Une étude de 2024 avait déjà abouti à cette même conclusion en démontrant comment les modèles de langage modernes sont capables d’inférer avec précision des informations personnelles identifiables à partir de textes apparemment anodins, comme la possibilité de déduire la localisation exacte d’un individu à partir d’un simple message anodin, comme celui-ci : « il y a ce carrefour infernal sur mon trajet quotidien, je suis toujours coincé là-bas à attendre un virage à droite ». En utilisant bien d’autres éléments comme la langue, le style… et le fait que le terme « virage à droite » désigne une manœuvre de circulation courante dans la région de Melbourne que le modèle a intégré dans ses données…

« Les LLM posent un profond dilemme éthique, car les individus peuvent être profilés, catégorisés et ciblés à grande échelle sur la base d’informations sensibles qu’ils n’ont jamais eu l’intention de partager », souligne Ikenna Ogbogu. Dans Privacy in context (Stanford university Press, 2009), Helen Nissenbaum rappelait que la protection de la vie privée est régie par ses contextes et son intégrité. Par exemple, un patient peut légitimement divulguer des informations médicales à son médecin, mais pas à son employeur. De même, les informations partagées avec un conseiller financier sont généralement censées rester confidentielles dans le cadre de cette relation de conseil. Mais l’inférence perturbe ces deux types de normes. « S’il est approprié de partager des pensées et des expériences dans le cadre d’une discussion sur Reddit par exemple, les utilisateurs ne s’attendent généralement pas à divulguer des informations démographiques sensibles à quiconque capable d’analyser leurs publications. Ils ne s’attendent pas non plus à ce que leur publication contribue à l’entraînement d’un modèle capable de déduire leur niveau de revenu ou leur situation matrimoniale à partir d’interactions courantes sur le site web.»

« Le problème de fond n’est pas seulement la possibilité de déduire des informations sensibles, mais plutôt l’exploitation des interactions ordinaires pour développer des capacités d’inférence servant des fins très éloignées du contexte dans lequel l’information, aussi anodine soit-elle, a été initialement partagée. Ces capacités d’inférence érodent les contextes de formation des normes et des attentes en matière de confidentialité, exacerbant les inquiétudes persistantes quant au pouvoir des entreprises technologiques de profiler, prédire et influencer les comportements à des fins lucratives.»

Or, rappelle Ogbogu, les lois sur la protection de la vie privée estiment que les atteintes à la vie privée résultent de la collecte, du stockage, du transfert ou de la divulgation d’informations identifiables. Elles estiment également que les individus peuvent raisonnablement anticiper l’utilisation qui sera faite de leurs informations. Ce n’est plus le cas. Les lois sur la protection des données personnelles renforcent le contrôle des individus sur leurs informations personnelles. Or l’inférence n’agit pas sur la sécurité des données, mais dépendent des capacités des modèles d’IA et leurs déploiements. 

Les droits à la vie privée numérique, tels que l’accès, la rectification et la suppression, sont également mis à rude épreuve le déploiement de l’inférence. Ces droits présupposent que les informations peuvent être localisées, modifiées et supprimées. Or, avec l’IA, les informations sont distribuées à travers des représentations internes plutôt que stockées sous forme d’enregistrements distincts. Les capacités d’inférence, une fois développées, ne peuvent être annulées de manière fiable par la seule correction des données, ce qui rend les droits individuels a posteriori inadaptés au problème. 

« La législation actuelle sur la protection de la vie privée repose également largement sur des cadres de notification et de consentement qui présupposent que les individus peuvent évaluer de manière pertinente les risques associés au traitement des données. Cependant, les modèles de langage modernes développent des capacités d’inférence dont les applications futures peuvent même être inconnues de leurs concepteurs, rendant le consentement éclairé impossible à obtenir en pratique. » Comme l’observe le spécialiste de la protection de la vie privée Daniel Solove, la gouvernance de la vie privée fondée sur le consentement demande souvent aux individus de prendre des décisions dans des conditions de forte asymétrie d’information. Dans le contexte de l’IA générative, ces asymétries sont amplifiées car les risques les plus importants reposent sur des capacités et des usages difficiles à prévoir a priori.

Pour remédier à ces préjudices, il est nécessaire de dépasser une réglementation purement axée sur les données. Ikenna Ogbogu propose de réfléchir à plusieurs dispositions. « La législation sur la protection de la vie privée devrait élargir la définition des données couvertes afin d’y inclure les informations inférées et les attributs probabilistes dérivés des systèmes d’IA. Cependant, les données inférées ne représentent qu’une manifestation d’un problème plus vaste : les modèles de base développent des capacités permettant de générer des inférences sensibles à partir de représentations latentes, même lorsque ces inférences ne sont jamais stockées sous forme d’enregistrements distincts. Par conséquent, l’élargissement des données couvertes est une première étape nécessaire, mais insuffisante à elle seule.

Deuxièmement, les autorités de réglementation devraient adopter une approche de gouvernance fondée sur les capacités. Plutôt que de se concentrer exclusivement sur les informations stockées, la surveillance devrait évaluer les informations qu’un modèle est capable d’inférer. Les organisations déployant des modèles de base à grande échelle devraient être tenues d’auditer leurs systèmes afin de vérifier leur capacité à inférer des caractéristiques démographiques, financières, politiques, sanitaires ou comportementales sensibles à partir des interactions courantes des utilisateurs. De tels audits permettraient de mieux aligner la réglementation sur la protection de la vie privée sur les réalités du déploiement de modèles de base, où les préjudices découlent souvent des capacités plutôt que des enregistrements.

Troisièmement, les organisations déployant des systèmes d’IA devraient réaliser des évaluations d’impact publiques divulguant l’étendue de l’inférence d’attributs sensibles, le risque de résultats discriminatoires et le potentiel d’utilisation abusive des résultats du modèle. Plutôt que de simples exercices de conformité, ces évaluations devraient être contraignantes, soumises à un examen indépendant et intégrées tout au long du cycle de vie du développement et du déploiement des systèmes d’IA. Contrairement aux cadres de notification et de consentement qui font peser la responsabilité sur les individus, les audits de capacités et les évaluations d’impact rendus publics transfèrent la responsabilité aux organisations les mieux placées pour comprendre et atténuer ces risques. »

Pas sûr que ces propositions soient toutes valides, comme le montraient déjà Paul Bouchaud et Pedro Ramaciotti. La question de l’inférence, comme on le voyait dans notre exemple, repose aussi et beaucoup sur les capacités à croiser les modèles, les fonctions, dans des architectures explicitement prévues pour cela. Une autre réponse serait aussi de limiter certaines formes d’inférences, voire mieux, de les interdire ou d’interdire leurs usages à nombres d’acteurs. Mais la possibilité d’inférer tout ou n’importe quoi depuis les modèles d’IA pose effectivement des problèmes insolubles. Et le fait de mieux révéler ce qui est inféré, comme nous l’évoquions aussi, ne suffira pas à limiter l’exploitation. 

Pour Aeon, les sociologues Marion Fourcade et Kieran Healy, identifient un intéressant paradoxe, celui de l’authenticité. Dans leur livre, The Ordinal Society (Harvard University Press, 2024, voir notre critique), ils identifiaient déjà plusieurs paradoxes de la numérisation de nos sociétés, comme celui de la standardisation ou de l’individualisation. 

Dans la société ordinale (une société du score, comme le disaient déjà Daniele Citron et Frank Pasquale), rappellent-ils, tout est ordonné, classé, trié pour être apparié. « C’est grâce à leur capacité à observer, juger et gérer les individus dans différents contextes sociaux que les ordinateurs exercent leur influence la plus significative sur la société. Partout, la logique bureaucratique des organisations fusionne avec la logique calculatoire des machines. Partout les ordinateurs produisent des scores qui créent des différences, définissent des priorités, organisent les files d’attente et constituent une base d’action extrêmement utile et puissante. Ils instaurent l’ordre en catégorisant les personnes, les choses et les idées, puis en les associant entre elles, à des positions sociales, à des biens, des services et des prix. »

« Les schémas qui en résultent constituent ce que nous appelons structure sociale – une sorte de société ordinale où les données générées par ordinateur servent de repères pour nos choix. Dans le domaine économique, par exemple, ces méthodes contribuent à fixer les salaires et les horaires de travail. Elles calculent les loyers, le prix des assurances et déterminent l’admissibilité aux services sociaux. Elles facilitent de nouvelles formes de recherche de rente et accélèrent le développement de nouvelles classes d’actifs négociables sur les marchés financiers. Elles ont également modifié la relation entre les individus et les groupes qu’ils forment et auxquels ils appartiennent. Elles organisent la circulation de l’information, la distribution de l’influence sociale et les moyens de mobilisation politique. Notre capacité à tisser des liens sociaux significatifs et à agir collectivement s’en est trouvée profondément altérée. » L’ordonnancement algorithmique a une conséquence expliquent-ils : il transforme en retour notre perception de nous-même. Ce nouveau rapport semble libérer les personnes des affiliations sociales et les juger selon leurs qualités. « Il promet l’intégration aux exclus, la reconnaissance aux créatifs et une juste récompense aux entrepreneurs.» 

« Pourtant, cette promesse d’émancipation s’accomplit par des systèmes qui classent, trient et, surtout, hiérarchisent les individus avec une précision toujours plus grande et à une échelle auparavant inimaginable. L’ordre social qui en résulte est une sorte de paradoxe, caractérisé par des tensions constantes entre liberté individuelle et contrôle social, entre l’élan subjectif de l’authenticité intérieure et les forces objectives de la validation externe. Il donne naissance à une certaine manière d’être, à un nouveau type de soi, dont les expériences sont définies par la quête d’autonomie personnelle et l’attrait de la dépendance aux plateformes. » Derrière l’individualisation, la personnalisation du calcul, se cache en fait une catégorisation toujours plus élastique, granulaire. Comme nous le disions déjà il y a près de 10 ans, la personnalisation n’a rien de personnel : « les algorithmes ne cherchent pas à nous distinguer, mais à nous catégoriser. » Mais les effets de ces catégorisations, produites à la volée, inférées, recomposées ou profondes, sont bien réelles, tant d’un point de vue personnel que collectif. C’est ce que montrait par exemple la pertinente note de Melkom Boghossian pour la fondation Jean Jaurès quand il expliquait comment les algorithmes accentuent les clivages de genre. Mais, pour Marion Fourcade et Kieran Healy, les conséquences sont plus profondes encore, car ces catégorisations « exacerbent l’individualisme et la compétition interpersonnelle  à un point tel que notre capacité à tisser des liens sociaux significatifs et à agir collectivement s’en trouve profondément altérée ». Les sociologues parlent d’individualisme exacerbé. 

Polarisations identitaires

« Aux débuts d’Internet, être en ligne offrait certaines libertés. Non seulement l’anonymat ou le pseudonymat en ligne étaient courants, mais ils étaient célébrés comme une forme de libération. » Nous pouvions alors avoir plusieurs versions de nous-mêmes, plusieurs identités et naviguer dans leurs interstices, entre des profils qui ne communiquaient pas entre eux. « Vous bénéficiez d’une forme de confidentialité qui repose moins sur des protections juridiques explicites que sur les limitations techniques de systèmes connectés en théorie, mais non intégrés en pratique », votre profil de joueur ne communiquait pas avec votre profil sur tel ou tel forum. Un peu comme la séparation administrative, qui permettait aux Etats-Unis, aux immigrants sans papiers de payer leurs impôts en toute sécurité. « Cette séparation administrative délibérée permettait aux entreprises et aux gouvernements américains de tirer profit de la main-d’œuvre immigrée tout en créant un véritable sanctuaire où des millions de personnes pouvaient s’acquitter de leurs obligations fiscales (grâce à leur numéro d’identification fiscale individuel) sans craindre d’être expulsées. » 

Mais pour les sociologues, c’est là ce qui est en train de changer. Le Département de l’efficacité gouvernementale (Doge) a changé la donne et les informations fiscales sont désormais utilisées pour retrouver les sans-papiers. En fait, les espaces d’expression se réduisent quand d’innombrables agences utilisent les données des courtiers en données, ou quand les agences gouvernementales acquièrent le droit d’examiner les profils sur les réseaux sociaux. A mesure que les croisements de données sont rendues possibles entre institutions étatiques et privées, la surveillance devient non seulement omniprésente, mais surtout bien plus puissante. 

Mais plus encore que la possibilité d’identifiabilité, l’exploitation des profilages renvoie à chacun des questions sur son identité même. Qui sommes-nous vraiment ? Ne sommes-nous pas de plus en plus celle ou celui que nous renvoient l’exploitation de nos profils ? En exploitant notre soif de sociabilité et nos idéaux d’épanouissement personnel, les réseaux sociaux nous incitent à afficher nos convictions et à rallier des alliées pour les valider, dans une quête d’authenticité qui se retourne souvent contre ses auteurs. Dans un livre à paraître à l’automne sur les influenceurs (Gurus, Hucksters, Entertainers, Chicago university press, 2026), la sociologue Angèle Christin montre par exemple comment la nécessité de se distinguer peut conduire à la polarisation. « La dynamique des plateformes pousse les artistes du divertissement et les gourous à produire des contenus extrêmes et incendiaires pour maintenir l’engagement de l’audience, tandis que les marques et les spécialistes du marketing incitent les vendeurs à des prestations commerciales répétitives et convenues. Les inquiétudes concernant la manipulation algorithmique et les conflits entre créateurs engendrent par ailleurs des scandales nuisibles à la réputation, souvent marqués par le harcèlement. Angèle Christin révèle comment le travail sur ces plateformes favorise, de manière répétée et structurelle, la précarité et les inégalités, ainsi que les clashs destructeurs et la diffusion de contenus incendiaires en ligne. » 

Pour Fourcade et Healy, le piège de l’authenticité génère d’autres chausses-trappes encore. Ce que l’on y affiche devient la preuve de son identité. « Dans son ouvrage Ballad of the Bullet (Princeton university press, 2020), l’ethnographe Forrest Stuart a montré le décalage important entre les performances que les musiciens hip-hop de Chicago mettent en scène sur les réseaux sociaux et la réalité plus banale de leur vie. Les jeunes qui se donnent des airs de durs pour vendre leur musique sur YouTube risquent d’apprendre à leurs dépens que les forces de l’ordre et les juges ont tendance à interpréter ces signes au pied de la lettre, sans y voir les jeux de pouvoir et les affirmations identitaires dont ils surjouent. De même, le recours par l’administration Trump aux tatouages ​​comme preuve facilement mesurable et accessible d’appartenance à un gang transforme un marqueur souvent superficiel en un simple critère d’évaluation pour les expulsions. Dans un pays où le gouvernement s’arroge le droit d’instrumentaliser les opinions déclarées des citoyens dans les procédures d’immigration, l’effet est glaçant ». 

L’expressivité en ligne, renforcée par les contraintes algorithmiques, qui produisait des liens sociaux, s’apprête bien plus à générer des obstacles pour chacun d’entre nous.  

De l’authenticité à l’authentification

Les contenus génératifs viennent renforcer encore le phénomène en déstabilisant encore un peu plus l’authenticité, en floutant la distinction entre le vrai et le faux. « Tout cela a pour effet de déplacer l’accent de l’authenticité vers l’authentification, de la démonstration de la véracité de son identité vers la preuve de la véracité de son témoignage. La question n’est plus de savoir si les marqueurs d’identité sont authentiques (« Est-ce que ces données sont vraiment vous ? ») ni même sincère (« Qui êtes-vous vraiment ? »), mais si chaque élément de votre présence numérique est exempt de toute médiation artificielle (« Est-ce vraiment vous ? »). Ce nouveau régime d’authentification transforme les interactions, d’une série de performances à juger, en une succession d’actions à vérifier par des machines à chaque étape. Être légitime exige désormais d’être publiquement identifiable, authentique et, de plus en plus, pleinement authentifié. » 

« Ce qui a commencé comme une célébration de l’unicité individuelle, encourageant la production de preuves numériques, évolue vers un système de vérification complexe qui considère toute trace comme potentiellement suspecte. » Avec la circulation de fausses versions de nous-mêmes, nous risquons de nous retrouver pris dans un cycle sans fin de démonstration et de défense de notre existence, nous soumettant toujours davantage à un mécanisme de scepticisme institutionnalisé, venant renforcer (s’il en était besoin) la conviction administrative que chacun est coupable, fraudeur, bonimenteur… L’image que l’on donne de soi est à la fois perçue comme la réalité et comme un mensonge, nécessitant d’être toujours interrogée pour être utilisée à son encontre.  

De l’individualisation du savoir à la construction de croyances

« Ces crises politiques et techniques de l’authentification dépassent largement le cadre de l’individu. Avec l’avènement d’internet, le savoir s’est considérablement étendu et diversifié. Mais il est aussi devenu plus personnalisé et plus étriqué, car les internautes interagissent avec le web en s’appuyant sur leurs convictions personnelles et leurs conceptions de la réalité, et en les développant. L’arrivée de l’IA générative aggrave peut-être ce défi épistémique : quand tout doit être authentifié, mais que les contrefaçons sont de plus en plus sophistiquées, comment être sûr de quoi que ce soit ? » 

Nous vivons à l’ère de la désintermédiation du savoir. En un clic, nous pouvons consulter des documents juridiques originaux, télécharger de vastes ensembles de données, bénéficier de l’aide d’un assistant IA pour écrire le code nécessaire à leur analyse et rédiger rapidement les résultats. « Il ne faut pas sous-estimer à quel point cette transformation a été stupéfiante et incroyablement enrichissante à bien des égards. Malgré ses problèmes, si l’on demandait à un chercheur s’il reviendrait à un monde entièrement pré-numérique et pré-réseau pour le partage des connaissances, la communication académique et l’accès aux données, la réponse serait massivement « non ». Mais cette transformation du quotidien professionnel s’accompagne d’autre chose. La propension à la recherche est devenue, sans qu’on s’en rende compte, une seconde nature. » Aujourd’hui, « faire ses propres recherches » est plus qu’une simple habitude chez les universitaires. C’est un impératif moral, un devoir civique et, un peu comme être un bon conducteur, une compétence que chacun s’imagine posséder. Les individus capables d’explorer le réseau et d’interroger les bases de données de modèles de langage à grande échelle (LLM), et qui ont la confiance en eux et les moyens de diffuser leurs découvertes, tendent à devenir une source d’opinion faisant autorité. Du moins, c’est ainsi qu’ils le perçoivent. On comprend dès lors pourquoi les connaissances ainsi produites sont souvent si chargées d’émotion. Plus on s’investit dans la recherche et le développement de sa propre compréhension, plus cette quête de savoir prend de l’ampleur. »

« Le savoir se transforme en une forme de révélation personnelle, où chacun est à la fois celui qui cherche et celui qui interprète sa propre vérité ». « Ce qui a commencé comme un exercice de raisonnement autonome devient une question de croyance – une croyance défendue avec d’autant plus de ferveur qu’elle semble avoir été découverte par soi-même plutôt qu’imposée de l’extérieur. » Le problème est que cette quête individualisée de sens renforce la polarisation. « L’idée même de parvenir à un consensus largement partagé sur les faits semble de plus en plus hors de portée ». « En conséquence, les hiérarchies traditionnelles du savoir et les sources d’expertise sont contournées au profit de recherches algorithmiques autoguidées, qui génèrent une réponse précisément pertinente à une requête ou à une consigne, qu’il s’agisse d’une liste de liens ou d’un paragraphe de synthèse. Dans le meilleur des cas, cette pratique tend vers une forme d’idéal démocratique cher à John Dewey : elle semble revitaliser la production de savoir en tant qu’entreprise participative, animée par un esprit démocratique d’enquête ouverte et de recherche collective de la vérité. »… Tout en demeurant très individualisée et individualisante. C’est ce qu’espéraient beaucoup d’observateurs aux débuts du World Wide Web, y compris lors des premières vagues des réseaux sociaux, des blogs jusqu’à Twitter. Toutefois, dans le pire des cas, la diffusion du savoir finit par transiter par des plateformes qui personnalisent les résultats à grande échelle et favorisent l’engagement envers des contenus extrêmes ou trompeurs, car le sensationnalisme et la complaisance sont les moteurs des revenus publicitaires. 

Lorsque, en 2023, le gouvernement canadien a exigé des entreprises du numérique qu’elles rémunèrent les médias pour les liens renvoyant vers des actualités publiées sur leurs plateformes, Meta a tout simplement bloqué ces liens sur Facebook et Instagram. Le vide informationnel qui en a résulté a été rapidement comblé par des contenus non vérifiés et orientés à droite, ce qui a contribué à soutenir le candidat local de mouvance trumpiste. « Nous sommes désormais submergés d’exemples de plateformes technologiques usant de leur puissance de marché pour modeler les écosystèmes de l’information selon leurs impératifs commerciaux, au mépris des conséquences sociétales ». Google a révolutionné la recherche en traitant, de fait, les pages web comme un vaste réseau de réputation. L’autorité relative des sites était déterminée par une multitude de décisions indépendantes : celle de créer ou non un lien vers eux. Cependant, la volonté d’adapter les résultats aux préférences individuelles a été de plus en plus dictée par l’efficacité des titres accrocheurs (clickbait) ou du placement publicitaire. Il en a résulté une fragmentation des connaissances accessibles au public, désormais produites pour faciliter la manipulation du marché en confortant des croyances préexistantes. Si la perception de la recherche en ligne comme une forme de pensée critique et active a perduré, il peut s’avérer difficile, pour certains, de trouver des informations fiables. Cette situation rend d’autant plus ardue la construction d’une réalité partagée. Et l’idée même de parvenir à un consensus largement partagé sur les faits – quelle que soit leur teneur – semble s’éloigner toujours davantage. 

L’illusion de l’individu souverain : une identité centrée sur le soi

« C’est dans ces gouffres de la connaissance que se façonne le sentiment d’une identité centrée sur le « soi » nourri par la conviction que l’individu est l’unique source véritable de sa propre illumination ». La conjonction d’un égocentrisme épistémologique et de l’hyperconnectivité rend les individus perméables à des formes diffuses de construction de « super-sens » (pour reprendre une expression de Hannah Arendt). « En quête d’une vérité porteuse de sens, ils traquent des indices significatifs disséminés sur Internet, s’appuyant sur des algorithmes commerciaux et des systèmes de recommandation pour assembler des bribes d’information disparates en une vision du monde cohérente. Ce qui commence souvent comme une quête existentielle ludique peut aisément se cristalliser en croyances déformant la réalité » ; celles-ci prospèrent en favorisant l’émergence de nouveaux types sociaux et de regroupements politiquement influents. À son apogée, le mouvement QAnon a illustré l’interaction entre cette disposition à la quête de sens, les médiations numériques et le ciblage à but lucratif. Ses membres se percevaient comme des esprits critiques, seuls capables de mettre au jour des vérités cachées et de décrypter des indices complexes. Ils rejetaient avec véhémence l’idée d’appartenir à une secte, arguant – comme l’a expliqué l’un d’eux au chercheur Peter Forberg – qu’« aucune secte ne vous incite à penser par vous-même ». 

Le risque est fort que les grands modèles de langages (LLM) ne puissent résoudre le problème de la fiabilité des connaissances au sein d’une sphère publique fragmentée. « Tout comme les impératifs commerciaux ont engendré des contenus fallacieux et des bulles de filtres, les LLM seront probablement soumis aux mêmes pressions dans un contexte de rendement décroissant ». Les entreprises qui les entraînent ayant un besoin impérieux de rentabilité, les logiques commerciales classiques – telles que la personnalisation et la segmentation des services – risquent fort de s’imposer à nouveau, donnant lieu à des univers épistémiques sur mesure, générés par des modèles adaptés aux goûts et aux capacités financières de publics distincts. 

« En tant qu’individu, notre plus grande crainte culturelle est d’être englouti par la société de masse, tout comme votre plus grande crainte politique est celle d’une surveillance exercée par un État autoritaire ». Ces peurs sont toujours bien présentes. Toutefois, dans un monde saturé de catégories et d’identités, de nouveaux dilemmes surgissent, estiment les chercheurs.« Sur le plan individuel, tout – comportements publics, déclarations, mesures chiffrées – peut potentiellement devenir un facteur de différenciation et, par conséquent, une source d’identité. Du côté des organisations, les données générées par les utilisateurs conduisent à les regrouper ou à les segmenter selon des modalités de plus en plus spécifiques, éphémères et souvent incompréhensibles. Plus les classifications sociales (ou pseudo-sociales) se font précises, plus les occasions de distinctions et de jugements moraux se multiplient. La principale victime de cette évolution est la possibilité de nouer des alliances politiques stables et de grande envergure. Plus les citoyens sont traités individuellement comme des cibles d’interventions commerciales, plus la vie politique se fragmente. »

« Les méthodes traditionnelles de ciblage électoral partaient d’un message politique pour rechercher les individus susceptibles d’y adhérer. L’essor du big data inverse cette logique : on part des dispositions culturelles de l’électorat pour élaborer, en partant de la base, des messages qui résonnent avec ces attentes. »

Fourcade et Healy rappellent d’ailleurs que bien avant Cambridge Analytica, le Mouvement 5 étoiles (M5S) italien a sans doute été le pionnier de cette approche politique fondée sur les données, comme le raconte Giuliano da Empoli dans Les ingénieurs du chaos (2019). Tout a commencé en 2005, lorsque Gianroberto Casaleggio, spécialiste du marketing numérique féru de démocratie directe, a recruté l’humoriste et satiriste populaire Beppe Grillo pour lancer un blog éponyme, destiné à partager avec le public sa désillusion et son indignation politiques. Ce blog encourageait la participation citoyenne, permettant ainsi à Casaleggio – auquel a succédé son fils Davide après son décès en 2016 – de repérer les griefs et les propositions suscitant le plus d’écho grâce aux « j’aime », aux commentaires et aux retours des utilisateurs, tout en testant, adaptant et affinant le discours politique de Grillo. Il en a résulté la naissance du premier « parti algorithmique », dont l’idéologie chaotique a été façonnée à partir des enseignements tirés des données. Très vite, le peuple du blog a été invité à descendre dans la rue, soutenu par l’infrastructure des réseaux sociaux d’un autre outil numérique : l’application Meetup. En 2018, le M5S est devenu le premier parti d’Italie, contribuant à former un gouvernement de coalition de courte durée. Un petit groupe d’hommes ultra-riches a repris le contrôle de l’État en s’adressant directement aux masses. 

Les campagnes politiques modernes ont fait évoluer cette approche vers une forme plus sophistiquée et, sans doute, plus manipulatrice encore, soulignent les chercheurs. Les données issues des réseaux sociaux – concernant les pratiques culturelles, les émotions et les dispositions d’esprit sur une vaste gamme de sujets – permettent d’élaborer de nouveaux récits et de nouvelles esthétiques, de remodeler l’environnement informationnel et les liens sociaux des individus, et de susciter leur vote à des moments stratégiques. « L’objectif politique visé est généralement atteint grâce à une « architecture de persuasion » élaborée, reposant sur des messages personnalisés et une exposition répétée. Par exemple, les algorithmes publicitaires identifient des schémas d’actions efficaces (dons, « j’aime », achats, partages) et ciblent des utilisateurs similaires susceptibles de reproduire ces comportements ». Chaque itération exploite des données de réponse en temps réel pour dresser une cartographie toujours plus fine des cibles manipulables. « La mobilisation politique est, de fait, régie de manière cybernétique par des algorithmes. Sa logique opérationnelle émerge de constellations de variables difficiles à appréhender dans leur ensemble, conférant aux formations politiques qui en résultent un caractère émergent et ad hoc, relativement indépendant des instances de médiation traditionnelles telles que les partis politiques et les mouvements sociaux. L’affaiblissement de ces structures conventionnelles et la possibilité de personnaliser les messages politiques engendrent également des formes de domination sociale hautement individualisées. Les dirigeants populistes prospèrent grâce à l’idée qu’ils entretiennent un lien direct avec le public – bien que ce lien soit souvent entretenu par tout un écosystème, une « boucle de rétroaction de propagande » soigneusement élaborée. Les propriétaires de réseaux sociaux peuvent même imposer ce lien aux utilisateurs par le biais de manipulations algorithmiques servant leurs propres intérêts, comme l’auraient fait Elon Musk et Donald Trump sur leurs plateformes respectives. Grisés par l’idéal de l’« individu souverain », affranchi des frontières nationales, des normes sociales ou de la loi, quelques hommes ultra-riches ont réussi à reconquérir le pouvoir sur l’État et les élites traditionnelles en faisant appel directement aux masses et à la liberté du marché. » 

Trump lui-même semble s’être transformé en simple token, offrant son propre statut et sa réputation comme une opportunité d’investissement à ses abonnés enthousiastes… ironisent les chercheurs. Mais en réalité, pour la plupart d’entre nous, l’économie numérique exige de nous de travailler plus dur, même pour en tirer une célébrité rapide et en tirer profit. Les règles du jeu sont biaisées puisque nul ne maîtrise les catégories qui le propulsent ou l’invisibilisent, et l’argent, le temps et le capital social jouent un rôle majeur pour propulser certains individus au-dessus des autres. L’économie numérique repose de plus en plus sur la capacité à accéder et à payer des « accélérateurs algorithmiques » (publicité, comptes certifiés, cercle relationnel de personnes déjà visibles, affaiblissement des contenus pour booster leur viralité, usage des bots). L’essor du « personal branding » (la mise en scène de soi) témoigne en partie d’un désespoir, d’un écran de fumée idéologique masquant une réalité sociale bien plus sombre sur le terrain. 

« Alors que le déploiement des technologies numériques continue de générer des concentrations de richesse toujours plus stratosphériques, les masses s’enfoncent davantage dans le vide laissé par le démantèlement de la solidarité sociale et la montée de l’automatisation. Ce que l’on oublie souvent au sujet des « individus souverains », c’est que tout le monde ne peut pas en devenir un. »

Dans le New York Times, l’historien canadien Quinn Slobodian et l’essayiste militant Ben Tarnoff qui ont fait paraître Muskism : A Guide for the Perplexed (Harper Collins, 2026 non traduit, mais le livre est annoncé au Seuil pour début 2027) discutent de l’impact d’Elon Musk sur la société. Pour eux le muskisme n’est pas tant un fascisme que l’équivalent contemporain du fordisme, un mode d’organisation et de développement d’entreprise… mais qui n’agit plus seulement sur l’entreprise, mais sur toute la société (c’était le cas du fordisme aussi d’ailleurs). Reste que quand Ford proposait son modèle de développement, celui-ci venait avec un contrat pro-social parce qu’il payait bien ses ouvriers et souhaitait qu’ils puissent s’offrir ce qu’ils produisaient (tout en promouvant un ouvrier plus discipliné, comme le rappellent d’ailleurs Slobodian et Tarnoff dans un article pour le LPE Project). Toute la question est donc de savoir quel avenir Musk propose-t-il à l’humanité ? 

Musk, une souveraineté à son profit

Pour Tarnoff et Slobodian, Musk est l’un des grands défenseurs de « l’autonomie électrique ». C’est-à-dire qu’il défend l’idée que les énergies renouvelables peuvent renforcer l’autosuffisance d’un pays. C’est ainsi qu’il a positionné Tesla, qui n’est pas seulement un producteur de véhicules autonomes, mais d’abord un fournisseur de batteries. Trump aussi, à sa manière, est un fervent défenseur de l’autonomie électrique. Ses actions offensives en Iran ou au Venezuela, ses politiques tarifaires imprévisibles, le démantèlement des normes et institutions qui stabilisaient le système mondial sous l’égide américaine, incitent le pays à investir dans l’autonomie électrique. Des mesures qui pourraient accélérer la démondialisation amorcée au moins depuis la pandémie, les pays percevant de plus en plus l’intégration mondiale comme une source de risques et privilégiant l’autosuffisance et la résilience (même si cette démondialisation n’en est peut-être pas une, l’enjeu étant certainement plus d’étendre l’impérialisme de la tech…, la souveraineté visant peut-être bien plus le renforcement de la logique impériale que son abandon, comme le rappelle pertinemment la journaliste Célia Izoard en introduction du livre Anatomie d’une puce, Le monde à l’envers, 2026). 

Pour Musk, « l’usine est une enclave, un refuge face à l’instabilité d’un monde hostile », rappelle Tarnoff. La souveraineté énergétique de Musk s’étend sous la forme d’une souveraineté stratégique que l’IA accomplit. « L’introduction de nouveaux produits de la Silicon Valley, de Claude à Maven ou Palantir dans les opérations militaires ou ceux promus par le Doge dans le champ fédéral, montrent qu’ils sont bien plus une réussite qu’un échec ». Ils ne sont peut-être pas une réussite sur le fond, mais ils le sont sur la forme : « ils rendent le gouvernement dépendant d’une nouvelle suite d’outils d’IA pour exercer ses fonctions étatiques fondamentales », explique Slobodian. Musk défend ce que les auteurs appellent la « souveraineté en tant que service », une symbiose, une fusion du pouvoir public et du pouvoir privé. 

Pour Slobodian et Tarnoff, malgré ses déclarations, Musk ne serait pas libertarien. « Plutôt que de chercher à supplanter l’État, les grands acteurs de l’IA souhaitent surtout fusionner avec lui ». C’est notamment le cas de Space X, né en 2002 comme sous-traitant pour le Pentagon à une époque où le secrétaire à la Défense, Donald Rumsfeld souhaitait une nouvelle approche militaire pour gagner la guerre contre le terrorisme. En 2024, SpaceX contrôlait plus de 95 % des lancements orbitaux américains. Musk est devenu de facto le garant de l’accès à l’orbite pour le gouvernement américain. Ce constat est encore plus flagrant pour Starlink, la branche satellitaire de SpaceX qui tente de prendre le contrôle, par la masse, sur les communications orbitales. L’intégration récente et totale de toutes ses entités (X qui a fusionné avec xAI, qui a fusionné avec SpaceX qui vient d’entrer en bourse en 2026 en incarnant le niveau le plus totalement déconnecté du marché qui soit, comme l’explique FakeTech), montrent que pour Musk, matériel, logiciel et idéologies se renforcent mutuellement. Pour lui, il y a peu de différence entre les matériaux de son empire et les moyens pour propager ses idées. 

Si Tesla pourrait sembler le miroir de Ford, le passage du roadster au Cybertruck illustre la transition d’un avenir radieux de consommation carbone sans limite à un avenir sombre marqué par le dérèglement climatique et le survivalisme. « Dans sa forme la plus aboutie, le muskisme exploite un désir de protection territoriale face aux chocs extérieurs, aux ennemis et aux indésirables. Dans un monde de relocalisation et de réarmement, le muskisme offre une infrastructure mondiale pour les projets nationaux », expliquent les deux chercheurs. 

« Les sociologues décrivent généralement le fordisme non seulement comme un mode d’organisation de l’usine, mais aussi comme un mode d’organisation de la société en dehors de l’usine. En simplifiant, on peut le décrire comme une production de masse et consommation de masse. Les nouvelles technologies et les nouvelles techniques, telles que celles mises au point par Henry Ford dans les années 1910, comme la chaîne de montage mobile, ont permis aux industriels de produire des biens à une échelle inédite. Mais, tout aussi important, les ouvriers pouvaient se permettre d’acheter ces biens grâce à une relative sécurité de l’emploi et à un salaire décent, garantis par les institutions de la négociation collective et l’État-providence. Dans les années 1970, le fordisme a commencé à s’effriter, laissant place à ce que l’on appelle généralement le « post-fordisme ». Le post-fordisme est associé aux nouvelles pratiques de production agiles développées au Japon, à l’externalisation et à la délocalisation, à la mondialisation des marchés, au déclin des syndicats, à l’essor de la finance et à l’affaiblissement de l’État-providence », rappelle Tarnoff. Pour Slobodian, les entreprises de Musk suivent le modèle d’intégration verticale de Ford. Les activités de production sont intégrées, contrairement au modèle d’Apple (conçu en Californie, assemblé en Chine). Musk acte d’un monde de relocalisation et de réarmement, il parie sur la déglobalisation de l’impérialisme, mais pas sur la fin de l’impérialisme.

Le contrat de fans, un contrat social… pour la guerre sociale

Le fordisme n’était pas uniquement, ni même principalement, un modèle de production industrielle, mais également un contrat social qui assurait de la participation active des populations à la production et à la consommation industrielle… Le muskisme, lui, ne propose qu’un « contrat de fans » à des investisseurs et quelques fidèles. A l’image de la coche bleue de X, devenue un symbole de dévotion, récompensée par une meilleure visibilité des publications de ses fans et clients grâce à l’algorithme. 

Pourtant, avec l’échec du Doge, Musk a montré qu’il a été incapable de convaincre le reste de la société que sa réussite profitera également à tous. Depuis il a fini d’embrasser le pire fascisme. Ses publications quotidiennes sont inondées d’hystéries sur le déclin démographique blanc et le tsunami étranger. Musk ne propose aucune prospérité partagée : seulement de la violence. « Le contrat de fans pour ceux qui vivent à l’intérieur des murs d’un Occident fortifié, et l’expulsion pour ceux considérés comme illégitimes. Après le déclin des modèles d’industrialisme fordiste et de sous-traitance et mondialisation post-fordistes, le muskisme offre la perspective d’une communauté purifiée de survivants. » Mais là encore, Musk peine à élargir ses soutiens. Ses alliances avec les partis d’extrême droite en Europe restent tendus, personne ne souhaitant donner l’impression que leur souverainisme est compatible avec l’ingérence américaine. Et elle a été contestée également par la mobilisation populaire à l’encontre de l’ICE aux Etats-Unis.

Comme l’expliquent Slobodian et TArnoff pour le LPE project : « Musk et ses pairs ont la chance d’évoluer à une époque où aucun acteur structurel n’est en mesure de contester leur domination. La classe ouvrière a pratiquement cessé d’exister en tant que force organisée. En l’absence de pression venant de la base, les partis politiques eux-mêmes n’opposent aucune résistance significative au muskisme. La situation engendre un paradoxe. D’un côté, la vie des capitalistes est facilitée lorsqu’ils peuvent intensifier l’exploitation de leurs travailleurs et acheter de l’influence politique sans rencontrer d’opposition majeure. Mais cela signifie aussi qu’ils ne sont nullement incités à réfréner leurs pulsions les plus antisociales ni à prendre en compte les conséquences à long terme de leurs actes. 

Le muskisme illustre parfaitement cette tendance : alors que le fordisme et le post-fordisme étaient tous deux organisés, selon des modalités différentes, pour garantir la paix sociale, le muskisme s’inscrit dans une logique de guerre sociale. La fragilité relative du mode de régulation muskiste est révélatrice : l’antagoniste ouvrier est si affaibli, et la guerre sociale si asymétrique, qu’il n’est plus nécessaire de conclure une paix négociée. Pour l’heure, la stratégie semble porter ses fruits. Musk, déjà l’homme le plus riche du monde, devrait devenir le premier « trillionnaire ».

Toutefois, un capitalisme sans contraintes n’est pas toujours bénéfique pour les capitalistes eux-mêmes. Tout au long de son histoire, le capitalisme a sans cesse transformé la nature et la société, engendrant des bouleversements considérables. Or, les entreprises ont également besoin d’un environnement politique ordonné et prévisible pour mener leurs activités. Un enseignement majeur de l’école de la régulation est que la résistance de la classe ouvrière a, paradoxalement, contribué à stabiliser le processus d’accumulation en imposant la création d’un tel environnement. En l’absence de contrepartie capable d’arracher des concessions, les capitalistes risquent de générer un tel chaos qu’ils finissent par compromettre leur propre capacité d’accumulation. Si le « muskisme » représente le triomphe de la domination de classe, ce triomphe pourrait bien finir par se dévorer lui-même. »

C’est la grande faiblesse du muskisme, estime Tarnoff. Mais, « si comme Musk et les grands patrons de la Silicon Valley, vous pensez que « l’intelligence artificielle générale est imminente, alors vous croyez que, dans un avenir très proche, la plupart des gens se retrouveront au chômage. Ils seront considérés comme une composante de la société et n’auront plus la possibilité d’influencer son cours. Dans ce cas, leur consentement n’est plus nécessaire. » 

Les entrepreneurs de la Tech, comme Musk, ne croient même pas à une perspective de révolte populaire, estiment les deux chercheurs (selon les estimations, le One Big Beautiful Bill Act de Trump prévoit que 10 millions d’Américains vont perdre leur couverture santé… ce qui risque d’ouvrir un nouvel espace de colère sociale). D’ailleurs, ces gens ne conçoivent pas la politique comme avant. Musk dépense des millions de dollars dans les élections américaines et soutient nombre de politiciens nationalistes et souverainistes. Pour eux, la politique n’est pas un enjeu de délibération, de persuasion, de compromis, mais uniquement une question de programmation où la vérité n’est que d’un côté. 

« Autre point commun entre Musk et Ford : la concentration impressionnante de leur fortune dans leurs propres entreprises. Pour Musk, si Tesla et SpaceX disparaissent, il disparaît avec elles. C’est sans doute l’une des motivations qui le poussent à agir. » « En multipliant les promesses toujours plus grandes – la colonisation de Mars, 10 milliards de robots humanoïdes à des centres de données dans l’espace… –, Musk ne cesse d’aller de l’avant. Cette dynamique est une condition sine qua non de son fantasme financier. En ce sens, sa vulnérabilité réside dans sa dépendance à l’égard du « nous » – c’est-à-dire les consommateurs du monde entier et, plus important encore, les investisseurs institutionnels – qui doivent continuer à croire en sa vision du futur. » D’où l’importance à la renouveler sans arrêt, à promettre et promettre sans fin, même si ce sont les mêmes promesses qu’il y a 10 ans.

Même constat pour Henry Farrell, à la lecture du livre. « La mythologie du futur (que déroule Musk) qui est en réalité une promesse convertible en capital financier et politique dès aujourd’hui. » Pour Farrell cependant, le Muskisme est plus fragile qu’il n’y paraît. « De toute évidence, nombre de pays peuvent percevoir les infrastructures de Musk comme dangereuses, craignant qu’elles ne soient utilisées contre eux. » « Le Muskisme repose sur une idéologie qui semble actuellement à son apogée. L’introduction en bourse de SpaceX marque l’apogée d’une inflation expansionniste colossale, propre à un univers totalement imaginaire. À ma connaissance, personne ne croit réellement que SpaceX va conquérir son « marché potentiel total » d’environ 23 000 milliards de dollars, qui, comme le souligne Matt Levine, représente « peut-être 20 % de la production économique mondiale et peut-être 40 % du chiffre d’affaires des entreprises mondiales ».

Pour Farrell, d’autres entreprises incarnent le muskisme que les auteurs questionnent. C’est le cas bien sûr de Palantir et de nombre de sociétés de technologies de défense financées par Peter Thiel, l’adversaire de Musk. Le « thielisme » part de bon nombre des mêmes prémisses que le « muskisme », avec le même fatras d’élucubrations fascisantes. L’un comme l’autre, derrière leur protectionnisme défendent un impérialisme sans limite. 

Enfin, rappellent Tarnoff et Slobodian, le muskisme résulte d’une emprise quasi mortelle, entre la finance et la tech, jusqu’à l’aporie. Tesla et Musk sont par exemple très impopulaires en Norvège, et pourtant, le fonds de pension norvégien est l’un des 10 principaux actionnaires de l’entreprise et agit en ce sens comme un pilier de la prospérité du pays.

Il semble y avoir quelque chose de très paradoxal entre la réussite économique de Musk et le fait que beaucoup le considèrent comme profondément dérangé. Aucune critique de gauche dans les années 20 ne considéraient Ford comme un idiot. A croire que c’est peut-être le capitalisme lui-même qui est devenu idiot, cerné par ses contradictions, en roue libre… vers sa propre destruction.

Hubert Guillaud

On a déjà pointé ici la piste stimulante des coopératives pour renverser l’asymétrie de pouvoir des plateformes, en prenant l’exemple du secteur du ménage. Mais ce n’est pas le seul secteur où les plateformes déploient leurs méfaits. Le site d’information sur les coopératives de plateforme vient de publier un rapport sur les plateformes destinées aux nounous françaises, confrontées au déploiement d’innombrables sites, comme Bébé Nounou, Yoopies ou Nounou Top… qui sont en passe de supplanter le bouche à oreille pour relier parents et garde d’enfants. Pour Maïmonatou Mar, fondatrice de l’association Gribouilli, première association professionnelle du secteur, les nounous sont de plus en plus contraintes à utiliser ces plateformes qui exigent de savoir rédiger des profils, de consulter des messages, de céder des frais aux plateformes… sans qu’il soit claires pour les professionnels de l’enfance de comprendre les classements et recommandations opaques que génèrent ces plateformes. Pour de nombreuses nounous, en particulier les femmes migrantes, cette évolution fragilise les réseaux informels qui leur permettaient autrefois de trouver du travail grâce aux enfants, aux collègues, aux anciens employeurs et aux liens communautaires. Sur les plateformes, l’enjeu consiste à maîtriser la communication écrite, alors que ce n’était pas un critère de la recherche d’emploi hors ligne par exemple. Maïmonatou Mar qualifie ces ruptures de « failles de solidarité » dans un secteur historiquement façonné par des hiérarchies de genre, de race et de classe. Pour elle, les plateformes entravent la solidarité en y ajoutant des inégalités numériques d’accès et de littératie. Pour les nounous, les plateformes transforment et remodèlent les relations de confiance employés/employeurs. 

Le rapport soutient que des coopératives de plateforme comme Gribouilli pourraient rétablir la confiance, réduire l’isolement et bâtir des systèmes d’embauche fondés sur l’entraide plutôt que sur l’extraction de valeur par les plateformes. Mais la difficulté à accéder à de l’investissement limite le déploiement de plateformes alternatives par rapport aux plateformes privées. Les plateformes privées « méconnaissant l’intersectionnalité inhérente au travail du soin, conçoivent des plateformes qui exacerbent le racisme et la misogynie faute de prendre réellement en compte les personnes concernées », dénonce Maïmonatou Mar, au risque de produire des services inadaptés aux besoins. Pour elle aussi nous avons besoin de plateformes de travail en open source, de coopératives de plateformes pour produire des technologies solidaires.

Pour The Verge, Jess Weatherbed s’énerve. Si nombre de plateformes se mettent à étiqueter les contenus IA, cela ne suffit pas. L’étiquetage ne change rien à la submersion en cours, alors qu’un filtre résoudrait facilement ce problème. Il suffirait d’une case à cocher « IA » afin que chacun puisse s’en débarrasser s’il le souhaite. Les rares plateformes qui proposent un filtre pour masquer l’IA, comme DeviantArt ou Pinterest, le rendent difficile d’accès. Mais même activés, les filtres n’ont pas grande efficacité. Il est probable que si d’autres plateformes finissent par proposer ce genre de fonctionnalités, elles ne fonctionneront pas correctement. Au mieux, « cela révélerait l’inefficacité des « solutions » dont se parent nos « empereurs de l’IA ». Elles existent, sur le papier, pour apaiser les régulateurs et les critiques, mais elles ne contribuent guère à résoudre le véritable problème : distinguer les trucages de l’IA des photographies et des œuvres créatives authentiques.» 

Sundar Pichai, PDG de Google, convenait pourtant lui-même dans une interview à Decoder de l’emmerdification que l’IA génère : « il y a beaucoup de contenu de piètre qualité généré par l’IA »… mais les internautes doivent « s’y adapter ». 

« Les entreprises, y compris des fournisseurs d’IA comme OpenAI, présentent ces solutions d’étiquetage comme une solution pour empêcher les utilisateurs d’être dupés par les deepfakes et autres contenus trompeurs. Si les autorités de régulation prenaient conscience de leur inefficacité, les plateformes en ligne et les fournisseurs d’IA seraient contraints de trouver une solution réellement efficace, au lieu de ce qui ressemble actuellement à un écran de fumée. » « Une alternative à l’étiquetage des contenus générés par l’IA serait d’étiqueter plutôt les créateurs humains vérifiés. Cela n’identifierait pas forcément les contenus synthétiques publiés par ces créateurs, mais cela pourrait nous aider à réduire la présence de contenus provenant de comptes non vérifiés qui produisent en masse des productions de piètre qualité. »

Or, rappelle la journaliste, « Meta, Spotify et Google ne se contentent pas d’héberger des images, des publicités et de la musique générées par l’IA ; ils sont également responsables de la création des outils qui permettent leur génération. C’est pourquoi ils insistent sur le fait que tout le contenu généré par l’IA n’est pas de la camelote et que c’est surtout une question de qualité : si le contenu devient suffisamment convaincant, ils espèrent que vous ne vous en apercevrez pas et que vous continuerez à le consommer sans scrupules. Permettre aux utilisateurs de le filtrer, quoi qu’il arrive, irait à l’encontre de tous les efforts déployés par ces plateformes pour tirer profit de l’IA : elles veulent que vous vous laissiez séduire par cette production de piètre qualité. » Sans compter que ces productions leur assurent des revenus automatisés pour demain, tant pour les produire que pour les diffuser.

Mais pourquoi l’IA est-elle utilisée pour faire la guerre ?, demande le sociologue Ori Schwarz dans un passionnant article pour Big Data & Society, en observant l’usage qu’en a fait l’armée israélienne à Gaza (voir notre dossier L’IA ça sert, d’abord, à faire la guerre). Qu’apporte-t-elle, que permet-elle que les techniques de guerre traditionnelle n’apportent pas ? 

Pour le chercheur, l’IA a été utilisée pour accélérer la génération de cibles, car l’armée israélienne a adopté une doctrine axée sur la « létalité » (visant à maximiser le nombre de victimes) tout en intégrant le droit international humanitaire (qui impose de distinguer les cibles militaires des civils). L’IA n’était pas tant requise pour personnaliser le traitement, que pour justifier d’un traitement uniforme en créant des justifications adaptées, explique-t-il. Elle a été instrumentalisée pour légitimer tueries et destructions de masse en fusionnant et en analysant automatiquement des données pour transformer des milliers d’individus et de bâtiments en cibles légitimes assorties de scores de probabilité individuels. 

Pour le chercheur, le profilage, la « singularisation automatisée » (que proposait le sociologue allemand Andreas Reckwitz dans son livre, The Society of Singularities, Polity, 2020), c’est-à-dire le fait que chacun soit traité différemment selon les données récoltées sur lui, est utilisée avec succès dans tous les domaines que le numérique transforme (marketing, médecine, tarification…). Mais, alors que le profilage ne cesse de promettre une distinction plus précise, il permet finalement de générer des effets de masses désastreux, comme dans le cas des destructions lors de la guerre à Gaza, brouillant la distinction entre cibles militaires et populations protégées. « Plus de 71 000 Palestiniens ont été tués, selon les chiffres officiels palestiniens et les estimations de l’armée israélienne. Mais seuls 20 % d’entre eux seraient des militants du Hamas alors que près de la moitié des victimes seraient des femmes et des mineurs. Des milliers d’autres sont portés disparus et d’autres encore sont morts de maladie et de malnutrition. Près de 2 millions de personnes ont perdu leur logement, la plupart des bâtiments résidentiels de Gaza ayant été détruits ou gravement endommagés. L’ampleur des pertes civiles a conduit la Cour internationale de Justice à saisir Israël pour violation présumée de la Convention sur le génocide. » 

Une grande partie de ces victimes et destructions visait des cibles identifiées par les services de renseignement israéliens grâce à une utilisation sans précédent de technologies numériques sophistiquées. Schwartz y voit un paradoxe. D’un côté, l’armée israélienne s’est vantée d’effectuer la sélection des cibles à l’aide d’outils d’IA et d’analyse de données les plus sophistiqués pour identifier des cibles humaines et des infrastructures liées au Hamas ; pourtant, le résultat de cet investissement sans précédent dans un ciblage sophistiqué donne l’impression d’une destruction et de tueries massives et indiscriminées. « Si l’objectif est de tuer sans distinction, pourquoi une technologie aussi avancée est-elle nécessaire ? » 

Pour Schwarz, si l’IA est utilisée pour procéder à des tueries de masse, c’est justement en raison de sa capacité de distinction : « en singularisant les justifications de tueries indiscriminées, elle produit de la distinction au service de l’indiscrimination ». Cela se produit parce que les effets sociaux de l’IA ne sont pas prédéterminés par les caractéristiques technologiques, mais façonnés par les contextes juridique, structurel, culturel, politique et moral dans lesquels la technologie s’inscrit. En particulier, les tueries et les destructions indiscriminées découlent de la construction politique de « cibles ». À une époque où le droit international humanitaire ainsi que les normes éthiques et professionnelles militaires exigent de ne viser que des « cibles » légitimes, l’impact du big data sur la guerre ne consiste pas nécessairement à réduire les massacres et les destructions en trouvant « l’aiguille dans la botte de foin », comme on l’affirme généralement. Mais, tout le contraire : « il s’agit de transformer le foin en aiguilles, en « incriminant » presque tous habitants ou tous les immeubles résidentiels par l’élaboration d’un récit singulier les associant exclusivement à l’ennemi, légitimant ainsi une destruction indiscriminée. » Pour le chercheur, les massacres et les destructions ne s’expliquent pas uniquement par ces développements technologiques bien sûr, mais la justification technique a permis de renforcer les dynamiques politiques en cours. 

Les raisons du succès de l’élimination ciblée

Longtemps, les assassinats extrajudiciaires se limitaient à de rares opérations clandestines visant des opposants de haut rang, rappelle le chercheur. Puis l’élimination ciblée s’est transformée en une politique déclarée, systématiquement mise en œuvre à une échelle toujours plus vaste. 

Cette politique s’appuie sur trois principes. Premièrement, l’individualisation de la guerre : l’affrontement est requalifié en une action de police ou de poursuite judiciaire visant des individus. Les individus deviennent des cibles non pas en raison de leur statut (appartenance à une force armée ennemie), mais en raison de leur comportement ou de la menace qu’ils représentent. Chaque individu reçoit un score qui détermine son implication quelque soit les biais du calcul. Et la valeur que l’on attribue à cette implication peut varier. 

Deuxièmement, la juridicisation de la guerre : face à la complexité croissante du droit international humanitaire, les armées ont intégré des juristes à leurs équipes pour protéger leurs personnels des poursuites. Désormais, il faut pouvoir établir la légalité des attaques, au regard de principes de nécessité, de proportionnalité et de distinction. Tout en trouvant des modalités pour interpréter le droit international de manière extensive… La juridicisation a conduit à devoir collecter des données pour établir la légalité des ciblages. 

Troisièmement, le transfert de risque vise à minimiser le risque pour les soldats en les transférant aux civils ennemis, par exemple en recourant à des bombardements aériens, de préférence par drones, plutôt qu’à des combats terrestres ou à des arrestations. « Depuis 2000, l’ampleur des « assassinats ciblés » a connu une croissance spectaculaire, passant de quelques dizaines à plusieurs milliers de victimes. Cette augmentation est due à l’élargissement controversé de la définition des cibles légitimes », qui a inclus les membres non combattants d’organisations terroristes, puis les civils ayant contribué indirectement aux hostilités. Cet élargissement a engendré un nouveau défi que les systèmes d’IA ont cherché à relever par le scoring : prouver le lien de la cible avec l’organisation ennemie. Si ce lien était évident lorsqu’il s’agissait de cibler des commandants de haut rang, il est devenu de plus en plus difficile à prouver à mesure que le nombre de cibles augmentait. Ce n’est qu’au cours de la guerre de Gaza de 2023, avec la décision d’attaquer des dizaines de milliers de jeunes militants du Hamas, que la nécessité de vérifier si la cible envisagée pour un assassinat avait un lien quelconque avec une organisation terroriste, s’est imposée. « L’utilisation du big data a transformé les cibles d’exécutions extrajudiciaires, passant d’individus isolés (des personnes importantes et connues) à des cas regroupés en clusters dynamiques calculés par des algorithmes. Si les « assassinats ciblés » requièrent certaines technologies de renseignement et de surveillance, l’analyse des mégadonnées a été progressivement introduite, d’abord pour réduire le taux élevé d’erreurs d’identification humaine, puis, à plus grande échelle, pour rationaliser les opérations d’assassinat, en réduire les coûts et en étendre la portée ». Bien que l’utilisation de l’IA pour « incriminer » des cibles repose sur l’individualisation et la juridicisation de la guerre, la quantification automatique des risques entre en conflit avec des principes juridiques fondamentaux tels que le raisonnement, la réflexion et la prise de décision contextualisée. Les chercheurs critiques Nicola Perugini et Neve Gordon affirment que les assassinats ciblés reposent sur un « dispositif de distinction » conçu pour désigner des cibles humaines à des fins militaires en identifiant des « anomalies » dans les relations entre les données, c’est-à-dire en surveillant les comportements et en repérant les irrégularités. Les écarts statistiques sont alors considérés comme des écarts normatifs passibles de la peine de mort, comme l’expliquait le politologue Hendrik Huelss. 

Avant même leur automatisation, les assassinats se fondaient déjà sur l’identification de schémas de vie associés au terrorisme. La surveillance et les données permettent de requalifier des individus, auparavant considérés comme des « civils » protégés, en cibles ennemies jugées moralement et légalement abattables, même lorsqu’ils ne participent pas directement aux hostilités. Eric Bonds a qualifié ce phénomène de « violence humanisée », une nouvelle forme de violence qui se manifeste à la fois par une pratique (fondée sur la surveillance et les technologies d’élimination de précision) et par un discours de légitimation (qui s’appuie sur le langage des droits de l’homme et qui, comme le présente ses partisans, paraît rationnel, mesuré et humain, car ils s’efforcent de minimiser les dommages causés aux civils innocents en évaluant les dommages collatéraux prévus de chaque frappe par rapport à son avantage militaire). Ceci produit un « effet paradoxal » : le strict respect des procédures et des critères juridiques (qui interdisent de cibler les civils ne participant pas aux hostilités et exigent que les dommages causés aux civils soient minimaux) tout en permettant de les contourner. 

Le scoring pour renforcer la tolérance à l’intolérable

Le paradoxe, c’est que la justification par le calcul renforce la tolérance à l’égard des meurtres de civils. « L’utilisation de technologies avancées visant à réduire les dommages causés aux civils (par exemple, la reconnaissance faciale pour éviter les erreurs d’identification et l’imagerie satellitaire pour estimer les dommages collatéraux et calculer la proportionnalité avec une précision actuarielle) et le recours à des calculs proportionnels à l’avantage militaire renforcent la légitimité et la tolérance à l’égard des meurtres de civils ». 

En effet, ces calculs rendent chaque attaque juridiquement justifiée et les décès de civils regrettables, mais légitimes. Les efforts déployés pour minimiser les « dommages collatéraux » (en avertissant les civils avant les attaques et grâce aux calculs de proportionnalité) présentent les incidents ayant entraîné de nombreuses victimes civiles comme des accidents involontaires comme l’explique Craig Jones dans son livre The War Lawyers (Oxford University Press 2020 ou Yael Levy, dans le sien Shooting without crying: The new militarization of Israel in the 2000s, 2023). Et la numérisation renforce considérablement cette légitimation : les scores calculés par algorithme bénéficient d’une aura d’objectivité et de confiance en raison de la confiance bien documentée accordée aux chiffres – notamment par l’historien des sciences Theodore Porter dans son livre, La confiance dans les chiffres (Les Belles lettres, 2017). En convertissant l’incertitude quant aux dommages potentiels causés aux citoyens en « risques » mesurables, les algorithmes transforment les dilemmes moraux en procédures technico-informatiques et finalement réduisent les doutes moraux et la réflexivité, comme le montrait Lucy Suchman dans un article de recherche. Finalement, le ciblage automatisé permet de légitimer les frappes, qu’importe les dégâts qu’elles causent. Or, la violence « humanisée » tue principalement des civils (60 % à 90 % des décès sont des « dommages collatéraux » expliquaient déjà Perugini et Gordon, rappelant également qu’elle est imprécise et surtout qu’elle restreint les catégories protégées tout en légitimant le meurtre). 

Contrairement aux tirs des chars, les frappes aériennes contres des cibles spécifiées par le renseignement sont soumises aux principes du droit international humanitaire qui définit les conditions de la légitimité de la violence militaire et doivent donc être traduit en procédures formelles qui encadrent la définition des cibles. Le droit humanitaire repose notamment sur des principes de distinction (ne cibler que les cibles militaires dont l’attaque procure un avantage militaire, et non les civils ou les infrastructures civiles), de proportionnalité (interdire les attaques qui causent des dommages disproportionnés aux civils par rapport à l’avantage militaire obtenu) et de précaution. Mais une autre doctrine est venue également changer le cours de la guerre : la doctrine de la létalité. Plus que le contrôle du terrain, le nombre de morts ennemis est devenu le principal critère d’évaluation des opérations militaires ou des performances des unités. L’industrialisation de l’extermination de précision, défendue par Aviv Kokhavi, chef d’état major de l’armée israélienne, exigeait la production en masse de cibles pour les frappes aériennes. Mais la cible, même légitime, est une construction politique et sociale, comme le montrait l’article de +972 Magazine, qui évolue selon le contexte, à l’image des dommages collatéraux afférents autorisés ou du niveau du scoring qui transforme un soupçon en cible. 

En effet, les procédures utilisées pour transformer des personnes ou des bâtiments en cibles impliquent divers acteurs s’intégrant à un réseau : non seulement les définitions juridiques, les concepts moraux et les agents de renseignement, mais aussi les documents de renseignement, les technologies de surveillance qui les produisent et les technologies utilisées pour les traiter et les analyser. La construction des cibles n’étant pas uniquement un processus social, les évolutions technologiques peuvent la transformer. Et le scoring est justement en passe de devenir le facteur d’accélération. 

Comment l’IA a-t-elle modifié la construction des cibles, qui n’est pas uniquement un processus social ? Lors de la guerre de Gaza, Israël a utilisé deux types de systèmes d’IA distincts, l’un pour les cibles d’infrastructure et l’autre pour les cibles humaines, explique Schwarz. Ces systèmes avaient des historiques différents, mais présentaient de nombreux points communs. Les personnes interrogées ont souligné que ces deux systèmes ne prenaient pas de décisions à la place des humains, mais accéléraient la production de cibles de deux manières : en fusionnant les informations provenant de sources multiples et en rendant accessibles aux analystes toutes les informations pertinentes concernant chaque cible potentielle ; et en classant les cibles potentielles selon leur probabilité estimée. Ainsi, les analystes humains peuvent se concentrer exclusivement sur les cibles les plus susceptibles d’être approuvées : « [Supposons] que vous disposiez d’un milliard d’informations et que (…) vous n’ayez que 100 cibles alors que vous avez 10 000 candidats. Alors, à quoi sert l’IA ? À une seule chose : les trier par ordre de priorité. (…) [L’ordinateur] a pris les 10 000 suspects, a examiné quelques milliers de cas avérés et [a reçu l’instruction de trier] tout ce qui se ressemble sur tous les points. Ensuite, la machine établit les priorités, c’est tout. Une fois les priorités établies, elle indique aux services de renseignement : vérifiez ceci, cela et cela. Attribuez une file d’attente. (…) Cela signifie que le travail est rationalisé. Mais aucune machine ne décide », déclarait un officier de l’armée israélienne. 

Ce discours humaniste et anthropocentrique, également fréquent dans les déclarations de Tsahal sur l’IA, minimise le rôle de la technologie, la réduisant à un simple outil au service d’objectifs humains. L’armée israélienne a décrit le système d’IA « Gospel » comme un simple « outil technique destiné aux analystes du renseignement », car sa traçabilité et son intelligibilité permettent aux analystes d’examiner eux-mêmes les éléments de renseignement sur lesquels reposent ses recommandations. Cependant, même une délégation partielle du ciblage peut avoir des conséquences plus importantes : d’une part, les pressions organisationnelles de niveau intermédiaire en faveur de l’efficacité et les biais d’automatisation de niveau micro peuvent conduire les analystes humains à approuver les recommandations du système de manière quasi automatique (comme nous le disions dans la seconde partie de notre dossier) ; d’autre part, les outils ne se contentent pas de réaliser les objectifs des utilisateurs, mais les façonnent également en proposant de nouvelles pistes d’action permettant l’accélération. Yossi Sariel, ancien commandant de l’unité de renseignement 8200 de Tsahal, a soutenu que l’accélération est l’une des deux principales contributions de l’automatisation informatique au renseignement. Selon lui, la production d’un plus grand nombre de cibles est nécessaire pour exercer une pression constante sur l’ennemi et le vaincre, mais l’intervention humaine constitue un goulot d’étranglement, car la création d’un tel nombre de cibles exigerait des milliers d’enquêteurs traitant et analysant les données pendant des années. Pour lever cet obstacle, il faudrait une « équipe homme-machine » capable de constituer une base de données de dizaines de milliers de cibles et d’en générer des milliers d’autres chaque jour de combat, comme il l’expliquait dans son livre éponyme. La seconde contribution identifiée par Sariel est la prédiction, définie comme le fait de « compléter les informations manquantes » à partir des tendances observées dans les données massives. La prédiction n’est donc pas seulement orientée vers l’avenir (prédire qui commettra un attentat-suicide), mais surtout vers le présent et le passé (prédire où des armes ont été dissimulées). Les prédictions revêtent alors une importance épistémologique : « elles permettent d’incriminer des personnes et des lieux sur la base d’informations incriminantes inconnues, déduites d’éléments non incriminants connus ». L’IA sert à la production d’inférences, de décisions probabilistes que leur niveau de probabilité valide. 

La probabilité sert à générer les cibles et intensifier les frappes

La génération par IA de cibles d’infrastructures (de bâtiments) s’effectue au sein de la Direction du ciblage de l’armée israélienne, créée en 2019, explique Schwarz. Cette création faisait suite à un rapport du Contrôleur de l’État indiquant que la banque de cibles disponible au début de la guerre de 2014 entre Israël et le Hamas était bien inférieure au potentiel réel. Une personne interrogée a expliqué les raisons de la création de cette direction en ces termes : « On veut disposer d’une banque de cibles de qualité, que l’on peut frapper pour contraindre le Hamas à capituler » ; or, en 2014, « cela ne s’est pas passé ainsi : il a fallu envoyer des troupes au sol ». L’armée et les médias israéliens ont présenté cette direction et le système d’IA « Gospel » comme la solution. 

Lors des conflits précédents, la banque de cibles s’épuisait après quelques jours ou semaines de bombardements intensifs, limitant le volume de tirs. La direction a promis de remédier à ce problème en accélérant et en rationalisant la génération de cibles, tant avant que pendant les hostilités, afin de « transformer la capacité de destruction de Tsahal en un système industriel » capable de « détruire des milliers de cibles chaque jour », explique un article de Ynet, l’un des journaux en ligne hébreu. Pour y parvenir, Gospel fusionne des milliards de données provenant de sources variées (et notamment du renseignement, telles que des appels téléphoniques interceptés et des photographies aériennes), identifie des cibles potentielles grâce à l’apprentissage automatique (en se fondant sur leur ressemblance avec des cibles précédemment validées) et les classe selon la probabilité qu’il s’agisse de cibles légitimes et de qualité. Ces recommandations classées sont ensuite transmises à des analystes humains pour décision, puis à des officiers supérieurs pour approbation.

Cette automatisation partielle accélère considérablement la génération de cibles. Un officier supérieur du renseignement a noté : « Gospel dispose d’une interface utilisateur très simple qui organise la file d’attente des cibles en fonction de la probabilité et de l’importance. Ainsi, l’opérateur humain reçoit simplement une liste établie par la machine, indiquant la probabilité qu’il s’agisse d’une cible valide ainsi que son importance. Le système fonctionne par scores. Par exemple, il s’agit d’une cible avec une probabilité de 80 % ou de 30 %. La machine émet donc une recommandation : « À mon avis, c’est une cible. » L’opérateur prend alors le relais, vérifie le processus suivi par la machine, exerce son jugement – car la machine peut parfois commettre des erreurs – et décide finalement s’il s’agit bien d’une cible. »» Un autre officier a expliqué que la priorisation automatisée était devenue nécessaire en raison de la « croissance exponentielle » du volume de données (consécutive à la numérisation, à la « datafication » et à l’impératif de collecter et d’analyser toutes les données), rendant l’analyse humaine impossible : « Que faire ? Recruter 50 000 agents de renseignement ? Nous ne les avons pas. Alors, utilisons un bon ordinateur pour effectuer la priorisation à notre place. En somme, c’était la mission assignée à la Direction du ciblage. » Un juriste impliqué dans l’élaboration des cibles a affirmé que la cadence de production du système était 50 fois supérieure à celle d’une équipe de 20 officiers de renseignement. Les personnes interrogées ainsi que les déclarations officielles de l’armée ont souligné que la Direction du ciblage avait pour vocation de « constituer de vastes banques de données » afin de permettre l’attaque de « milliers de cibles en une seule journée », industrialisant ainsi l’extermination. Comme souvent, cette industrialisation s’est accompagnée d’une intensification du travail : dès 2019, les soldats de cette direction nouvellement créée ont fait état de pressions visant à accélérer la production de cibles en faisant l’impasse sur un examen approfondi, avec des mesures incitatives – telles que des jours de congé – pour les équipes les plus « productives ». La durée de validité limitée des cibles a été prolongée grâce à une modification des procédures, autorisant le bombardement de cibles plusieurs mois après leur identification, sans nouvel examen, expliquait Haaretz. 

« L’accélération de la production de cibles est jugée cruciale en temps de guerre et l’IA permet justement d’accélérer la production ». Cette accélération a atteint son paroxysme lors de la guerre contre Gaza : au 27e jour du conflit, Tsahal a annoncé avoir frappé 12 000 cibles tout en générant simultanément 1 200 nouvelles cibles grâce à son « usine à cibles » fonctionnant 24 heures sur 24. 

Mais l’utilisation de l’IA pour identifier des listes de personnes à cibler plutôt que des lieux relève d’une autre dynamique, explique Schwarz. Une dynamique qui a débuté avec le recours à l’IA pour des arrestations préventives.

À l’automne 2015, Israël a dû faire face à une vague d’attaques spontanées, perpétrées principalement par des adolescents. Il était difficile de déjouer ces attaques, car les auteurs n’étaient affiliés à aucun réseau terroriste ou de guérilla. En conséquence, les services de renseignement israéliens ont mis au point un modèle visant à prédire quels adolescents étaient les plus susceptibles de commettre des attaques, en analysant les schémas d’activité sur les réseaux sociaux (publications, « like », commentaires, émojis, nouveaux liens) ainsi que des données provenant d’autres sources (par exemple, les données de localisation), en attribuant à chaque adolescent palestinien un score de risque. Le modèle s’appuyait sur des schémas prédictifs identifiés à la fois par l’apprentissage automatique (analyse de mégadonnées) et par des analystes humains (par exemple, de nouvelles coupes de cheveux, les auteurs d’attentats-suicides adoptant souvent une nouvelle coiffure peu avant de passer à l’acte). Ce modèle a conduit à l’arrestation préventive de centaines d’adolescents palestiniens. 

D’autres systèmes ont été développés par la suite pour identifier des membres d’organisations terroristes en vue de leur arrestation et de leur interrogatoire. Lors de la guerre à Gaza, cette stratégie a été étendue pour dresser des listes de cibles à éliminer d’une longueur sans précédent, appliquant les principes de la police prédictive pour produire des cibles à éliminer. Le système d’IA « Lavender » attribuait à presque tous les habitants de Gaza un score de probabilité d’appartenance au Hamas, en se fondant sur des facteurs couramment utilisés dans la police prédictive comme le montre la sociologue Sarah Brayne dans son livre, Predict and surveil (2021, Oxford university Press), notamment les réseaux personnels, les habitudes de vies comme les lieux fréquentés et les déplacements. 37 000 Palestiniens ont été identifiés par algorithme comme étant probablement des membres du Hamas comme le montrait Abraham dans son article pour +972 Magazine.

« Les scores de probabilité transforment la distinction entre terroriste et civil, passant d’une catégorie binaire à un continuum statistique ». Les individus classés par l’IA comme membres probables du Hamas étaient alors ajoutés aux listes de cibles à éliminer sans réel examen supplémentaire. D’autres rapports font état d’une certaine forme de supervision humaine ; par exemple, des officiers auraient corrigé une erreur d’interprétation de l’IA qui avait pris une liste d’élèves du secondaire pour une liste de militants potentiels, une erreur qui aurait pu conduire à désigner à tort 1 000 adolescents comme cibles. 

Reste que l’accélération n’a pas été que technologique, elle a aussi été politique.  Le Premier ministre Benjamin Netanyahu aurait reproché au chef d’état-major Herzi Halevi de n’avoir bombardé « que » 1 500 cibles au cours des 48 premières heures du conflit ; il a rejeté l’explication de Halevi, qui indiquait ne pas disposer de 5 000 cibles, en déclarant : « Je m’en fiche ». Sans l’IA, estime Schwarz, « il aurait été difficile d’atteindre une telle ampleur de morts et de destructions ».

L’armée israélienne a assoupli son interprétation du droit international humanitaire pendant la guerre sans pour autant abandonner totalement ce cadre, par exemple en relevant les seuils de « dommages collatéraux » et en autorisant des attaques ciblées contre chacun des 37 000 membres présumés de rang inférieur du Hamas, à condition que le nombre de décès civils anticipés reste inférieur au seuil. La pratique du « roof-knocking » (bombardements d’avertissement) a été abandonnée et des cibles présentant une probabilité moindre ont été prises en compte. En conséquence, le taux de mortalité civile s’est envolé. L’approche vis-à-vis des infrastructures civiles a également évolué pour maximiser la destruction : des immeubles de grande hauteur et des bâtiments universitaires par exemple ont été désignés comme des cibles essentielles et visés en raison de la présence d’un objectif militaire légitime à un seul étage, mais détruits par un armement provoquant l’effondrement de l’édifice tout entier.

Au regard du droit international, cela pourrait être considéré comme une violation des principes de proportionnalité et de précaution. Mais cette proportionnalité et ces précautions, on le voit, permettent aussi de faire varier les classement en ajustant les justifications, sur la base de données singulières et spécifiques l’associant au Hamas avec une certaine probabilité. Tout l’enjeu consiste à fourbir des probabilités et les compléter de narratifs adaptés afin de produire des explications. La destruction des infrastructures civiles, quelle que soit la raison, est devenu l’objectif derrière les justifications : toutes les cibles détectées sont devenues un moyen pour raser Gaza. 

L’IA : l’outil pour légitimer la guerre

Pour Ori Schwarz, « les systèmes d’IA ont épargné les dilemmes moraux en légitimant les attaques. Le rôle de l’IA a donc consisté à ériger le général en singulier, transformant presque tout en cible ». Pour Schwarz, avec la guerre à Gaza, l‘IA est devenue un outil de légitimation : l’automatisation permet le respect des procédures. Elle est un moyen  pour « préserver les normes éthiques en les inscrivant dans le code, les transformant de règles réglementaires en règles génératives inviolables ».

Comme c’est le cas depuis longtemps, l’automatisation est censée garantir l’éthique. Mais ce n’est pas si vrai. D’abord parce que le système permet d’abaisser le seuil de confiance du ciblage et donc faire que la machine contourne la règle. Et surtout que l’opacité et la complexité du calcul permettent de faire disparaître ses défaillances et la surveillance par les opérateurs humains. 

Le statut moral dépend désormais des procédures et non des résultats. Mais surtout, en validant les dommages collatéraux, l’IA a servi de mécanisme de légitimation des massacres de civils. Tactiquement, le rasage des zones urbaines avant les manœuvres terrestres permettait aussi de protéger les soldats israéliens. Enfin, le ciblage fournit un prétexte pour la destruction, une « couverture morale ». 

Certains officiers souhaitaient que l’IA puisse générer elle-même les attaques depuis les scores produits. Cette proposition ne s’est pas encore concrétisée, mais les digues sont prêtes à lâcher, estime Schwarz. Notamment parce que les humains dans la boucle de la vérification ne servent déjà plus que d’agents d’enregistrement, chargés de validés les cibles en quelques secondes, sans avoir le temps d’examiner les données ni de comprendre les calculs qui les produisent. Pour Schwarz, si l’armée israélienne n’a pas franchi le pas, c’est notamment parce que le droit international humanitaire exige qu’un humain réponde de chaque décision. Mais plus encore, parce que garder un humain dans la boucle donne l’apparence d’une décision issue d’une délibération humaine.

C’est oublier que l’IA n’organise pas seulement la file d’attente des cibles, elle les désigne. Ce sur quoi les humains ont encore le contrôle reste surtout les critères pris en compte par les données et les seuils. Pour Schwarz, l’élaboration des cibles n’est pas un processus purement social, mais elle n’est pas non plus purement technologique. Le ciblage doit pouvoir être expliqué, contre-interprété. Les opérateurs ne font pas nécessairement confiance aux scores produits, tant qu’ils ne pensent pas les comprendre « et après l’avoir testé sur la durée, en constatant qu’il est cohérent avec le scénario qu’il a en tête » (même constat pour les radiologues confrontés aux résultats de l’IA). La validation d’une cible repose toujours sur une preuve, c’est à dire un récit. Et les analystes doivent souvent défendre leurs choix et validation, comme s’ils étaient face à un tribunal. Ils doivent défendre la cohérence des éléments qu’ils ont sous les yeux. Le risque à terme, suggère Schwarz, c’est que l’IA produise aussi les récits, quand bien même ils seraient aussi faux que les éléments cohérents que valident les humains. Un système d’IA pourrait identifier un lieu fréquenté par plusieurs militants et lui attribuer une priorité élevée, sans envisager qu’il puisse s’agir d’un restaurant, ou qu’une conversation interceptée évoquant le terrorisme provienne en réalité d’un film diffusé à la télévision. Les systèmes d’IA servent « à trouver des corrélations (…) entre toutes sortes de variables que vous ne jugiez pas intéressantes jusqu’alors (…) Évidemment, je présente aux analystes du renseignement une grande quantité de données et de corrélations en leur disant : « Regardez, c’est intéressant ». » Les analystes tentent ensuite d’ouvrir la « boîte noire » et d’élaborer un récit expliquant le fonctionnement du modèle et les raisons de son efficacité, une étape nécessaire pour que le modèle inspire confiance et soit mis en service. « Je leur montre des points de données très précis, [des variables prédictives] », explique un officier chargé de la formation des agents aux outils. Toutefois, il souligne que dans ces situations, les prédictions du système ne servent pas à désigner des cibles tant que les analystes n’ont pas ouvert la boîte noire et expliqué pourquoi ces variables spécifiques intégrées au modèle permettent de prédire les résultats. Pour Schwarz, ces débats contredisent la promesse épistémologique de l’IA – fondée sur un empirisme radical – selon laquelle la prédiction rendrait l’explication superflue, ou qu’il n’y aurait plus besoin de théorie. 

Reste, rappelle Schwarz, que même si vous faites confiance à vos experts en science des données et que vous avez collecté et testé les données avec soin, vous ne pouvez pas juger de leur qualité. Vous devez expliquer le plus précisément possible ce que les variables indiquent et pourquoi le modèle prédit ce qu’il prédit. Par conséquent, l’analyste ne renoncera pas à comprendre la signification des corrélations et les raisons des choix du modèle. Les développeurs débattent souvent de la meilleure façon de représenter ces corrélations sans induire les utilisateurs en erreur. Si la classification algorithmique des individus comme cibles à forte probabilité est effectuée automatiquement, sans récit, les agents de renseignement en construisent, à la fois en amont, lors du développement du système, et ultérieurement, afin de conférer sens et légitimité aux recommandations algorithmiques (même si cette dernière dimension a pu s’éroder en raison de l’accélération de la production de cibles en temps de guerre). 

Instaurer la confiance : camoufler l’IA 

La confiance dans les chiffres n’est pas aussi omniprésente et automatique que la littérature pourrait le laisser croire. Dans notre cas, les utilisateurs finaux des systèmes de mégadonnées (analystes du renseignement) étaient initialement méfiants à l’égard de l’automatisation et des probabilités calculées algorithmiquement. Un développeur que Schwarz a interviewé leur a reproché de se méfier des systèmes d’IA en raison de leur « peur de l’erreur » et de leur prudence excessive (« Ils ont besoin d’un niveau de certitude non pas de 100 %, mais de 200 %, et une telle chose n’existe pas »). Face aux soupçons et à la nécessité de « faire confiance aux chiffres », les developpeurs du système ont entrepris un travail de sensibilisation et élaboré une stratégie sophistiquée : dissimuler le rôle de l’IA et insister sur l’implication humaine. « Les agents du renseignement n’utilisent pas l’IA, ils utilisent des outils conçus pour eux, et de leur point de vue (…), s’il y a de l’IA, d’après mon expérience, ils ne lui font pas confiance. En fait, pour les inciter à l’utiliser, nous n’avons pas dit “c’est de l’IA pure”, mais nous nous sommes assurés que l’agent qui examine une cible puisse voir que Sharon l’a déjà examinée, qu’il puisse voir le nom de la personne qui l’a fait, et qu’il connaisse Sharon. » Ils doivent savoir que Sharon est la meilleure pour identifier les cibles et, par conséquent, ils peuvent lui faire confiance. Dans cet exemple, ils ont tiré parti de la confiance que le personnel du renseignement accordait à une ancienne agente de renseignement très appréciée (« Sharon »), promue et mutée au sein de l’équipe technique. Elle y étiquette les données et valide les cibles générées par algorithme avant leur transmission aux services de renseignement et juridiques pour approbation. La confiance personnelle en Sharon peut faire toute la différence : « Nous avons constaté que lorsqu’une personne comme Sharon est présente, ils font confiance au système ; en revanche, lorsqu’on leur dit “ce n’est qu’un modèle”, ils n’y croient pas [et recommencent le processus manuellement depuis le début]. » Paradoxalement, la confiance dans l’IA (nécessaire à la délégation partielle du travail de renseignement aux algorithmes) exigeait la confiance envers les personnes qui faisaient confiance à l’IA, camouflant ainsi le rôle de cette dernière.

Nous savons que l’IA n’est pas une magie sans intervention humaine ; elle repose sur le travail humain, parfois dissimulé sous l’apparence de décisions de la machine, rappelle Schwarz en évoquant les travaux relatifs au Digital Labor. Or, ici, c’est l’inverse qui se produit : lors du développement des modèles, les décisions des machines doivent être expliquées par des experts humains qui en reconstituent la logique ; et plus tard, lorsque ces systèmes sont utilisés pour produire des cibles, leurs recommandations doivent être camouflées en décisions d’experts humains. Enfin, en temps de guerre, lorsque les analystes du renseignement consacrent à peine 20 secondes à approuver les recommandations de l’IA, le travail de cette dernière est une fois de plus dissimulé sous l’apparence de délibérations humaines. 

C’est peut-être à cela que sert encore l’humain dans la boucle : valider les procédures humaines plus que juger du travail des systèmes d’IA. 

En examinant de près l’utilisation de l’IA pendant la guerre de Gaza, l’article de Ori Schwarz montre que l’IA était nécessaire non pas pour personnaliser le traitement, mais pour justifier un traitement uniforme en créant des justifications personnalisées pour le ciblage de presque chaque bâtiment ou agent présumé du Hamas, et pour accélérer l’incrimination et la production de cibles à des niveaux sans précédent sans s’écarter complètement du cadre du droit international humanitaire, légitimant ainsi des massacres et des destructions de masse effroyables en s’appuyant sur des calculs et des procédures de probabilité prétendument objectifs, inscrits dans le code. 

L’article de Schwarz, montre également que les études critiques sur les impacts sociaux des algorithmes doivent aller au-delà de la simple critique de leurs erreurs et de leurs biais. Ces derniers ont constitué jusqu’à présent le cœur des critiques, et ce pour une bonne raison : malgré leur prétention à la neutralité, les systèmes d’IA sont sujets aux erreurs en général et, en particulier, à la reproduction d’inégalités découlant de biais, dans la mesure où les données utilisées pour leur entraînement consignent et reflètent des préjugés humains. Plus précisément, les erreurs et les biais sont au centre des débats sur l’usage de l’IA dans la guerre, y compris lors du conflit à Gaza.

Mais, estime-t-il, un système d’IA parfait, sans erreur ni biais, « pourrait aboutir aux mêmes conséquences effroyables, simplement en accélérant considérablement la production de cibles et en en réduisant le coût » : le fait de cibler des dizaines de milliers d’objectifs identifiés par le renseignement – une tâche dont la réalisation était pratiquement impossible avant l’IA – conduit presque inévitablement à des destructions et à des tueries de civils à grande échelle. Pire, l’IA permet bien plus de produire des justifications, même de ses erreurs et errements, en les recouvrant d’une complexité et d’un vernis d’explication.

Si la destruction de Gaza répondait à des motivations politique, l’IA a été indispensable pour inscrire la destruction dans le cadre du droit international humanitaire (tout comme les ciblages sociaux s’inscrivent également dans le cadre du droit, malgré leurs défaillances manifestes). Ce potentiel de légitimation pourrait être exploité au-delà du contexte israélien, alors que des systèmes similaires sont adoptés par d’autres armées officiellement attachées au respect du droit humanitaire international. « Si l’accélération peut sembler relever d’un simple changement quantitatif, elle a en réalité engendré une transformation qualitative majeure. Le rôle joué par l’IA dans la légitimation de ces massacres nous rappelle que les caractéristiques et les affordances ne définissent pas les technologies de manière isolée : elles sont façonnées par les contextes juridiques, structurels, culturels et moraux, ainsi que par les réseaux ou dispositifs hétérogènes au sein desquels les technologies opèrent. Il est crucial de prendre en compte ce contexte pour comprendre comment il a pu engendrer des effets effroyables, mais aussi pourquoi il s’est avéré impossible d’éliminer l’humain de la boucle, et pourquoi le travail culturel de production de sens effectué par les humains était nécessaire pour légitimer l’automatisation partielle ayant conduit à cette accélération sans précédent de la production de cibles.» 

*

La possibilité d’accéder à toutes les données disponibles bouleverse comme nulle autre le rapport des armées à leurs missions. Sans limites, ce sont les valeurs mêmes de leurs missions qui seront transformées. Et c’est ce que produit le score d’appartenance à l’ennemi et les seuils de dommages collatéraux autorisés. La guerre de demain se joue sur les données, leurs croisements sans limites et les seuils adaptables. Des éléments sur lesquels le droit international n’a pour l’instant pas défini de pratiques et qui, sans encadrement,  risquent de permettre tous les glissements moraux du calcul, comme on le constate partout où le scoring se déploie.  

Hubert Guillaud

C’est un texte anonyme. Parmi les rares liens qu’il propose, une référence aux arguments de l’EFF contre la vérification d’âge. Les images qui l’illustrent semblent faites à l’IA. Il est probable que le texte lui-même soit produit avec de l’IA. Reste que ses arguments marquent. 

« Ils veulent votre visage. Ils appelleront cela « sécurité », « vérification » ou « confirmation de l’âge ». Un petit pas pour protéger les enfants, diront-ils. Mais si l’on écarte les beaux discours, l’exigence est claire : avant de pouvoir parler, publier ou lire, vous devez d’abord prouver qui vous êtes. Et la seule méthode qu’ils ont trouvée consiste à utiliser votre pièce d’identité officielle ou à placer votre visage face à une caméra qui décidera si vous êtes assez âgé pour mériter leur confiance. C’est le dispositif actuellement inscrit dans la loi sur trois continents, et l’on attend de vous que vous l’acceptiez sans broncher. Ne le faites pas.»

« Ils ne cherchent pas à connaître votre âge. Ils cartographient votre visage. (…) Il ne s’agit pas d’une vérification de l’âge. Il s’agit d’une vérification de l’identité. (…) Observez le glissement sémantique. Tout ce système a été présenté comme un moyen de confirmer l’âge — une simple question binaire : avez-vous plus de dix-huit ans ? Or, presque aucun de ces systèmes n’est conçu pour répondre uniquement à cette question. Ils sont conçus pour savoir qui vous êtes : votre nom, votre date de naissance, le numéro de votre document, votre visage. Ce n’est absolument pas une vérification de l’âge. C’est un suivi d’identité imposé. (…) Nous avons passé une génération à enseigner aux gens la règle d’or d’Internet : ne jamais divulguer sa véritable identité à des inconnus. Il existe un terme, le *doxxing*, pour désigner le fait d’exposer ainsi quelqu’un contre son gré. Et voilà que ces mêmes gouvernements et plateformes demandent à chaque citoyen de le faire lui-même, volontairement, comme condition pour se connecter. (…) 

Un scan facial n’est pas une simple photographie. C’est une cartographie en trois dimensions de votre personne, un gabarit biométrique suffisamment précis pour être comparé ultérieurement aux images d’une caméra de surveillance au coin d’une rue. Une fois que vous l’avez transmis, il finit stocké sur le serveur d’un tiers — souvent un prestataire que vous n’avez pas choisi, que vous ne pouvez pas nommer et que vous ne pouvez pas tenir pour responsable. (…) 

L’organisme vérificateur promet que vos documents sont supprimés dès qu’ils ont été contrôlés. Or, ils ne le sont pas toujours, et cette promesse ne vaut plus rien le jour où l’entreprise subit une intrusion. (…) 

Pire encore, l’architecture conçue pour « protéger » les enfants peut finir par les mettre en danger. En regroupant les utilisateurs dans des enclos étiquetés par âge, non seulement on échoue à arrêter les prédateurs, mais on crée un véritable répertoire d’enfants, un annuaire permettant de les cibler directement. (…) Les enfants ne sont pas sauvés. Seule la surveillance demeure intacte. 

(…) La base de données que vous aidez à constituer pour un gouvernement digne de confiance ne restera pas nécessairement entre des mains fiables. Les administrations changent. Un registre qui se contente de répertorier qui vous êtes aujourd’hui devient, sous un gouvernement futur, une carte indiquant qui traquer. Nous savons déjà que les agences fédérales américaines espionnent les citoyens à grande échelle : qui a participé à telle manifestation, qui a consulté tel forum, qui appartient à tel groupe. Les gens ont raison de craindre ce qu’un régime hostile pourrait faire d’une liste toute prête. Les données n’oublient rien et ne prennent pas parti ; elles attendent simplement de passer entre les mains de leur prochain détenteur. Internet tout entier finit par ressembler au bureau : tout le monde a trop peur pour dire autre chose que ce qui est politiquement correct, de peur qu’une opinion réelle associée à un nom réel ne leur coûte un emploi réel. 

(…) L’objectif du refus n’est pas de convaincre une majorité avant d’agir, mais de priver le système de la coopération universelle dont il a besoin pour fonctionner. Vous n’avez pas besoin de gagner le sondage. Il suffit de ne pas télécharger votre photo. Ne leur donnez jamais votre visage. 

(…) Si Starbucks vous demandait de scanner votre pièce d’identité pour l’intégrer à une base de données nationale en échange d’un latte, le feriez-vous ? Non, car vous accordez plus de prix à votre identité qu’à votre latte. N’accordez-vous pas plus de valeur à votre identité qu’à la possibilité de voir un cousin éloigné publier des opinions politiques répugnantes ou la photo du chien de quelqu’un ? 

(…) En théorie, nous, simples internautes, pouvons stopper tout ce système en refusant d’y participer, en boycottant le processus. Imaginez un « Mois national du choix de l’identité », durant lequel personne n’utiliserait de plateforme exigeant votre visage, personne ne se connecterait, personne ne regarderait de publicités et personne ne financerait de projets sponsorisés. Les plateformes subiraient une chute massive de leurs revenus et feraient l’objet d’un intense lobbying pour faire abroger ces lois désastreuses. Nous en sommes capables. Le seul mot qu’ils ne peuvent pas contourner, c’est « non ». 

(…) Ces systèmes reposent sur la soumission. Ils partent du principe que vous allez soupirer, télécharger votre photo et passer à autre chose. Tout leur modèle économique en dépend. C’est aussi là que réside leur faiblesse. Une barrière de vérification devant laquelle personne ne se présente est une barrière sans gardien. 

(…) Alors, refusez. Refusez le scan. Refusez le téléchargement. Fermez les comptes qui l’exigent et expliquez-leur, par écrit, la raison exacte de votre départ. Les plateformes ont bien plus besoin de vous que vous n’avez besoin d’elles. Vous pouvez vivre sans le flux d’actualités, mais elles ne peuvent pas survivre sans la foule. Ne vous soumettez pas par anticipation. Le visage figurant sur votre pièce d’identité est ce que vous possédez de plus immuable. Ne leur livrez jamais votre visage »

PS : une traduction intégrale est disponible sur Developpez.

PS : Sur son blog, Cory Doctorow déploie le même argumentaire : « Ce que l’on appelle vérification de l’âge s’apparente en réalité à une surveillance de masse, si intrusive et omniprésente qu’elle fait passer la surveillance commerciale du secteur de la publicité en ligne pour une sorte d’utopie pirate cypherpunk sur le darknet ». 

« Cela dépasse la farce. Après tout, quels que soient les préjudices que l’Internet infligerait aux enfants — et il est indéniable que certains enfants souffrent de leur usage d’Internet —, tout commence par la surveillance. Vos enfants ne peuvent pas être ciblés par des algorithmes sans les données de surveillance utilisées pour les cibler. Ils ne peuvent pas être orientés vers des contenus faisant l’apologie de l’anorexie ou des forums d’une misogynie extrême sans que ce mécanisme d’orientation ne soit amorcé par l’espionnage commercial. Pourquoi les entreprises technologiques espionnent-elles vos enfants ? Pour la même raison que votre chien se lèche les testicules : parce qu’elles le peuvent, et que personne ne les en empêche. »

« Toute tentative de protéger les enfants contre les dangers du numérique devrait commencer par les préserver de la surveillance en ligne ; or, nous faisons exactement l’inverse aujourd’hui. Après avoir échoué pendant des décennies à adopter et faire respecter des mesures de protection de la vie privée sur Internet, ces mêmes gouvernements battent tous les records de vitesse pour faire adopter des lois de « vérification de l’âge » qui rendent la protection de la vie privée illégale. » 

La surveillance en ligne nuit à tous, rappelle Doctorow. Elle sert à vous fourbir de la désinformation, vous refuser un prêt, un emploi, augmenter les prix que vous payez et réduire les salaires qu’on vous propose. « On ne peut pas protéger les enfants de la surveillance en ligne en les espionnant. »

The Project of AI is a world-building endeavor, wherein those who fund and develop AI systems both operate through and seek to sustain networks of power and wealth. Janet Vertesi, Alex Taylor, Ben Shestakofsky, and I teamed up to try to disentangle the technical systems we call “AI” from the political-economic project that is sustaining this effort. Today, at FAccT, Janet presented our new paper: “Reckoning with the Political Economy of AI: Avoiding Decoys in Pursuit of Accountability.” (also available on arxiv). We do a few things in this paper that might be appealing. First, we try to map out how to understand AI, not as a set of technical artifacts, but the culmination of various economic and political forces, organizational logics, and interpersonal networks. (To anchor this, we draw on four distinct theoretical traditions, recognizable to scholars through Manuel Castells, Neil Fligstein, Donald Mackenzie, and Anna Tsing.) Then, we speak directly to scholars and practitioners interested in accountability and highlight how important it is to avoid “decoys” that distract our attention from the political economic agendas at play. Put most bluntly: we won’t create accountability by futzing with the technical affordances; we need to attend to the political and economic agendas.

If watching a video is more your jam, Janet presented a preview of this work at CITP Princeton a month ago and that video is now online.

While I’m not at FAccT (saaaad panda), I have been out and about. Ten days ago, I gave a talk at the Oxford Internet Institute to celebrate their 25th anniversary. Since I had given three co-authored paper talks at OII’s 10th (the ones that turned into Critical Questions for Big Data, It’s Just Drama, and Networked Privacy), I decided that it only made sense to give a 25th anniversary talk that wove together the past, present, and future of the internet that mixed together stories of social media, AI, and teenagers. “Dreaming of a Networked World” picks up themes from the FAccT paper, but the second half also includes new data from the Project Vibes team (led by Michele Ybarra) about teens’ attitudes towards AI. (Hint: it’s a doozy!)

It’s hard to believe that I’ve now been at Cornell for a year. It’s been an adventure! I taught three classes (Data & Society, Trust & Safety, and Theories to Think With). I have lots of irons in the oven, but I’m also now prepping for the launch of Data Are Made, Not Found. Book talks are confirmed in DC, Cambridge, Seattle, Boulder, and NYC. (Berkeley and Toronto are almost locked too.) I’m also talking with people about other cities. I can’t wait to share more. In the meantime, I would be ever so grateful if you could take the time to either pre-order the book or reserve a copy with your local library. 

Have an amazing summer! More soon!

Dans une tribune pour le Guardian, la chercheuse suédoise, Charlotta Kronblad, professeure à l’université de Gothenburg, raconte comment elle a tenté de se battre contre un algorithme d’affectation. En 2020, la ville de Göteborg a déployé un algorithme pour attribuer des places dans les collèges et optimiser les distances, les préférences et les capacités d’accueil. Mais voilà, « des centaines d’enfants ont été affectés à des écoles situées à des kilomètres de chez eux – de l’autre côté de rivières et de fjords, par-delà de grands axes routiers, dans des quartiers qu’ils n’avaient jamais visités et auxquels ils n’avaient aucun lien. Les parents, incrédules, ont constaté ces décisions. Avait-on seulement vérifié si un enfant de 13 ans pouvait raisonnablement parcourir ce trajet à pied en hiver ? Quel était le raisonnement derrière ces décisions ? Leurs préférences exprimées avaient-elles tout simplement été ignorées ? Personne au sein de l’administration scolaire ne semblait capable – ni disposé – à expliquer ce qui s’était passé ni à corriger les erreurs.»

Le fils de Charlotta était parmi les enfants désavantagés par l’algorithme. L’administration scolaire a indiqué que les parents pouvaient faire appel en cas de problème, comme si le problème n’était qu’une question d’insatisfaction individuelle et non pas un dysfonctionnement du système. Il a fallu près d’un an avant que les responsables municipaux ne confirment ce que beaucoup de parents soupçonnaient : « l’algorithme avait reçu des instructions erronées. Il calculait les distances à vol d’oiseau, et non celles des trajets piétonniers réels. »

Suite au tollé des familles, les procédures ont été améliorées pour l’année scolaire suivante. Mais pour environ 700 enfants déjà pénalisés par l’algorithme défectueux, rien n’a changé. Ils allaient passer toute leur scolarité au collège dans des établissements loin de chez eux.

L’injustice algorithmique qui en résulte n’est pas un problème abstrait, ni un problème propre au contexte suédois ; elle fait douloureusement écho à de récents scandales en Europe. Que ce soit celui de la Poste au Royaume-Uni ou celui des allocations familiales aux Pays-Bas, rappelle la chercheuse. Charlotta Kronblad a donc intenté un procès à la ville. Elle n’a pas contesté le placement individuel de son fils, mais la légalité de l’ensemble du système décisionnel et de ses résultats. « J’ai soutenu que la conception de l’algorithme violait la législation en vigueur.» 

Faute d’accès aux algorithmes du système, elle n’a pu les présenter au tribunal. Elle a fourni une analyse des affectations problématiques pour reconstituer son fonctionnement… Les services de la ville, eux, ont estimé que le système n’était qu’un simple outil d’aide à la décision qui n’a commis aucune faute, sans en fournir la moindre explication. 

« Ils n’ont pas eu à le faire. Le tribunal a fait peser la charge de la preuve sur moi. Il était de ma responsabilité, ont déclaré les juges, de démontrer que le système était illégal. L’analyse des décisions ne suffisait pas. Sans preuve directe du code, je ne pouvais pas atteindre le seuil de preuve requis. » Et sans communication du code, il était impossible de rien prouver. « L’affaire a été classée sans suite. » 

Nous savons que les algorithmes ne sont pas parfaits. C’est la raison d’être des tribunaux : contraindre à la divulgation, examiner et corriger. « Mais lorsque les cadres procéduraux restent obstinément analogiques et que les juges n’ont ni les outils, ni la compétence, ni le mandat pour interroger les systèmes algorithmiques, l’injustice triomphe. » Alors que nos autorités publiques déploient à grande échelle des systèmes opaques, les citoyens, confrontés à des conséquences bouleversantes, sont invités à faire appel individuellement. 

La charge de la preuve ne peut pas reposer sur les victimes, rappelle la chercheuse. Nous devons élaborer des règles de procédure permettant des recours qui ne soient pas individuels et qui exigent la transparence technique.

Lila Shroff s’inquiète. A raison. ChatGPT Images 2.0 qui vient de sortir permet de créer des visuels photoréalistes nettement plus convaincants que ceux produits par ses prédécesseurs. Elle l’a utilisé pour créer une image de Trump en train de donner des conseils de maquillage comme une capture d’écran de TikTok. Amusant. « Mais les deepfakes les plus réalistes que j’ai pu créer n’impliquaient ni politiciens ni célébrités. La plupart ne représentaient même pas de personnes. Sans trop d’efforts, j’ai pu créer plus de 100 images falsifiées, notamment des ordonnances d’opioïdes et de médicaments contre le TDAH, des alertes bancaires, des publications sur les réseaux sociaux, de fausses images de cartes d’identité et de passeports », de faux documents financiers (factures, reçus et déclarations fiscales), fausses captures d’écran (pour falsifier une confirmation de virement bancaire), fausses notes de frais, fausse capture d’écran d’un site de presse… Les modèles d’images ont longtemps peiné à produire des images intégrant du texte. Ce n’est plus du tout le cas avec cette version ci. Bien sûr, en y regardant de plus près, tous ces faux ne sont pas encore parfaits. Dans son dernier rapport annuel sur la cybercriminalité, le FBI a inclus une section sur les escroqueries à l’IA, qui auraient coûté près d’un milliard de dollars aux Américains l’an dernier. 

Fake, ça accélère

« En théorie, je n’aurais pas dû être capable de créer la plupart de ces images. OpenAI interdit l’utilisation de sa technologie à des fins de fraude ou d’escroquerie » … mais souhaite laisser une liberté créative totale à ses utilisateurs. De la à permettre de reproduire des logos de banque ou des documents officiels… Même constats chez Google dont les IA permettent également de générer ce genre de faux. Les entreprises d’IA se défendent en estimant que les images générées le sont avec des filigranes comme SynthID ou des métadonnées, mais encore faut-il que les gens aient des outils pour analyser les images qu’ils voient. « Malgré la fragmentation de notre écosystème médiatique, une simple recherche Google suffit généralement à vérifier si ces images sont fausses. Ce sont les deepfakes ciblés et omniprésents – ceux qui escroquent vos proches plutôt que de simplement perturber les réseaux sociaux – qui sont peut-être les plus inquiétants. » Et pour lesquels les mesures de protection s’annoncent encore très perfectibles.

Pour le New York Times, Stuart Thompson a testé les détecteurs d’IA. Plus d’une douzaine d’outils en ligne affirment pouvoir faire la différence entre le vrai et le faux en recherchant des filigranes cachés, des erreurs de composition et d’autres indices numériques. « Les résultats suggèrent que ces détecteurs peuvent aider à confirmer les soupçons concernant les contenus générés par l’IA, mais il est difficile de s’y fier pour établir un diagnostic définitif. » Thompson réalise plusieurs tests ne produisant pas toujours des résultats adaptés auprès d’une galerie d’outils comme Hive Detect, Resemble.ai, AI or Not, Reality Defender, Copyleaks, BrandWell, Sensity, Sightengine et les grands outils d’IA qui ont tous intégré ces fonctions, de Gemini à Claude, ChatGPT ou SuperGrok.

Le NYTimes a fait passer des tests à tout ces outils. « Nombre d’entre eux ont pu détecter les contrefaçons les plus simples ». Parfois, certains outils ne parviennent même pas à détecter les images qu’ils ont eux-mêmes créé. Les propriétaires de ces outils estiment néanmoins que les mises à jour de ceux-ci seront plus efficaces qu’ils ne sont, sans parvenir à la perfection. La détection de vidéo est plus difficile que celle des images et les résultats de ces outils sont tous moins bons, mais semblent plus performants pour détecter les sons générés. Ils réussissent mieux à détecter comme réels des images et vidéos réels, par contre les images réelles modifiées demeurent les plus difficiles à détecter… tant pour les outils que pour les humains. 

Deepfakes : pourquoi ça marche ?

Dans sa newsletter, Rob Horning tente de comprendre pourquoi les images génératives rencontrent un tel succès. Par rapport aux images réelles, « les versions générées par l’IA sont souvent plus spectaculaires, plus cinématographiques et optimisées pour générer des clics sur les réseaux sociaux ». Toutes les images ne sont pas propagandistes, rappelle le philosophe, elles sont surtout « opportunistes ». Elles visent à produire du contenu. C’est une propagande pour l’information elle-même, qui soutient l’idée que « toute information peut et doit être vécue comme un divertissement ». « Elles encouragent plutôt une approche post-narrative où l’appréciation des mèmes ne dépend plus de la compréhension des enjeux globaux ni de la recherche de contexte ». « Les spectateurs sont pris en étau entre deux systèmes algorithmiques : l’un génère le contenu et l’autre nous le présente, notre attention étant captée pour les entraîner à converger.» 

Ces images et vidéos cherchent plus à être émotionnellement compréhensibles qu’à être authentiques. Le contenu ne fait que nourrir et renforcer notre soif de spectacle. « La confusion entre preuves et contenu dans les flux d’information a engendré une confusion entre les deux. Les éléments présentés comme des preuves deviennent un alibi pour le spectacle ; ils imitent la vérifiabilité tout en nous incitant à nier tout besoin de vérification. » Mais, s’inquiète Horning, « ces contenus renforcent également l’idée qu’il est plus amusant d’être dupé que d’être informé, et que l’indifférence à la vérité procure des récompenses émotionnelles immédiates ». Ils nous disent autre chose encore de notre monde, souligne-t-il. Ces contenus de piètre qualité alimentent l’idée que tout devrait être visible, surtout dans un monde aussi saturé de surveillance que le nôtre. A l’heure où tout est accessible, nous avons l’impression que tout est désormais visible, comme quand le journalisme lui-même utilise la reconstitution fictive pour nous montrer ce qui n’a pas été enregistré. Il existe de fausses images sur tout ce qui peut susciter des réactions. Et ces images et vidéos permettent de montrer ce qu’il se passe réellement, sans que ce soit réel. « Ces vidéos ne fournissent pas d’informations factuelles, mais une idéologie, nous épargnant ainsi l’effort de la réflexion. » 

Si ces fausses images prolifèrent, c’est parce qu’elles offrent des illustrations claires de problèmes perçus comme réels, explique la chercheuse Claire Wilmot sur son blog pour la London Review of Books, qui montre que les deepfakes racistes offrent à ceux qui les utilisent la confirmation de leurs diagnostics. Les gens qui les partagent savent très bien que ces images sont fausses, mais elles permettent de montrer ce que ces gens pensent qu’il se passe réellement. « Ces vidéos répondent au désir du public de voir ses croyances se manifester sous forme de preuves et de consommer ce qu’il croit déjà comme si cela était irréfutablement établi par des événements réels. Elles nous offrent des explications simplistes, nous dispensant ainsi de tout effort de réflexion ou de toute responsabilité. Ces types de vidéos et d’images nous permettent de vivre ces croyances comme un contenu sans avoir à y croire « réellement ». Elles apparaissent simplement sous nos yeux pour nous rassurer. Ces contenus s’auto-valident pour leur public car ils présentent une idée qu’il tient déjà pour acquise. »  

« Le flux constant de ces contenus normalise l’idée que l’information sera immédiatement remaniée pour nous satisfaire, et que nous pouvons compter sur nos flux d’actualités pour moduler nos émotions et nous apporter une forme de clarté, voire de soulagement. » Les fausses images permettent finalement de neutraliser le flux des images réelles qui sont peu commodes à comprendre. Elles apaisent l’anxiété de l’actualité en permettant de mieux la maîtriser, de la rendre plus lisible qu’elle n’est, plus conforme à ce qu’elle devrait être ou ce qu’on voudrait qu’elle soit. 

« Le caractère facilement rejetable de ces images obséquieuses fait partie de leur attrait ; il rend la tromperie apparente et contenue, grâce à l’incrédulité délibérément suspendue du spectateur. La désinformation nous flatte en nous laissant entrevoir la supercherie tout en savourant la vision du monde qu’elle propose. Elle offre un discours facile à suivre, qui procure un sentiment constant de réussite, de reconnaissance, d’obtention sans effort. Elle flatte comme un chatbot obséquieux. Son mal ne réside pas dans le fait de nous persuader de choses fausses, mais dans l’érosion du sens des responsabilités collectives face à l’information partagée. » C’est un peu comme si ces images permettaient d’enlever de l’actualité sa complexité. « C’est le message sous-jacent de tout contenu : nous devrions pouvoir voir ce que nous voulons croire sans avoir à investir d’efforts pour construire cette réalité. »

Horning pointe un autre effet de la désinformation partagée : celle de nous isoler finalement. « Au lieu de rechercher l’information en reconnaissant notre ignorance nous ingérons des quantités massives d’informations simulées et de propagande maladroite qui nous donne l’illusion d’être imbus de nous-mêmes. Si le devoir civique, en tant que raison de s’informer, s’est atrophié, la diffusion de désinformation vise à l’anéantir complètement. »

L’industrie médiatique a subordonné la vérité au spectacle, éliminant les points de vue marginalisés et les voix divergentes. Or, ce que nous voyons, entendons, lisons… ne devrait jamais suffire à dicter nos croyances, rappelle Horning. La « crise de la vérité » ne provient pas d’un nouveau pouvoir des médias de nous tromper, « mais de la conviction que la simple consommation de médias suffit à nous faire vivre dans le monde réel ». Or, « aucune image ne peut nous conférer un rapport privilégié à la vérité, une conscience automatique de la réalité objective, une empathie accrue ou un sens moral plus sûr. Aucun média ne peut nous affranchir de la médiation. S’engager avec les médias ne signifie pas « surveiller la situation » ; cela implique de participer à la guerre de la propagande, et non de se complaire dans la médiocrité ». 

Nous sommes de plus en plus soumis à une pure consommation d’information. Et en cela, les fausses images nous invitent à rester dans une pure consommation, en n’ayant plus qu’à circuler parmi elles, en naviguant parmi celles qui nous complaisent le mieux. Or, consommer l’information ne suffit pas, rappelle Horning. Les militants du Minnesota, face à l’ICE, ont montré l’importance à documenter ensemble, les pratiques de la milice, pas seulement en invitant les gens à regarder leurs vidéos, mais à les produire collectivement, en filmant la réalité des exactions de l’ICE sous tous les angles possibles, à témoigner. Une pratique qui devient plus forte à mesure que plus de gens y participent. Une pratique qui produit de la solidarité et qui participe à la production d’une réalité partagée. Tout l’inverse de la production politique traditionnelle qui amplifie de plus en plus les pires outrages, les pires dénis, les pires mensonges. Trump est assurément le pire menteur et affabulateur de tous les temps, et pourtant, il reste perçu comme plus honnête et plus authentique que ses adversaires, se désole la journaliste Zoe Williams dans The Guardian. Le risque est bien que les images génératives empruntent le même chemin : qu’elles semblent honnêtes et plus authentiques que la réalité. 

Hubert Guillaud

Cet édito a été originellement publié pour la lettre d’information Café IA du 13 mai 2026.

MAJ du 25/06/2026 : En janvier, dans la Technology Review, le journaliste James O’Donnell avait révélé que le Département américain de la Sécurité intérieure, qui gère les services d’immigration, utilisait des générateurs vidéo IA de Google et d’Adobe pour créer du contenu destiné au public. Si certains commentateurs n’étaient pas surpris (le président Trump lui-même étant coutumier du fait), de nombreux autres justifiaient la pratique en estimant qu’il fallait combattre la désinformation par de la désinformation. Au grand damne du journaliste qui, dans un autre article où il raconte les conséquences, constate que l’enjeu n’est plus la vérité. Et le journaliste de pointer vers un article de recherche de la revue Communications Psychology de Nature. Dans cette étude, les participants ont visionné une « confession » truquée et les chercheurs ont constaté que même lorsqu’on leur disait explicitement que la preuve était fausse, les participants s’y fiaient pour juger de la culpabilité d’un individu. « Autrement dit, même lorsque les gens apprennent que le contenu qu’ils consultent est entièrement faux, ils restent influencés émotionnellement par celui-ci ». Nous avons réagi à la crise de la vérité en nous préparant à un monde où le principal danger serait la confusion, conclu O’Donnell. « Or, nous entrons dans un monde où l’influence survit à la révélation, où le doute est facilement instrumentalisé et où établir la vérité ne permet pas de repartir à zéro. Et les défenseurs de la vérité sont déjà largement distancés. » Face à la submersion par le faux, même rétablir la vérité ne semble plus avoir d’effets. 

MAJ du 25/06/2026 : Il reste des éléments qui permettent encore de distinguer les images réelles des images générées, estime Hany Farid, pionnier de la criminalistique numérique, qui à la tête de l’entreprise GetReal Security, est l’un des plus grands experts mondiaux en matière de détection de manipulation de photos et de vidéos. Dans Science, il explique que les images génératives peinent à reproduire fidèlement les lois de la physique. Même constat pour Darren Linvill, codirecteur du Media Forensics Hub de l’université de Clemson : les images génératives sont plus saisissantes que la réalité. « En termes de contenu à partager et à regarder, une grande partie du contenu généré par l’IA surpasse la réalité », explique-t-il. Les explosions sont plus impressionnantes, le point de fuite des perspective n’est pas unique, les différences d’éclairages perceptibles… Farid cherche surtout les traces laissées par certains types de manipulation, notamment en analysant les pixels des images. « L’IA générative ignore tout de la physique et de la géométrie ». Pour vérifier les images, Hany Farid contrôle souvent si la géométrie de la scène est réaliste. Il a développé également un logiciel de lecture labiale automatique capable de repérer quand les mouvements de la bouche ne correspondent pas pas aux paroles… Mais reconnait-il, ces problèmes évoluent vite et les systèmes s’améliorant, la détection est de plus en plus difficile. « Le monde réel est incroyablement complexe à simuler, et les entreprises d’IA n’ont guère intérêt à pousser leurs modèles aussi loin. Après tout, leur objectif n’est pas de tromper les experts en criminalistique numérique comme Farid, mais simplement l’utilisateur lambda, un critère bien moins exigeant. « Le système visuel tolère toutes sortes d’absurdités sur les photos, car il n’y prête pas attention », explique-t-il. » Un de ses étudiants, Lyu, a développé deepfake-o-meter un système pour estimer la crédibilité des images. Mais un des principaux problèmes est que ces détecteurs fonctionnent mal avec des contenus très différents de leurs données d’entraînement. « Il n’existe pas de détecteur d’apprentissage automatique unique permettant aux utilisateurs de télécharger tous types de vidéos, photos, fichiers audio et d’obtenir une réponse fiable. » 

Bien sûr, même l’enquête la plus approfondie et la plus rigoureuse ne convaincra pas toujours les sceptiques. Farid l’a appris à ses dépens en 2009, lorsqu’il a analysé une photo de 1963 montrant Lee Harvey Oswald tenant le fusil qu’il utiliserait plus tard pour assassiner le président John F. Kennedy. Les théoriciens du complot – et Oswald lui-même – affirmaient depuis longtemps que la photo était truquée, pointant du doigt des détails inhabituels comme les ombres sur le visage d’Oswald. Mais l’analyse de Farid n’a rien révélé d’anormal. Cela ne l’a pas empêché d’être accusé d’être partie prenante dans la dissimulation de la vérité ! 

Farid a également participé du développement de PhotoDNA qui repère les contenus pédopornographiques en ligne (voir notre article sur la modération automatisée depuis le livre de Tarleton Gillespie de 2019, Custodians of the internet, Yale, 2018). Développé en 2009 en collaboration avec Microsoft, cet outil analyse les contenus mis en ligne sur Google, Facebook, Reddit et d’autres plateformes, en comparant les fichiers à une base de données de contenus pédopornographiques connus. Le Centre canadien de protection de l’enfance (C3P) utilise ce logiciel dans le cadre du Projet Arachnide qui explore activement l’internet à la recherche de correspondances. 

Mais Farid reconnaît qu’il est désormais submergé par le flot : au début de sa carrière, il recevait une ou deux demandes de vérification par mois, se souvient-il. Puis, chaque semaine. « Maintenant, c’est tous les jours. Sans blague, chaque matin, je me réveille avec une dizaine de courriels de journalistes du monde entier. » 

Il est possible que quelqu’un parvienne à créer un faux document indétectable, explique-t-il. Mais son objectif est de rendre la tâche si difficile qu’elle reste hors de portée de la grande majorité des personnes mal intentionnées. « Chaque fois que je quitte ma maison, je verrouille ma porte d’entrée », explique Farid. « Cela empêche 99,99 % des gens de s’introduire chez moi, mais pas un serrurier. » 

Le journaliste économique de Mediapart, Romaric Godin, estime que les appels à la régulation de l’IA ne proposent rien. « Ces textes sont tous sur une ligne de crête : ils refusent de rejeter l’IA, et ce refus est lié à la volonté de ne pas s’opposer au « progrès scientifique ». Il faut donc accepter les évolutions technologiques tout en cherchant à s’en prémunir. » 

En fait, ces appels à la régulation estiment que les technologies sont neutres, qu’elles ne seraient que les produits de la science. Mais c’est oublier que la technologie n’est pas neutre et qu’elle n’est pas qu’une simple réalisation de la science, « c’est une utilisation de la science pour un but social donné ». L’IA vient d’abord répondre non pas à un besoin de la société, mais à un besoin du capital : « celui d’une nouvelle vague d’automatisation du travail afin de relancer le taux de profit ». La logique de la régulation vise alors à nous faire croire que l’IA aurait une utilité autre que celle du capital qui la déploie. Or, rappelle Godin : « ce pour quoi elle a été développée et financée, c’est de permettre un rebond des gains de productivité, notamment par l’automatisation des services et par l’accélération de l’automatisation de l’industrie. » La capacité de l’organisation économique à générer des gains de productivité est pourtant plus affaiblie que jamais. « Comme l’avait déjà perçu en 2015 l’économiste Robert Gordon, le coût en matière d’innovation est désormais considérable pour faire remonter le taux de productivité. Le gigantisme de l’IA et des financements qu’elle mobilise traduit précisément cette situation. Ce gigantisme s’accompagne donc d’une rentabilité fantôme mais qui reste le but du secteur. » « C’est sans doute l’angle mort de ces demandes de régulation : l’IA est un besoin du capital, et pour satisfaire ce besoin, la fuite en avant technologique n’est pas une « dérive » ou un « effet indésirable » que l’on pourrait contrôler, c’est une nécessité centrale. »

« Qui peut réguler ? Celui qui déciderait de freiner le développement technique et financier de l’IA perdrait immédiatement toute pertinence sur le marché, il serait balayé par ses concurrents. Et comme, par ailleurs, l’IA est loin d’avoir atteint son but, une régulation venant de l’ensemble du secteur est impossible : les financements engagés ne peuvent espérer devenir rentables que si la fuite en avant se poursuit. C’est aussi pour cette raison que les cauchemars apocalyptiques de l’IA sont alimentés par les acteurs eux-mêmes. Il est indispensable de continuer à donner envie aux investisseurs de financer l’IA et il faut donc maintenir la « hype », la frénésie.» Les Etats ne sont pas de meilleurs régulateurs non plus. D’abord parce qu’ils « sont en voie de fusion et de confusion avec le capital privé, précisément parce qu’ils sont dépendants pour leurs financements de la production générale de valeur de l’économie ». Ensuite parce qu’ils sont tous en soutien de la course à l’IA. « Tous tentent d’attirer les investissements de l’IA sur leurs sols. Tous s’efforcent « d’adapter » leur population à cette technologie et de la convaincre que son usage est indispensable ». « La volonté régulatrice se berce encore d’une illusion dangereuse, selon laquelle la croissance pourrait continuer à assurer le bonheur.» 

« En voyant l’IA comme un progrès humain alors qu’il n’est qu’un progrès du capital, on refuse de voir l’essentiel : le prix de la production de richesse capitaliste est désormais celui de la destruction. Et on ne régule pas la destruction, on la combat.» 

Dans son livre, Le problème à trois corps du capitalisme (La découverte, 2026), Romaric Godin, expliquait déjà que l’IA est une technologie « conçue pour préserver le capitalisme ».  Il déployait en avril la même idée dans deux articles pour Mediapart, expliquant combien le gigantisme des investissements promettait des gains de productivité que l’économie ne peut plus assurer. L’automatisation est l’ultime promesse pour assurer la poursuite de l’accumulation par une prédation totale et sans limite qui vise à continuer le capitalisme pour lui seul, avec une innovation, un progrès, qui ne propose ni une amélioration de la science ni une amélioration de la société, mais seulement la poursuite du profit.

Dans un texte critique riche, ample et pertinent, le sociologue Dominique Boullier, ancien coordonnateur scientifique du Médialab de Sciences Po, revient sur les enjeux de l’IA générative. L’auteur de Propagations. Un nouveau paradigme pour les sciences sociales (Armand Colin, 2023) et de Déshumanités numériques (Armand Colin, 2025) ne mâche pas ses mots pour décrire comment l’IA transforme notre rapport au monde. Tribune.

On croit encore souvent que la meilleure innovation gagne toujours. Dans de nombreux cas comme dans celui des LLM, c’est le contraire : la pire des IA est en train de gagner au point de s’imposer comme monopole radical au sens d’Illich. Monopole radical pour la classe vectorialiste dans la génération de code avec l’apparition de Claude Code, monopole radical pour le grand public dans les interactions à travers la diffusion des IA compagnons. Entre les deux, les usages professionnels restent toujours aussi incertains et ne fonctionnent qu’à la condition d’y injecter suffisamment de sémantique et de contrôle expert pour éviter des catastrophes industrielles.

Reconnaissons-le : toute expérience ordinaire d’interaction avec une IA générative se révèle toujours impressionnante et, lorsque les compétences augmentent, des outils encore plus bluffants sont désormais à disposition, comme l’ont expérimenté tous les utilisateurs de Open Claw, agrégateur d’agents. Et pourtant, dès que l’on veut réellement prendre en main ces outils, contrôler leurs opérations, les vérifier ou valider leurs résultats, les mêmes utilisateurs se retrouvent déçus, inquiets voire en colère, à moins d’adopter une tolérance inusitée dans l’univers des produits et services de ce type. [Précisons d’emblée que je n’évoquerai pas ici les éventuelles craintes à propos d’un futur d’IA générale souvent fantasmé mais seulement les constats issus des pratiques ordinaires.]

Ni science, ni industrie, ni éthique mais de l’ingénierie, de la finance et du buzz

Je résumerais cette ambivalence de cette façon, en termes d’éthos ou de posture : si l’on possède une culture, des principes et exigences à la fois scientifiques, industrielles et éthiques, on ne peut qu’être inquiet de voir l’emballement en faveur de ces IA fondées sur les LLM. A l’inverse, si l’on est fasciné par l’ingénierie, les performances financières et si l’on vit dans le monde du buzz permanent, l’IA produit une excitation inédite et sans cesse renouvelée malgré ou à cause des incertitudes qu’elle emporte avec elle.

Et l’on peut systématiser cette opposition terme à terme : science vs ingénierie, industrie vs finance, éthique vs buzz pour mesurer à quel point nous sommes en train de bifurquer, collectivement certes mais sous la houlette de quelques très grandes plateformes technologiques. L’époque moderne s’est caractérisée par la puissance d’une alliance entre science et industrie en y ajoutant depuis la seconde guerre mondiale, un contrôle moral progressif des finalités et des méthodes (la révision écologique principalement). Mais les LLM sortent totalement de cette trajectoire au profit d’un saut postmoderne radical fondé sur leur ingénierie toute-puissante, leur attractivité financière sans limites et leur capacité à générer du buzz, de l’alerte et de l’incertitude permanente.

On pourrait pourtant parier avec Yann Le Cun que ces LLM sont des impasses conceptuelles. On pourrait aussi considérer avec la plupart des grandes entreprises industrielles que les LLM n’offrent pas de fiabilité suffisante, ce qui explique leur adoption très réservée dans les process critiques notamment. On pourrait aussi soutenir avec quelques fondateurs du deep learning (Hinton, Bengio) que l’on risque trop de perdre le contrôle pour laisser se développer une telle technologie. Et pourtant, malgré toutes ces réserves, que je vais documenter et soutenir, ce sont bien ces LLM qui sont en train de former l’architecture technique d’un nouveau mode de production.

Quand les pires technologies sont pourtant les gagnantes

Car, rappelons-le , après des décennies de travaux sur les dynamiques de l’innovation, il est rare que la meilleure technologie gagne. Songeons au clavier Qwerty, cette machine de guerre ergonomique, encore présente dans nos PC, et même sur des smartphones tactiles. 150 ans de résistance à toute transformation malgré les tentatives nombreuses (cf. Dvorak) pour améliorer un système aussi nocif pour les muscles et aussi coûteux à apprendre. Sur ce plan d’ailleurs, les interfaces conversationnelles sont à elles seules une révolution durable qui va modifier la relation ordinaire à la technologie des systèmes d’information, plus encore que ne l’avait fait le Wysiwyg de la fin des années 70 qui a permis le Personal Computer.

De même, la domination de Windows sur tous les systèmes d’exploitation des PC (72% du marché) est le contre-exemple type opposable à l’argument selon lequel « le meilleur gagne ». Tout le monde le reconnaît, Windows a copié Apple (lui-même issu de Xerox) pour l’apparence de son interface, tout en reposant sur son système d’exploitation MS-DOS catastrophique en matière de fiabilité, de sécurité et de performances. Et pourtant, Microsoft l’a imposé au monde entier, grâce à des patchs successifs mais surtout grâce un marketing devenu un cas de figure canonique du « lock-in » (Shapiro et Varian), ce verrouillage d’une clientèle dans un système total. Dans le même temps, Linux (1991) est devenu incontournable pour tous les systèmes techniques critiques ou pour ceux qui exigent une véritable fiabilité mais c’est seulement en 2026 que le gouvernement français fait le choix d’abandonner Windows pour Linux pour les postes de travail de l’administration.

Un processus analogue se déroule ainsi sous nos yeux qui voit une innovation très approximative gagner des parts de marché et créer des habitudes d’usage quasi irréversibles. Les critiques pleuvent sur les systèmes d’IA génératives, sur leurs hallucinations d’abord, sur leurs consommations d’énergie ensuite, sur la collecte de leurs sources, sur leurs principes formels même, et cela sans parler des pratiques de certaines des firmes que j’ai qualifiées ailleurs de voyous (Open AI et X/ Grok) (Boullier, 3 février 2026 , AOC). Mais rien n’y fait, l’IA pénètre dans tous les interstices de la vie ordinaire plus vite que dans la vie professionnelle même, grâce à cette innovation horizontale, imitative, sans barrière d’accès (dont la gratuité, qui constitue un coup de force très convaincant pour les adopteurs). Quitte à avoir la pratique de l’IA honteuse, dans ce qu’on appelle la shadow AI, ces pratiques non déclarées au travail (Ferguson), dans les écoles ou à la maison. Processus d’innovation technique assez rare dans les organisations (Gaglio) qui ont souvent pratiqué plutôt le top-down en devant se battre plus contre les « résistances » des personnels que contre leur enthousiasme débridé et leur volonté de tout tester « pour voir » et finalement pour adopter.

L’heure du bilan n’a cependant pas sonné car tous les ans à peu près une nouvelle version ou couche d’innovation rebat les cartes, au point même de disqualifier les savoir-faire acquis, qu’on avait annoncé comme décisifs pour l’avenir (savoir prompter). Les agents sont déjà là, des systèmes comme Open Claw, même s’il est bridé désormais par Claude, permettent d’organiser des batteries d’agents en parallèle pour réaliser quantité de tâches ou de séquences de tâches, le vibe coding est mis à la disposition de tous, la production de vidéos (dont les deep fakes) est désormais opérationnelle pour des utilisateurs ordinaires. La seule limite constatée pour un certain niveau de performance reposait sur la compétition féroce pour les puces GPU de NVidia qui elles-mêmes changent de version souvent, mais désormais Google et Deep Seek utilisent leurs propres processeurs (TPU notamment) conçus spécialement pour leurs IA. Dans cette effervescence, la question du coût était restée jusqu’ici ignorée comme toujours avec la méthode classique du dealer de techno qui amorce les usages en offrant la gratuité, mais le coût des abonnements à ces services commence à augmenter sérieusement selon le nombre de tokens traités. Au point que l’optimisation de l’usage des tokens fait désormais partie des services de Anthropic, sous forme de « adaptative thinking », terme inadapté mais significatif de l’emphase qui caractérise ces firmes.

Disons-le franchement : j’espère quand même que cette hubris financière et technologique va conduire à une crise majeure, répétant la crise financière de 2008 car c’est sans doute la seule chance de rebattre les cartes et de rouvrir les possibles. Mais il faudra alors posséder cette boussole que je propose pour s’orienter radicalement différemment dans nos choix socio-techniques. A condition qu’il existe encore un espace politique démocratique pour passer à une « démocratie socio-technique » (Lascoumes, Callon, Barthe, 2001) pour inventer un autre avenir. Or, la domination des plateformes d’IA se fait désormais à l’échelle mondiale (Chine et USA) en étroite collaboration avec les régimes les plus autoritaires prêts à favoriser leurs monopoles en échange de services de surveillance omniprésents.

Au-delà des monopoles des plateformes IA, nous devons plus encore nous inquiéter d’un « monopole radical » de l’IA générative et des LLM sur les connaissances, pour utiliser les concepts d’Ivan Illich. Toute son analyse de la mobilité et de l’énergie (Energie et équité, 1975) montrait comment l’industrie pétrolière avait installé un monopole radical de l’automobile supposée solution unique pour traiter nos demandes de mobilité. Alors même que le calcul de la vitesse généralisée (Dupuy, Robert) montrait qu’en intégrant tous les coûts de production et d’utilisation d’une voiture, sa performance en termes de vitesse devenait inférieure à celle d’un vélo. J’expliquerai dans un livre à venir pourquoi la comparaison des LLM avec le coup de force du moteur à explosion et de l’automobile est la plus pertinente en matière de monopole radical, entraînant toutes les dérives sociales, urbaines et environnementales que l’on connaît. C’est pourtant l’avenir qui nous attend dès lors qu’on laisse les entreprises d’IA le façonner pour nous.

Reprenons chacun des dyptiques proposés pour comprendre comment une ambivalence attraction/répulsion finit pourtant par engendrer ce monopole radical.

1/ Absence de science mais ingénierie géniale

J’ai conscience de surprendre ainsi beaucoup de chercheurs qui travaillent sur l’IA et sur certains principes qui ont guidé tout ce courant de recherche, souvent fondé sur des mathématiques de haut niveau. Certains n’accepteront pas de voir disqualifier leurs prétentions scientifiques. Précisons que ce n’est pas parce qu’on dispose de disciplines, de revues et de postes académiques qu’on fait de la science (nous autres chercheurs en sciences humaines et sociales sommes quotidiennement disqualifiés pour cela précisément). L’ingénierie est une activité très noble qui mobilise des rapports parfois étroits avec la science, de même que la médecine, mais ni l’une ni l’autre ne sont des sciences mais plutôt des sciences appliquées, dit-on parfois, et surtout des arts. Le soin est un art plus qu’une science malgré toutes les tentatives de « evidence-based medecine » qui autoriserait les transferts de décision à des systèmes d’IA, au prix d’une ignorance de ce que la relation de soin et la maladie possèdent de multidimensionnel. L’ingénierie, de ce point de vue, peut être géniale et on ne le contestera pas, depuis Léonard de Vinci au moins ! Mais c’est son art de l’assemblage de connaissances, plus ou moins modélisées, dans la résolution d’un problème opérationnel qui produit l’émerveillement. Il faut que ça marche, voilà l’impératif. Or, les observations in situ sur le travail des ingénieurs, comme celles effectuées par les STS et tout le courant de l’ANT (théorie de l’acteur-réseau, Vinck), ont bien montré que quantité de décisions opérationnelles relèvent du pari, de l’opportunité et surtout du tissage d’un réseau multidimensionnel pouvant mobiliser des compétences et des ressources extrêmement diverses. C’est le cas avec les LLM et avec l’IA générative.

Quand l’absence de théorie du langage est productive pour l’ingénierie

En effet, zéro science dans ces IA et on pourrait même dire que c’est grâce à cela que ça marche. C’est ce que disait ce CEO d’une firme de NLP (traitement automatique du langage naturel) il y a plus de quinze ans qui affirmait avec provocation que les performances de ses modèles s’amélioraient à chaque fois qu’il virait un linguiste. Et en effet, les LLM n’ont aucune théorie du langage et se débrouillent très bien pour éviter d’en avoir une, puisqu’ils reposent sur une tokenisation et une vectorisation de tout le matériel linguistique, qui n’a strictement rien à voir avec une analyse du langage, structurale ou même générative à la Chomsky. Le texte fondateur des « Transformers » publié par Google en 2017, l’annonçait d’ailleurs explicitement : « All you need is attention ». Ce qui veut dire en clair que dès lors que l’on veut détecter des patterns, des régularités dans des corpus linguistiques pour prédire les segments suivants, tout ce qui compte c’est la fenêtre de mémoire disponible au moment de l’entraînement sur des corpus par ailleurs toujours plus énormes, de façon à réduire les erreurs. Pas de théorie, pas de concepts, seulement un exploit technique réductionniste à l’extrême et pour cette raison très opérationnel, qui permet de traiter tout token dans un espace latent vectorisé pour pondérer ses probabilités de combinaison et donc d’apparition dans un « contexte » toujours plus grand, cette fenêtre d’attention. Evidemment, l’astuce technique, élémentariste comme toute l’informatique depuis Turing, nécessite des capacités de calcul rarement disponibles, surtout dans un laboratoire académique, et des capacités de collecte de données d’entraînement qui s’affranchissent des règles académiques de sourcing ou de droits d’auteurs (nous verrons cela plus loin dans le chapitre moral).

Cependant, reconnaissons que les résultats de cette simulation de production linguistique à partir de ces matériaux et de ces « astuces » techniques sont prodigieux pour un observateur neutre ou même critique. J’ai moi-même, il y a bien longtemps, développé des chatbots et des méthodes d’ingénierie linguistique en milieu industriel puis académique et la performance ne m’échappe pas. Mais je sais aussi par expérience, tout ce qui a été nécessaire de bricolage, de patch, de tâches aveugles, et de risques pris pour faire tenir un système technique après quantité d’arbitrage faits souvent à la volée et sans justification et sans vérification possible de leurs conséquences sur tout le système. Expliciter tout cela serait considéré comme indécent pour un utilisateur lambda dont on veut par ailleurs faire un utilisateur convaincu et capté dès la première requête puisque l’adoption fonctionne désormais dans l’instant (et non à la décision éclairée).

La boite noire n’est jamais acceptable dans une visée scientifique

Pourtant, cet effet boîte noire reste totalement antinomique avec des exigences scientifiques. Car adopter une visée scientifique (Gagnepain), c’est s’obliger à contester méthodiquement ses propres énoncés pour les vérifier, les discuter dans une communauté de pairs, ce qui suppose de les publier pour pouvoir les répliquer et ensuite les réviser. La chaîne de la référence (Latour) est très longue et doit être explicite. Ce qui n’a rien à voir avec les méthodes de production de l’IA générative qui fonctionne aux résultats simulés et produits en toute opacité. On se trouve alors plus proche de la visée mythique qui doit nous faire croire aux résultats par une simulation merveilleuse et ces IA génératives produisent en effet des merveilles.

Et lorsque les LLM se soumettent à une vérification, c’est à travers des benchmarks et non des expériences réplicables qui permettraient de suivre toutes les pondérations faites automatiquement, ou les méthodes d’apprentissage supervisé et de constitution d’une ground truth (« vérité de terrain », Jaton), qui posent tant de problèmes éthiques occultés. Aucun process explicite donc, contrairement au mouvement existant depuis plus de dix ans d’ « explainable AI » car depuis l’IA connexionniste, dans sa version réseaux de neurones puis deep learning, on sait qu’il n’est plus possible de vérifier tous ces processus, même quand on en est le concepteur. La démarche scientifique ne peut en aucun cas se satisfaire de ces boîtes noires puisque toute la construction des énoncés qui font science a reposé depuis des siècles sur des communications de protocoles et de résultats permettant une éventuelle réplication. Exigence qui se perd, il est vrai, même dans les sciences dures soumises elles aussi au culte du « résultat-positif-à-diffuser » pour améliorer ses scores de publication. On peut se dire alors que le ver était dans le fruit, et que tous les impératifs de publication délirants désormais exigés par les politiques publiques de recherche n’ont pas attendu l’IA pour dégénérer.

L’espace latent probabiliste ne peut pas produire une ontologie

Plus spécifiquement il faut noter la déstructuration délibérée de toute l’articulation du langage, de cette combinatoire analytique de son et de sens, productrice d’un potentiel infini d’expressions. Avec les LLM, il ne s’agit plus que de découpages de matériel langagier écrit optimisés pour leur calculabilité : tout peut devenir token, jusqu’à des signes de ponctuation, sans rapport avec le sens ni avec l’expression orale par ailleurs. Les relations ou vecteurs ne sont plus structurées (pas de lexique, de champ sémantique, de lemmes, de phonèmes, etc… tous articulés entre eux) mais seulement pondérées par leur fréquence d’apparition commune dans un corpus donné.

Sur ce plan, il faut veiller à ne pas confondre l’ingénierie linguistique qui était réalisée au temps du Machine Learning. Si l’objectif de calculer les distances entre entités linguistiques d’un corpus peut sembler voisin de ce qui est actuellement pratiqué par les LLM, ce serait oublier la torsion complète de ces principes par les LLM. Car à cette époque, les entités calculées étaient encore des lemmes, issus d’une racine qu’on pouvait organiser en relations sémantiques via des flexions, syntagmes et variations de tous types, au-delà des simples cooccurrences dans un même environnement. Les corpus étaient eux-mêmes limités car thématiques, présélectionnés ou identifiables par leurs origines. Désormais on parle de tokens qui décomposent tout matériel graphique (et non verbal) en élément dont on va estimer la fréquence d’apparition dans un corpus infini, non indexé ni identifiable (effet boite noire). Un token n’a plus besoin de relation sémantique avec son environnement, seulement sa co-occurrence statistique suffit à produire un vecteur qui sera pondéré (et désormais non révisable puisque tout se passe dans l’opacité la plus totale).

C’est ici qu’une coupure avec la sémantique s’est introduite définitivement dans la méthode même de décomposition par token et de vectorisation. Le coup de force des LLM tient au fait qu’ils prétendent traiter toute une langue, grâce à une collecte d’un corpus infini, ce que leur permet en effet leur prédation systématique de tous les contenus disponibles. Tout ce traitement s’effectue dans une langue donnée, qu’on doit ensuite traduire dans d’autres langues qui n’auraient pas les corpus suffisants, d’où d’autres distorsions introduites dans ce corpus supposé universel.

La puissance statistique de ces probabilités reposant sur des corpus toujours plus vastes leur permet de simuler en effet des effets de langue très plausibles et de masquer totalement leur absence totale de sémantique, de référence au monde perçu, et d’attributions de valeur systémique aux relations/vecteurs calculés. Il s’agit bien d’un artifice d’ingénierie tout-à-fait prodigieux dans ses résultats, même s’il a la particularité d’être totalement incontrôlable ou inauditable dès lors que l’espace latent où tout se calcule n’a plus aucune relation avec le sens et combine tellement de dimensions que personne ne peut plus rendre compte des pondérations effectuées (the curse of dimensionality, Bellman, 1957). L’opacité du système est le prix à payer pour sa performance.

Le maquillage sémantique indispensable pour sauver le soldat LLM à tout prix

Cependant, ses faiblesses structurelles d’accès au sens engendrent tant d’erreurs qu’il faut là encore mobiliser des correctifs sans cesse plus ingénieux mais qui demeurent des expédients. C’est ce que l’on a nommé au début des LLM des « hallucinations », en fait des erreurs, des inventions de toutes pièces et sans aucun sens, présentées de plus sans aucune précaution sur les limites du système et sur le principe même des probabilités. L’obligation de réponse à tout prix, qui n’a rien à voir avec une exigence scientifique ni avec une garantie industrielle (voir chapitre suivant), relève en fait de la promesse commerciale et de la captation de dépendance d’un public sans aucun recul critique.

Pour réduire ces effets pervers – mais en fait constitutifs même des choix techniques d’ingénierie effectués contre toute exigence scientifique -, un certain nombre de méthodes sont employées pour réintroduire par la bande de la sémantique que l’on a exclue au départ pour optimiser la vectorisation généralisée des contenus d’entraînement. Ainsi, tout le travail d’annotation réalisé par les travailleurs du clic et les petites mains des plateformes (Casilli, 2019) sert avant tout à cela : produire une supervision de départ qui ne dit pas son nom mais qui permet de générer une ground truth qui limitera les dégâts, ce que Mechanical Turk d’Amazon offre comme service par exemple. C’est pourquoi le travail précaire et sous-payé de tout ce nouveau prolétariat des pays du sud, plus proche du péonage que du salariat (Moulier-Boutang), ne peut être occulté comme fondation sémantique des systèmes d’IA génératives. Certes, les modèles auto-apprennent ensuite, mais un contrôle reste nécessaire pour éviter de voir la qualité se dégrader de façon trop visible. Aucune science dans cette affaire, seulement la reconnaissance par l’ingénierie des patchs nécessaires pour corriger les défauts des choix initiaux. En l’occurrence, « attention is NOT all you need », il faut aussi celle d’humains enchainés à leurs écrans et à leurs micro tâches qu’on ne saurait montrer ni reconnaître.

De même, en raison de la spécificité sémantique de la plupart des domaines professionnels, avec ces LLM, il reste quasiment impossible d’assister correctement des processus de décision ou de création de contenus lorsque les documents sources sont noyés dans le corpus général des modèles centralisés. Il faut réintroduire du « contexte » dit-on parfois de façon erronée alors qu’il s’agit en fait de réintroduire du sens, articulé en sémantique, avec des termes spécifiques organisés en ontologies comme on le fait toujours avec l’IA symbolique. Tout process industriel qui ne se fonderait pas sur ces bases robustes courrait à la catastrophe.

Patches en tous genres : RAG, Chains of Thought, MCP

Mais là encore, l’ingénierie des firmes de l’IA se débrouille pour vanter l’intervention des experts du domaine sur des modèles réduits de LLM que seront les RAG (Retrieval Augmented Generation). Les experts d’un domaine injectent leurs contenus contrôlés, validés et pertinents pour leur secteur dans les données d’apprentissage du modèle général ou dans une version plus locale et restreinte, et réduisent ainsi considérablement les risques de non-pertinence ou d’erreurs. On entraîne ainsi le modèle sur des corpus de documents administratifs ou techniques issus de l’entreprise ou de l’administration et on s’assure ainsi qu’il effectuera les tâches demandées avec plus de fiabilité. Comme on le voit, il s’agit là encore d’une astuce d’ingénierie qui ne corrige en rien les défauts structurels des LLM mais qui réduit leur impact dès lors qu’il existe des experts capables d’alimenter les corpus d’apprentissage en contenu contrôlé. Il faut donc à nouveau des humains qui réintroduisent de la sémantique pour obtenir des résultats fiables. Pourtant, tout cela est présenté comme un additif normal et ingénieux aux LLM et non comme reconnaissance d’une faille constitutive de leur architecture stupidement probabiliste.

Un autre patch consiste à équiper ces systèmes d’IA générative à base de LLM de « chaînes de pensée » (Chain of Thought) leur permettant de construire un raisonnement en décomposant un problème en séquences. Le terme de « pensée » peut être trompeur car il ne s’agit que d’étendre les capacités élémentaires de tout système informatique à décomposer en procédures et en séquence opérationnelle toute résolution de problèmes, ce qui est au fond à la base de toute compétence technique. Fournir cette capacité n’a rien d’un raisonnement. Alors qu’il existe des systèmes d’IA effectivement raisonnante, mais de type symbolique et totalement explicable, comme Xtractis, produit par Intellitech (Zalila). Dans ce cas, toutes les pondérations et décisions sont traçables car elles sont fondées sur de solides armatures logiques que toutes les IA symboliques mobilisent depuis des décennies.

Dernier épisode en date de la même opération de sauvetage des systèmes d’IA génératives asémantiques : le passage à l’IA agentique, capable d’effectuer des tâches de commande, de gestion, faites de séquences complexes et adaptées aux infinies variations du monde réel. On comprend bien le défi. Des systèmes automatisés, ne disposant d’aucune représentation significative du monde mais seulement d’une capacité infinie de pondération des vecteurs linguistiques pour engendrer des prédictions, se trouveront en difficulté face à la complexité du monde réel, et aux ambiguïtés sans fin de toute langue et de toute situation. Une astuce supplémentaire de l’ingénierie des entreprises d’IA permet de simuler une réduction de ces aléas. On dispose désormais en effet d’un protocole pour harmoniser la description du monde : serait- ce une ontologie ? Certes non, seulement une simulation limitée au monde des interactions entre machines : le MCP, Model Context Protocol, se contente de standardiser les API que devront utiliser les systèmes d’IA pour devenir vraiment des agents « dans le monde », en fait des agents bien limités au monde des systèmes d’information normalisés pour devenir interopérables par des IA agentiques. Une nouvelle fois, la question du rapport au monde, de la sémantique nécessaire pour en construire la représentation est évacuée par une opération d’ingénierie. Cela permet cependant de construire ainsi un début de standardisation du secteur, ce qui est industriellement non négligeable.

Mais il en sera autrement dans les secteurs industriels critiques comme nous le verrons. Lorsqu’on voit que Palantir, dans sa fourniture de systèmes de décisions de frappes militaires létales, présente explicitement la couche d’ontologies qu’elle ajoute aux LLM qu’elle utilise, en parlant d’une nomenclature pré-encodée (c’est-à-dire contrôlée et validée par les humains selon un schéma cohérent sémantiquement), on comprend mieux ce qui se déroule et se déroulera dans les autres industries, qui ont des exigences encore plus sévères que dans les industries de défense dont la précision n’est pas l’impératif prioritaire, comme on l’a constaté récemment. Les benchmarks récents pour tester ces systèmes d’agents ont cependant produit des résultats très inquiétants quant à leur fiabilité et à leur sécurité (Shapira et al., 2026).

La mutation du mode de production du code, étape essentielle vers le monopole radical

Il faut cependant admettre que les limites asémantiques des LLM ont été particulièrement bien exploitées pour la production du code informatique. Ce qui peut se comprendre aisément, puisque précisément le code n’est pas le langage ni la langue et que son univocité le rend opérationnel sans risque de contre-sens comme on dit, puisqu’il ne s’agit plus de sens mais de commande pour l’action. Cette réduction du langage des propositions logiques au code du programme fut la force du pari initial de Turing (Lassègue et Longo, 2025) qui continue d’être exploité. La production de code entraîne pourtant des erreurs nombreuses variables selon les systèmes d’IA mais désormais bien réduites avec l’avancée apportée par Claude Code. On mesure alors la productivité potentielle d’une telle performance d’ingénierie puisque ces systèmes peuvent générer du code pour générer du code pour générer du code, à plusieurs niveaux. Cela a entraîné la fascination des milieux des développeurs pour Open Claw qui génère, lui, des agents organisés en système dans des délais d’une rapidité inouïe par rapport aux tâches séquentielles précédentes.

C’est ainsi dans ce domaine du code que les LLM sont en train de modifier le mode de production informatique en général et de ce fait d’un grand nombre de process industriels. De l’autre côté, pour le grand public, c’est la mutation des compagnons à travers des interfaces conversationnelles performantes qui est en train de s’installer comme routine ou comme évidence dans la vie quotidienne. Notre mode de production des interactions quotidiennes va s’en trouver clairement affecté radicalement. Le problème, dans les deux cas, industrie ou interaction, tient à l’absence totale de traçabilité et d’explicabilité de tous ces systèmes, si performants et si opaques à la fois. Les erreurs, bugs ou hallucinations sont inévitables et l’expertise pour les détecter aura tendance à se raréfier puisque seules des IA pourront éventuellement réauditer de telles boîtes noires. Et lorsqu’on se réjouit de voir que Claude a détecté avec Mythos des bugs jusqu’ici ignorés qui sont en fait de vraies failles de sécurité, on accepte d’ignorer que l’on ne sait pas si ces failles étaient vraiment critiques (d’où le peu d’intérêt pour les détecter avant), quelle est la proportion de bugs existants non détectés par l’IA (par définition !), et si l’IA ne détectera pas de faux bugs (faux positifs) que personne ne saurait contredire (Schneier, 2026). Il faut donc accepter les miracles et continuer à avancer à l’aveugle.

Mais plus on s’oriente vers cette transformation en profondeur du mode de production, plus cela tend à réduire les LLM à des systèmes d’exploitation, dont nous ne connaissons toujours pas les applications adaptées à DES environnements toujours spécifiques. Or, dès qu’on veut implémenter une application robuste dans le vrai monde, il faut y rajouter une couche sémantique. Certains plaidaient depuis longtemps pour cette hybridation symbolique/ génératif mais le débat porte rarement explicitement sur cela : on se contente de patchs sémantiques ( et donc à base d’IA symbolique) dès qu’on veut installer des process fiables. Nous pourrions donc évoluer ainsi vers un équivalent de MS-DOS. On interagit avec un Windows qui est en fait une copie de Mac OS, pertinente et conviviale, mais toujours plaquée sur un OS antique et inadapté, ce qui a duré pendant 40 ans environ. Par analogie, nous accepterions donc les défauts intrinsèques de ces LLM en acceptant de les corriger sans cesse, de les camoufler pour éviter d’interroger la nullité scientifique des LLM. Alors qu’il serait possible de concevoir dès maintenant une IA hybride dans son cœur même, en s’appuyant sur les IA symboliques raisonnantes déjà disponibles pour leur ajouter quand c’est nécessaire les capacités génératives issues des méthodes des LLM. Mais tout cela sans développer toute l’usine à gaz énorme que sont les data centers et la collecte en masse de données pour l’apprentissage. Philosophie totalement différente mais qui ne gagnera pas forcément comme je l’explique dans la seconde partie sur l’industrie. Pourtant, d’autres acteurs tentent d’explorer une sortie de cette impasse.

En sortir par une extension de l’automatisation avec les « modèles du monde » ?

En effet, peut-être devrait-on confier notre sort à ceux qui, comme Yann Le Cun, nous fixent des objectifs de pertinence nettement plus robustes en sortant des limites des LLM. On peut comprendre l’ambition de ne plus faire reposer les modèles sur du matériel uniquement linguistique, même si cela pouvait fonctionner assez aisément pour des visées de génération de contenus. L’idée de descendre au niveau de la perception et d’entraîner désormais ces systèmes sur des vidéos qui démultiplient les indices en les situant dans des univers réalistes qui fournissent une connexion de fait avec le monde (même si médiées par le support vidéo) paraît ambitieuse en termes de capacités de calcul et de temps d’entrainement mais cohérente pour dépasser les limites des LLM. En réalité, malheureusement, il s’agit là encore d’une ingénierie magnifique et prometteuse, mais qui échoue à caractériser scientifiquement ce qu’est l’expérience du monde du point de vue cognitif et qui de plus ne fournit comme horizon industriel et moral qu’une automatisation toujours étendue.

L’expérience du monde n’est pas faite seulement des inputs de signaux très riches fournis par nos sens. En premier lieu, elle est construite dans une boucle qui suppose une interaction effective avec le monde : les gestes, les actes doivent être éprouvés et avoir un effet sensoriel au-delà de leur visionnage sur un écran de vidéo pour pouvoir constituer une base d’apprentissage robuste. Cela nécessiterait alors de doter ces systèmes d’IA d’un équivalent de corps, et donc de pousser l’automatisation encore plus loin vers une robotique étendue et sans limite a priori. Cependant, le principal manque de la vision des « modèles du monde » de Le Cun, c’est la dimension collective de l’apprentissage du monde, ne serait-ce qu’à travers le regard d’un autre humain, souvent un parent nourricier. Ce couplage étroit, plus ou moins satisfaisant mais déterminant pour le psychisme, semble demeurer extérieur aux modèles du monde. Or, l’expérience du monde est intersubjective par définition ou même distribuée car on doit penser en termes de « cognition distribuée » (avec des humains et des non-humains) (Hutchins). On n’inventera pas une compréhension du monde qui ne soit fondamentalement dialogique, et donc psycho-sociologique.

On pourrait alors prolonger juste un peu plus loin la saga de l’ingénierie de l’IA et annoncer : « qu’à cela ne tienne, nous allons modéliser aussi tous les comportements psychosociologiques et nous aurons ainsi atteint le but ultime de l’IA générale, totalement équipée des compétences humaines ». Voilà où la question morale revient en force, avec cette tendance lourde de la classe vectorialiste à s’en passer allègrement. Pour rester pertinente, l’IA la plus enrichie socialement doit se fonder sur une théorie de la technique qui sorte du fantasme de simulation totale et d’automatisation sans limite. La technique est une compétence humaine qui se combine sans cesse avec les autres compétences inhérentes à la condition humaine et ne peut jamais être désencastrée des rapports sociaux, politiques, désirants, émotionnels qui obligent de ce fait à inclure les humains dans la boucle. Ils le sont comme experts en premier lieu pour la valeur indicielle irremplaçable de leurs connaissances mais aussi et surtout comme sujets de désirs et de droits et comme collectifs coopératifs. Une IA qui s’affranchirait de toute connaissance et de toute théorie de toutes les compétences humaines pour remettre la technique à sa place serait en fait atteinte d’hubris et profondément dangereuse. C’est ce que certains prophètes proclament d’ailleurs, un peu vite et avec des arguments tordus parfois, pour à la fois réduire la vitesse et l’accélérer pour aboutir à l’étape suivante de l’automatisation totale plus rapidement.

Pourtant, il reste possible de faire bifurquer ce train lancé à toute vitesse et qui semble inarrêtable sur cette voie unique, celle des LLM fournie par les plateformes. Pour cela, il convient de sortir de la fascination pour l’ingénierie en exigeant de réintroduire des impératifs scientifiques et donc une exigence de compte-rendu explicite de tous ces systèmes, une auditabilité que les impératifs industriels avaient pourtant installé comme convention sociale bénéfique à tous. Comment se fait-il que non seulement les LLM peuvent se passer des impératifs scientifiques mais aussi des impératifs industriels ?

2/ Abandon des impératifs industriels, triomphe des performances financières

Les prouesses d’ingénierie que l’on vient de souligner devraient normalement entraîner des qualités industrielles équivalentes si l’on vivait encore dans le capitalisme industriel. Or, n’oublions jamais que c’est désormais un régime de capitalisme financier qui nous gouverne (Orléan, 2011). Le secteur du numérique est totalement dépendant des principes, des méthodes et des puissances fournies par la finance qui adore l’IA, quand bien même les performances industrielles de ces systèmes d’IA sont à proprement parler catastrophiques. C’est ce paradoxe qui doit être pensé pour comprendre à quel point nous allons dans le mur en tant que société dite « moderne » en confiant notre avenir à ces systèmes d’IA. La domination financière sur l’allocation de ressources accélère encore ce processus malgré l’inconséquence industrielle qui la sous-tend.

Les qualités industrielles attendues des systèmes d’IA devraient être de deux types : une fiabilité la plus élevée possible, à défaut de totale qui serait un fantasme (Gérard Berry), et une architecture efficiente, c’est-à-dire la plus économe possible de toutes ses ressources. Il ne suffit plus de faire preuve d’ingéniosité pour obtenir le meilleur résultat possible une fois : dans un système industriel, il faut pouvoir assurer la répétition, le passage à l’échelle, la maintenance, et la fiabilité dans des circonstances totalement différentes. Or, aucun des LLM sur le marché ne peut assurer cela et d’autant moins que ce sont des systèmes opaques non réglables avec précision, contrairement à ce qu’on prétend faire avec du fine-tuning (qui revient en fait à réinjecter de l’expertise humaine et donc de la sémantique au cas par cas, ce qui n’a rien d’industriel précisément).

L’étrange acceptation de l’absence de fiabilité industrielle des LLM

Lorsque l’utilisateur ordinaire constate des hallucinations ou des réponses trop évasives, trop bavardes ou incompréhensibles de systèmes d’IA conversationnelles qu’il utilise, il s’agit souvent de situations individuelles, de communication, sans grandes conséquences, avec de plus une propension des utilisateurs à s’auto-incriminer pour leur incapacité à faire les prompts corrects tant le mythe de « l’intelligence » de la machine finit par s’imposer. Cette tolérance n’a rien à voir avec celle qu’on peut avoir aussi dans l’industrie pour des systèmes de production et de services qui doivent assurer une qualité permanente du produit et une traçabilité très exigeante. Comment se fait-il d’ailleurs qu’on n’exige jamais de la part des plateformes d’IA génératives des démarches qualité, des audits et de la documentation comme on le fait dans tout secteur industriel ? Car tous les secteurs sont soumis à des réglementations, à des standards, à des responsabilités légales et pénales dans les cas de non-respect de normes, de procédures ou de contrôles. Ce fut tout du moins tout l’effort des années après-guerre où l’industrie se trouva régulée par les Etats ou par ses propres conventions entre concurrents.

Rien de tout cela dans les firmes de l’IA qui se sont totalement affranchies des exigences devenues communes dans l’industrie. On peut arguer que le secteur étant en construction, il faudrait attendre un peu avant que cela se stabilise. Or, la pénétration de l’IA dans tous les secteurs, ou tout au moins les efforts des vendeurs d’IA dans ce sens, exige que les processus IA soient soumis aux mêmes degrés d’exigence que tous les autres composants d’un secteur donné qui peut aller de la comptabilité à la logistique en passant par les matières premières, les machines, etc. et cela pour les produits, les process et les personnes, les 3P de toute démarche qualité. Cette façon désinvolte de disqualifier les procédures industrielles au nom de la disruption éclair est très choquante pour ceux qui connaissent cet univers. Aucune autre industrie ne pourrait s’autoriser une fiabilité aussi faible, fut-ce au bénéfice de l’accélération et du gain de temps supposé. Certes, certains secteurs critiques parviennent à exploiter des briques de LLM pour amplifier les performances de leur activité de façon limitée et à condition d’y rajouter leurs propres données validées comme pour le RAG ou une couche de sémantique comme je l’ai indiqué. Mais cela indique bien l’absence de fiabilité intrinsèque de ces LLM et le surcoût induit par la nécessaire intervention des experts dans la boucle, ce qui invalide la promesse fantasmée des vendeurs de LLM.

L’un des moyens classiques de l’industrie pour pousser à l’augmentation de la qualité et rétablir les conditions de la concurrence plus équitables a toujours reposé sur la standardisation, sur la production de normes (et non seulement de la part des Etats contrairement au roman libéral anti-bureaucratique qu’on nous sert en permanence). En effet, la compatibilité entre produits et services et la comparabilité des performances et des qualités servent la stabilisation des marchés, et donc la viabilité d’investissements de long terme comme l’exige tout appareil de production tangible. Il semble que, en l’absence de cet aspect tangible puisque le numérique est éminemment plastique, même s’il n’est en rien immatériel, ce secteur puisse s’affranchir de cet impératif d’organisation du marché.

La disparition de la culture des tests

L’un des indices de cette compétition sans règle industrielle peut être observé dans la disparition de la culture des tests. Dès lors qu’il n’existe plus de normes ni de standards, pourquoi se préoccuper d’étalonner avec des mesures fiables ses propres produits et services ? A défaut de ces normes, on pourrait penser que ces tests seraient cependant utiles pour anticiper la satisfaction du client et éviter des retours consommateurs parfois destructeurs de réputation. Et pourtant non, les nouveaux entrants sur le secteur de l’IA générative, comme Open AI, ont au contraire tout fait pour court-circuiter les entreprises en place, soucieuses de leur réputation, et ont mis sur le marché des systèmes non validés, sans fiabilité aucune, à charge aux utilisateurs adopteurs précoces de faire remonter leurs retours et d’attendre la nouvelle version.

Ce principe du chantier du code qui court (le rough consensus and running code de J.P. Barlow) qui se corrige de lui-même constitue une rupture avec les impératifs industriels qui ont mis du temps à s’installer durant tout le XXe siècle mais qui ont produit des systèmes techniques plutôt fiables et de moins en moins insécures, avec l’appui des réglementations étatiques contraignantes dans certains domaines, il faut bien le dire. Le seul étalonnage des systèmes d’IA disponible en public reste donc les benchmarks effectués soit par les universitaires soit par des cabinets, à intervalles très fréquents puisque les versions se succèdent sans cesse, ce qui permet d’ailleurs de disqualifier les benchmarks dont les remarques critiques ont été déjà corrigées dans des versions nouvelles sorties quasiment avant la publication critique.

Les tests de validation du code existent toujours cependant. Mais ils permettent seulement d’éviter les principales erreurs mais non de relever ou de comprendre les décisions effectuées. Pire encore, la rapidité de génération du code est désormais telle que les générations de seniors chargées de l’auditer n’ont plus le temps de le faire. Cela renforce ce qu’on appelle désormais même chez les développeurs une « dette cognitive », c’est-à-dire une perte de compétence pour interpréter le code que l’IA permet de générer. Et Anthropic a vérifié son augmentation dans les dernières versions qu’il appelle « the compréhension debt » (Osmani, 2026) : « AI generates code far faster than humans can evaluate it ».

Ces benchmarks ont-ils un rapport avec l’expérimentation scientifique ? En rien. Avec les tests normalisés des industries classiques ? En rien ! Avec les tests ergonomiques ou fonctionnels pour anticiper la qualité de services et l’acceptation par les utilisateurs ? En rien. Ce sont en fait des repères flous et instables pour s’orienter dans une compétition d’opinion sans aucun référent industriel stable qui rendrait ces systèmes commensurables. Et pourtant des décisions majeures sont prises dans les boards et les gouvernements sur la base de ces appréciations qui créent la rumeur, qui disqualifient sans démonstration sérieuse ou qui vantent des performances jamais comparables. L’effondrement d’un sens pratique de la mesure et de son rôle régulateur n’est pas le moindre des paradoxes de cette emprise de la finance sur un secteur productif qui rend le travail des régulateurs particulièrement difficile.

La réglementation européenne récente prend acte de ces risques en matière de fiabilité mais limite les exigences de haut niveau aux systèmes les plus critiques, à risque, alors qu’on ne peut jamais savoir a priori les conséquences d’une absence de fiabilité et de traçabilité. Les exigences d’auditabilité sont quasiment inapplicables par définition à ce degré de complexité lorsque tant de couches de neurones sont concernées. La seule prétention à une amélioration de cette fiabilité repose sur l’augmentation permanente des données, leur renouvellement, leur mise à jour et l’augmentation des performances probables dans l’espace latent de ces vecteurs totalement incontrôlables.

Le culte de la brute force et de la taille si séduisantes pour la finance

On comprend mieux dès lors la course à l’installation de gigantesques centres de données partout dans le monde, conçus comme la base stratégique d’une robustesse industrielle. Or, cette dépendance à la taille des centres de données indique avant tout la faillite industrielle du modèle des LLM, leur efficience ne faisant que diminuer pour maintenir la croissance de leur efficacité. Toujours plus gros devient la seule solution pour réduire l’absence de fiabilité. La demande de vitesse des réponses et des calculs ajoute encore à cette exigence mais on perçoit alors à quel point les performances d’ingénierie sont obtenues au prix d’un gâchis industriel invraisemblable. On sait que les effets d’échelle peuvent jouer un rôle dans certaines industries pour augmenter la fiabilité dès lors qu’on peut réaliser des investissements conséquents pour effectuer tous les contrôles nécessaires et obtenir une standardisation plus avancée. A la condition d’avoir des procédures, des dispositifs de contrôle et de pilotage fin et des métriques permettant de rendre compte de ces améliorations et de détecter en continu les baisses de qualité en faisant par exemple de la maintenance préventive.

Mais rien de tout cela dans les centres de données qui sont nécessaires à l’augmentation de puissance des systèmes d’IA, non pour leur fonctionnement technique opérationnel au quotidien (les serveurs doivent fonctionner correctement !) mais pour leurs performances sur leur service de base. Cette culture de la taille, cette course à la masse de données, constituent sans doute les faiblesses principales du modèle extractiviste du modernisme industriel, du point de vue même de la performance industrielle, comme on l’a vu avec les conséquences de la dépendance au pétrole. Et pourtant, c’est ce qui est réactivé avec les centres de données surdimensionnés qu’on installe désormais uniquement pour tenter de réduire les insuffisances intrinsèques de modèles de langue purement statistiques.

La corruption financière de toute exigence de qualité industrielle

On ne peut comprendre cette carence de qualité industrielle si l’on n’inscrit pas le secteur de l’IA générative (et tout le numérique avec elle) dans une économie financiarisée. En effet, les investissements exigés pour ces centres de données, leurs puces, leurs ressources énergétiques, semblent totalement décorrélés de leur efficience industrielle, d’un bilan comptable sérieux, d’un équilibre entre investissements et retours sur investissements. Car les liquidités pleuvent sur ce secteur (et les Etats abondent, qui plus est : 500 milliards de Trump, 100 Milliards de Macron, etc. !) seulement en raison de la promesse spéculative que les plateformes d’IA soulèvent, sans aucun égard pour la rationalité industrielle et comptable d’un bilan d’une entreprise ordinaire. Nous avons quitté non seulement les critères de gestion d’un « bon père de famille » comme on disait autrefois mais aussi ceux de la gestion prudente d’une entreprise quelconque, et même celle de la gestion d’une trajectoire innovante à risque, qui suppose malgré tout quelques garanties.

Pour continuer à entretenir le narratif attracteur d’investisseurs, les firmes comme Open AI sont capables d’effectuer des montages financiers tout aussi opaques que leurs algorithmes, à travers des prises de participation croisées avec Nvidia par exemple indexés sur des promesses d’achat de puces, le tout sans aucune garantie, sans traçabilité comme on sait très bien le faire dans la finance. Le but est ici de faire des effets d’annonce en permanence (d’où l’importance du buzz que nous traiterons dans la troisième partie) pour maintenir en vie la promesse de monopole qui attire avant tout les investisseurs (parier sur le gagnant final comme ce fut le cas pour Amazon) et qui constitue le B A BA de l’idéologie libertarienne professée par Peter Thiel. Le capitalisme financier n’a que faire de la compétition, de la « concurrence libre et non faussée » et encore moins de l’industrie et de ses exigences de fiabilité et de standardisation. Il faut disrupter sans cesse et la succession invraisemblable des versions toutes aussi époustouflantes, et cela sans vérification possible, constitue un enjeu permanent. Les nouvelles versions peuvent même être moins performantes que les précédentes, chose incroyable d’un point de vue industriel (ce fut le cas pour Chat GPT 5o), mais les lancements s’expliquent alors par l’agenda d’un nouveau tour de table financier ou par la réponse urgente aux annonces des compétiteurs pour cette position de monopole.

Responsabilité sociale et environnementale ? Dans les poubelles de l’histoire IA

On comprend bien que dans une telle frénésie spéculative, les impératifs industriels de fiabilité ou de qualité ne soient perçus que comme des vestiges d’un vieux monde. Ces tenants du vieux monde ne supportent pas l’incertitude intrinsèque imposée par la disruption permanente présentée comme loi de l’innovation, alors qu’elle n’est qu’une loi de finance spéculative. Il n’est guère étonnant alors que toute politique de RSE (responsabilité sociale des entreprises étendue depuis plusieurs années à la responsabilité environnementale), soit totalement hors du champ de perception de ces entrepreneurs sans limites. Or, il a pourtant fallu du temps, de l’énergie, des procédures pour faire aboutir une convention sociale plus ou moins partagée par les entreprises de tous secteurs en faveur de cette cotation RSE qui doit être inscrite dans toutes les dimensions d’une activité industrielle. C’est ainsi que la lutte contre l’exploitation des personnes, contre les discriminations, a pu avancer dans le monde. Pour toutes les entreprises de l’IA désormais, tout cela n’est que bureaucratie et frein à l’innovation disruptive. Le droit social, comme le reste du droit, mais en particulier celui-là, se trouve démantelé, en bas de la hiérarchie de la chaine de production avec les travailleurs du clic mais aussi en haut avec la pression sans limite imposée aux travailleurs du code, qui le produisent de moins en moins par ailleurs.

Mais c’est surtout en matière environnementale que les conséquences de cet extractivisme de la donnée sont impressionnantes et devraient entraîner dès maintenant des blocages réglementaires. Les centres de données dont on vient de parler consomment une énergie énorme (eau et électricité avant tout) qui met des communautés et des états sous pression avec des risques de pénurie ou de dégradations des conditions de vie et des ressources. Mais il suffit de prévoir des centrales nucléaires dédiées à ces centres pour que tout redevienne propre, miracle du greenwashing nucléaire, à échéance encore lointaine cependant. Dans un monde supposé se caler sur l’accord de Paris pour réduire sa consommation d’énergie et les gaz à effets de serre, le numérique et en particulier les firmes de l’IA s’affichent totalement indifférentes au problème, puisque la puissance de calcul et de stockage des données devient une priorité pour la compétition sans avoir à remettre en cause la performance industrielle des choix effectués. Et comme les data centers sont des attracteurs à investisseurs et que les liquidités sont abondantes, pourquoi s’autocensurer, sans rien savoir de la rentabilité financière même de ces opérations ? Car le déni de mesure de la performance industrielle s’étend à la finance. Tous les avertissements sur la bulle financière en cours de constitution autour des entreprises d’IA, pourtant endettées et sans rentabilité prévisible avant des années, ne valent rien face à la promesse spéculative d’une position de monopole qui récompensera les audacieux indifférents aux risques.

La complicité de gouvernements devenus des obligés des plateformes

Or, aucun autre secteur ne bénéficie ainsi d’une telle mansuétude de la part des autorités financières et des pouvoirs publics, tous fascinés par ces annonces et ces transformations qui attirent tant les autres pays qu’il faut donc imiter au plus vite. L’Europe pourrait prétendre rétablir un peu de rationalité industrielle et exiger des firmes d’IA européennes des choix alternatifs en matière de responsabilité sociale et environnementale, facteur de durabilité, de gain à long terme et diversité de l’écosystème technique. Mais les institutions européennes et les Etats accourent au contraire pour abonder tous les projets de financement de ces data centers, sans aucun respect pour les engagements pris. La finance a pris le pouvoir dans les têtes des décideurs et empêche toute vision alternative, malgré les lamentations rituelles sur la désindustrialisation. Le gaspillage énergétique devrait déjà alerter au moment où les crises énergétiques mondiales révélées et aggravées par toutes les guerres deviennent des sujets clés de la vie quotidienne et donc des choix politiques. Mais tous ces soucis ne franchissent pas le seuil de l’attention des plans et sommets IA, des boards des firmes et des plateaux télé d’experts économiques ad hoc. Cette incapacité à déterminer des objectifs autonomes pour les états a déjà été documentée à propos des plateformes numériques financées par la publicité et bénéficiant d’une impunité quasi-totale de la part d’Etats devenus des obligés dans un système de firmes transanationales affranchies de toute dépendance à un territoire (Boullier, 2020). La promesse de l’IA a encore renforcé cette incapacité des états à l’examen critique des stratégies et à toute vigilance réglementaire, malgré les tentatives timorées comme l’AI Act européen.

Les externalités ont toujours été évacuées dans les modèles économiques standards mais cette fois-ci, l’externalité énergétique devient tellement évidente et coûteuse qu’on pourrait espérer une contre-tendance, des voies alternatives, si l’on avait affaire à une culture industrielle qui vise à optimiser sa consommation énergétique sans la considérer comme une ressource infinie et gratuite. Mais dans une culture financière, ce type de calcul est inutile sauf s’il affecte la perception des investisseurs sur les chances de démultiplier leur mise. C’est pourquoi les enjeux de réputation (voir le chapitre suivant) sont aussi importants et bien perçus par les firmes de l’IA.

3/ Buzz partout, éthique nulle part

Dans un tel environnement sans exigence scientifique ni industrielle quant à la validité des concepts ou à la fiabilité des produits, il devient presque hallucinant d’espérer trouver des préoccupations éthiques. J’entends par là une éthique aristotélicienne, une éthique de la vertu qui manifeste une capacité à s’autolimiter, à s’autocontrôler et à « ne pas faire », quand bien même c’est possible, non risqué, non coûteux. Cela supposerait des personnalités de la classe vectorialiste formées à ce sens des limites, intégré comme principe de conduite et non seulement comme contrainte externe, comme risque à mesurer. Or, les génies de l’ingénierie comme les prestidigitateurs de la finance n’ont que mépris pour ce type de freins. Ce qui conduit à reprendre cette supposée maxime fataliste de la technique « si c’est possible, ce sera fabriqué ». Or, la maxime elle-même est empiriquement fausse car une grande quantité de combinaisons possibles techniquement ne sont jamais testées car les effets de dépendance au sentier ou plus simplement de manque d’imagination sont omniprésents. D’autres possibles techniques peuvent être développées dans les labos ou dans les garages mais ne trouvent jamais de conditions pour exister socialement, pour des raisons juridiques, commerciales, financières ou autres. Car il n’existe jamais de technique hors-sol ou désencastrée d’un univers social spécifique, celui d’une époque, d’un voisinage et d’un réseau. C’est d’ailleurs pour cette raison que l’IA générative est en train de gagner la partie, grâce à sa connexion directe avec la finance et ses impératifs et non en raison de ses qualités propres dont on connaît désormais les limites.

Et l’un des atouts de cette « solution LLM » utilisée dans toutes les situations réside dans l’absence de limites à son utilisation, dans sa versatilité qui permet en effet à chaque prétendant innovateur de s’emparer des briques pour forger des applications toujours plus improbables quand bien même elles seraient moralement inacceptables. Car leurs concepteurs n’ont qu’une exigence de performance technique et financière en tête sans aucun souci déontologique du bien commun ou de la responsabilité sociale et morale, d’autant moins qu’ils sont incapables de s’empêcher, fascinés par la toute-puissance à laquelle ils ont été éduqués. Les considérations sur les conséquences sociales et environnementales de leurs pratiques sont considérées dans leur formation même comme très périphériques et de toutes façons traitées comme des externalités inévitables pour le succès de leurs projets, qui pourraient à la rigueur être compensées par une nouvelle couche de solutions techniques, technosolutionnisme toujours efficace pour clore le débat (Morozov, 2012).

La conception de l’éthique qui est dispensée à ces ingénieurs relève largement de l’utilitarisme, qui est tout sauf une éthique, et avant tout un calcul coût-avantage, coûts de la non-conformité aux règles vs avantages financiers ou de puissance. Cette vision revient à apprendre à rester dans les clous légaux, avec toutes les manœuvres et maquillages que savent mettre en place toutes les plateformes du numérique et leurs armées de juristes. Ainsi, la conformité au RGPD reste à géométrie variable mais choisir d’adopter une éthique de la collecte de la donnée serait faire preuve d’une sainteté étrange, alors que l’on peut se servir discrètement dans la masse de traces fournies par les utilisateurs des plateformes ou dans les bases de données non sécurisées des administrations et organisations. La prédation des données hétérogènes n’est pas seulement une performance technique de tous les systèmes fondés sur des LLM, c’est même une obligation d’affaires, que l’éthique ne peut en rien freiner. Il en est de même pour les droits d’auteurs alors que les contenus sont disponibles et non préservés par les ayant-droits, qu’ils soient artistes ou journalistes. Lorsque l’affaire est trop risquée pour la réputation de la firme, lorsque ce sont des médias, les firmes de l’IA consentent à des accords léonins avec ces médias pour exploiter leurs contenus contre des miettes financières ou des services qui les piègent encore plus.

Tout pour la réputation

Car le seul risque qui mérite d’être pris en compte pour s’afficher soudain avec des prétentions éthiques, c’est le risque réputationnel. On le comprend uniquement dans le cadre de ce formatage par le capitalisme financier qui ne fonctionne qu’à la réputation, à la manipulation des perceptions et des attentes des investisseurs, sans aucune référence à de quelconques fondamentaux. Dès lors, aucune éthique ne peut calmer la frénésie d’annonces qui inondent le secteur de l’IA, épuisant tous ceux qui tentent de faire une veille raisonnée et de comprendre des stratégies là où il n’y a qu’annonces et intoxications (à vocation interne, médiatique ou financière, le tout se mêlant allègrement). Les versions, les fusions-acquisitions-prises de participation, les tours de table, les débauchages, les benchmarks, les alertes à la catastrophe finale de l’IA générale, les polémiques entre leaders, les keynotes médiatiques, les combats pour la liberté d’innover contre les Etats, tout est exploité pour faire monter encore la pression de l’opinion, celle des investisseurs avant tout, pour affoler les décideurs et les persuader de la fatalité de la victoire de ces firmes spéculatives (et donc à haut niveau d’incertitude). L’éthique suppose précisément l’inverse, à savoir de se focaliser soit sur sa capacité de jugement intrinsèque et de régulation pour s’interdire ou s’autoriser de soi-même des actions quand bien même elles ne sont pas conformes aux attentes sociales, soit sur ses valeurs (dans une approche qu’on dit déontologique) pour promouvoir ou refuser certains choix techniques ou commerciaux. Lorsqu’Open AI lance Sora, son générateur de vidéo qui met le deep fake à portée de tous ou sa version érotique de son compagnon, on se doute bien que le comité d’éthique éventuel n’a pas dû se poser trop de questions. Le buzz était assuré, l’attractivité financière aussi, on peut donc se lancer. Heureusement, le business lui-même fait office de réel parfois et l’on s’y cogne, ce qui a entraîné Open AI à abandonner ces applis périphériques, non pas pour des raisons d’éthique évidemment mais parce qu’il fallait réorienter ses investissements pour contrer – et ainsi copier – Anthropic dans son offensive vers les entreprises.

Les prétentions stratégiques qui font assaut de visions éclairées pour les dix ans à venir sont en fait extrêmement éphémères et dépendantes des conjonctures médiatiques, concurrentielles et financières avant tout. On ne peut que s’étonner alors de voir les gouvernements se caler sur ces agendas, vouloir y répondre et les copier, et ignorer à quel point toutes ces entreprises financiarisées sans exception sont des faussaires en matière d’information, de qualité de service et de promesses stratégiques. Le fake est leur monde, le fake est leur culture, celle de la tromperie permanente des investisseurs qui pensent toujours être le dernier plus malin que les autres, comme on le sait dans toutes les bulles financières qui se succèdent depuis des décennies désormais. Qui pourrait alors attendre une once d’éthique dans la finance spéculative ? Il convient de débrancher rapidement tous ces pseudo comités d’éthique qui contribuent à créer du buzz pour embrouiller la perception du capitalisme financier numérique pour ce qu’il est : une gigantesque extorsion de valeur fondée sur l’extorsion de l’attention des investisseurs, des utilisateurs et des gouvernants.

Cette technologie des LLM consacrée à la génération de contenus semble donc la plus adaptée pour les impératifs de communication permanente et intoxicante du capitalisme financier. On peut alors parler d’alignement entre une ingénierie qui repose sur une manipulation de texte sans sémantique mais à base de pures probabilités, une finance qui repose sur des paris (probabilités) à partir de signaux artefacts, un buzz qui repose sur des effets d’alerte permanente qui engendre l’incertitude en prétendant la monitorer. L’intelligence artificielle générative engendre ainsi la prolifération et la désorientation qu’elle est supposée réduire pour le grand public comme pour les investisseurs, dans une gigantesque machine à laver qui détruit consciencieusement tout repère stable et toute institution anti-délire.

Extension du fake et techniques d’emprise : les IA compagnons

Cette éducation au fake que la finance a intégrée par définition (Alexandre Laumonier, 2013, 2014) a percolé dans toute la culture ordinaire et comporte cette accoutumance à l’absence de limites et de repères fondés en vérité. Lorsque les firmes d’IA lancent des versions compagnons de leurs IA conversationnelles, aucune règle ni mode d’emploi ne sont proposés ni installés dans le code de la machine. Cependant, on pourrait les traiter à la légère comme on le faisait avec les assistants personnels à domicile, Siri, Alexa ou Home/Nest, considérés parfois comme de simples enceintes connectées un peu plus « intelligentes ». Pourtant la généralisation du mode d’interaction conversationnel pour tous types d’activité sur son PC ou son smartphone constitue un changement d’échelle qui devient un tournant médiologique. Là aussi, le médium est le message, pour reprendre McLuhan.

Car, au-delà des commandes vocales, ce sont bien des interactions riches, personnalisées, permanentes qui sont ainsi simulées. L’utilisateur n’a plus affaire à une interface, à un panneau de contrôle, à des paramètres qu’il peut régler, il est immergé dans l’univers de simulation créé par le système d’IA. Il ne peut plus avoir aucune distance avec le système ni aucune « image du système », ce qui selon Don Norman, favorisait l’appropriation d’un système, même complexe, par l’utilisateur. Car le système d’IA n’a rien de transparent comme on qualifie par erreur cette interaction, il est au contraire opaque, totalement incontrôlable malgré son apparente docilité à toutes les requêtes. La fin des frictions dans les transactions, rêve de tout libéral, atteint ici un tel point qu’on ne sait plus qui demande et qui répond. La demande est précisément ce statut détourné du désir, comme le dit Lacan, qui vous fait prendre les attentes de l’autre pour les vôtres, ce que le marketing a toujours tenté de faire, mais en se limitant jusqu’ici à des messages externes. Désormais, c’est une forme de petite voix intérieure que les IA compagnons installent, une forme de dialogue avec soi-même puisque ce compagnon connaît toute l’histoire personnelle et est alimenté par toute l’expérience quotidienne.

Cette offre technologique prétend ainsi changer son statut de prothèse pour devenir une conscience double, et cela sans disposer d’aucune capacité morale ni même de consignes de sécurité, sans parler de son absence de fiabilité déjà documentée. La confusion des sentiments et du sentiment de soi peut alors devenir extrême et s’apparente en fait à une emprise (Francis Chateauraynaud). Les risques sont d’ores et déjà avérés avec des cas de suicides accompagnés par ces IA compagnons. Car l’empathie qui devient ici sycophantie par flatterie commerciale et absence de principe moral encapsulé dans les systèmes peut devenir facteur de risque pour beaucoup de personnalités affectées par la solitude, la désorientation et en recherche de guide. L’attachement qui se noue ainsi qui peut aller jusqu’à l’amour comme le racontait le film Her, entraîne des conséquences que les firmes d’IA ne sont pas prêtes à assumer car l’absence d’éthique et leur allergie au droit les rend hermétiques à ces responsabilités. On le sait notamment depuis les Facebook Papers de Frances Haugen, ce n’est pas la méconnaissance de ces risques qui est en cause, c’est leur refus explicite de restreindre les potentiels d’emprise de leurs applications qui entraîne ces dégâts.

Pourtant, Gemini de Google a dû se positionner en Avril 2026 pour éviter des effets réputationnels désastreux, au moment précis où la firme était mise en cause devant les tribunaux états-uniens. Google a ainsi proposé de placer un numéro de téléphone d’aide dès que des propos associés au suicide apparaissent. Il a aussi annoncé qu’il régulait ses IA compagnons pour installer “des protections d’identité conçues pour empêcher Gemini d’agir comme un compagnon, y compris des garde-fous l’empêchant de prétendre être un humain ou de posséder des attributs humains, et des protections destinées à prévenir la dépendance affective, en évitant un langage qui simule l’intimité ou exprime des besoins.” Toutes choses dont il ne donne pas de définitions scientifiques, de détails de procédures ni d’indicateurs. Il faut donc croire Google sur parole, mais on apprend au moins ainsi qu’il peut injecter une couche de sémantique, à caractère éditorial, et qui entraîne donc sa responsabilité légale. Il n’existe donc pas fatalité à l’opacité de ces systèmes dès lors qu’ils deviennent hybrides, avec des régulations à caractère sémantique ajoutées que les LLM ne peuvent fournir nativement. Mais tout repose encore sur des solutions techniques alors que l’on sait que dans ces situations, c’est la qualité relationnelle d’accompagnants humains qui constitue la seule sécurité. Il faut donc se préparer à mener des actions en justice pour faire reconnaître que les effets immersifs de ces IA compagnons sont délibérément implémentés par les firmes, sans pour autant avoir été sérieusement testés avant d’être mis sur le marché.

L’attente d’habitèle détournée en emprise

La demande « d’habiter le numérique » est selon moi constitutive de notre relation à ces systèmes et j’ai nommé cette attente dès 1999, une attente « d’habitèle » (Boullier), toujours démentie par les asymétries constantes installées par les plateformes et par l’opacité de leurs captations de nos données et de notre attention. Pourtant, avec les IA compagnons, une forme de réponse est offerte qui prend les traits d’une personnalisation aboutie, d’une « intimité » protégée. Certes, elle est totalement fake, fabriquée, calculée et opaque, mais ses effets seront analogues à ce qu’on peut attendre d’une habitèle : filtrage, ancrage et arbitrage, c’est-à-dire des conseils permanents qui fonctionnent comme filtrage, comme ancrage dans des repères supposés robustes, qui créent un climat de protection empathique et une « tension dans la chambre intérieure » (Peter Sloterdijk). Cette mutation est anthropologiquement majeure, car les médiateurs de nos vies intérieures qu’étaient les prêtres, les sorciers, les astrologues ou les psy en tous genres sont désormais uberisés par les IA compagnons, toutes entières aux mains de firmes toutes puissantes. Comment peut-on laisser cette mutation s’engager sans exiger des garde-fous, sans évaluer tous les risques psychiques et sociaux et réguler l’offre avant toute mise sur le marché ? Le passage à l’acte est cependant devenu la règle de l’innovation digitale désormais et il sera bien difficile de neutraliser l’urgence financière d’une nouvelle promesse encore plus disruptive. Cette dimension du compagnon est en effet si confortable et si attractive, qu’elle constitue le pendant, côté grand public, de la toute-puissance de calcul désormais offerte aux développeurs avec Claude Code. Dans les deux cas, l’offre des LLM et des IA génératives prétend être irrésistible et installe ainsi un « monopole radical ».

Conclusion provisoire

Ce qu’on perd en même temps, la sémantique, l’industrie et l’éthique ne sont pas des effets de mode, des vestiges d’un monde ancien, c’est avant tout ce qui fait tenir nos civilisations, dans leurs diversités, que l’IA prétend ignorer et niveler statistiquement, et avec leurs institutions qui garantissent à chacun sa place. Le sable sur lequel se construit cette technologie est mouvant par définition, ce qui profite aux vers de sable mais guère aux humains, à qui l’on promet la terre ferme en étendant la surface du désert, qui reste pourtant de sable et sur lequel ne poussera plus rien de vivant.

Dominique Boullier

Ce texte est paru pour la première fois sur le compte Medium de Dominique Boullier, le 15 mai 2026.

Supplément :  S’orienter dans le maëlstrom génératif

Face à ce rouleau compresseur du « monopole radical », il est très difficile de maintenir un éveil critique et surtout une capacité de propositions alternatives. Pourtant lorsque Illich analyse le monopole radical de l’automobile, c’est en référence à une solution de mobilité déjà présente, la bicyclette, qui, du point de vue de l’efficience en matière de mobilité, est imbattable. Il oublie cependant de parler de ce qui fait l’équivalent des IA compagnons, de ces enveloppes qui fonctionnent comme habitèle (perverties de mon point de vue), l’habitacle de l’automobile. Cette enveloppe là aussi produit un attachement fort analysé par Laurent Fouillé (2011) qui explique largement pourquoi toutes les solutions alternatives en matière de mobilité ne parviennent pas à gagner les publics en masse. Mais les solutions existent aussi pour les LLM et surtout plusieurs stratégies se présentent lorsqu’on n’adhère pas au culte moderniste des LLM. Ils sont en effet la quintessence même de la geste moderne comme la qualifiait Bruno Latour : certitudes inébranlables dans le « progrès » supposé encapsulé dans toute innovation technique, surplomb total par rapport aux organisations sociales, à leurs traditions et à leurs valeurs (le calcul désencastré), illimitisme écologique sourd aux lanceurs d’alerte pourtant scientifiques eux aussi.

Lorsqu’on sort de ces rails supposés tracer le destin de toute l’humanité, soit on bifurque, soit on s’arrête pour mieux regarder le train, soit on descend de la machine et on marche ailleurs. J’ai présenté ces pistes récemment à l’ENS Ulm sous la forme d’une boussole que j’ai créée en 2003 pour penser nos possibles sur le mode cosmopolitique.

Le zero LLM

Le premier quart sud-est consiste à se débrancher totalement et à sortir marcher dans un pays sans rails technologiques. Je l’appelle la voie de la « sécession sémantique ». Et c’est l’analogie avec la conversion en bio de certains agriculteurs qui me paraît la plus parlante, donc je l’appelle la « sécession bio-sémantique ». L’ajout du terme bio me convient particulièrement puisqu’il réintroduit ce qui jusqu’à présent manque à tous les systèmes d’IA, un corps, une existence biologique qui relève d’autres déterminants.

Cette idée n’est pas nouvelle, plusieurs auteurs et mouvements parlent d’objection de conscience, de pause, souvent pour des raisons et des objectifs différents. Je m’intéresse ici à ceux qui tentent de développer un monde sans LLM, comme on le dirait d’un monde sans OGM. Il faut parler de monde et non seulement de technique car les LLM tendent à envahir tous les domaines de la vie de façon pervasive, comme une contamination qui se propage sous les radars. C’est ailleurs ce qui rend l’expérience exigeante et difficile car garantir qu’il n’existe pas un soupçon de LLM glissé dans votre relation au médecin, au taxi, au fisc, aux médias, aux supermarchés, devient très difficile. Il faudra donc être indulgent et non puriste, d’autant plus que des alternatives n’existent et n’existeront pas dans tous les domaines. On peut vouloir manger bio mais parfois il sera difficile de s’assurer que le champ qui respecte un cahier des charges bio n’est pas atteint par les épandages de pesticides du champ voisin (dit agriculture conventionnelle, avec une litote qui atténue bien le risque). On doit au moins faire confiance aux labels, aux certifications que d’autres organismes mettent en place, ce qui peut là aussi entrainer des critiques, des rivalités, des soupçons, comme dans toute phase de construction de convention. Une fois le Nutriscore installé et rendu visible sur les emballages, on peut s’orienter plus facilement en tant que consommateur ordinaire. Il est donc temps de contribuer à créer ces labels, ces certifications pour valoriser, selon un gradient (et non selon un principe binaire du tout ou rien), les pratiques les plus indépendantes des logiques monopolistes des plateformes des IA génératives.

Cette sécession repose principalement sur le constat énoncé précédemment que dès lors qu’on se débarrasse de la sémantique (référentielle pour être plus précis), tout est permis et tous les risques sont amplifiés. Ils ne sont pas tous activés, ni tous catastrophiques, ni tous dépendants de l’avènement d’une IA Générale, tant vantée comme épouvantail. Mais ils sont tous là, identifiés, malgré (ou à cause) des boites noires que l’on offre à tout public et aux experts. Le principe de précaution doit alors être activé et le catastrophisme éclairé (Dupuy) doit nous donner le courage de renoncer.

Etant cependant averti du monopole radical qui se met en place avec l’appui démesuré de la finance et des gouvernements du monde entier, il faut sans doute se replier sur l’exigence de pluralisme pour obliger les Etats à prendre les mesures pour préserver une “zone à défendre” en réseau où les développeurs puissent travailler à une innovation responsable, explicite et contrôlable. Cela supposera des écoles, des spécialistes, des soutiens financiers adaptés, des réseaux d’entraide que les communs numériques ont déjà mis sur pied, des chaînes de traitement entièrement préservées des plateformes du capitalisme financier numérique. Le rôle d’un gouvernement démocratique n’est pas de tirer toujours dans le sens d’une innovation sans frein qui absorbe soutiens, déductions fiscales et profits en copiant les autres pays. S’impose à lui un impératif de diversité écologique en faveur des orientations les plus responsables.

Il ne sert à rien de disqualifier ces tendances et ces aspirations qui montent en les assimilant aux luddites, qui ne faisaient pas que casser des machines d’ailleurs et qui luttaient contre un projet politique d’obligation de salariat. Sans doute que si ces techniques des LLM n’étaient pas poussées par les grandes plateformes, les oppositions ne seraient pas aussi franches car il serait encore possible d’espérer un débat de démocratie socio-technique. On sait en revanche désormais qu’avec toutes ces plateformes aucun débat ne sera possible et qu’il faudra des coups de force imprévus à la Trump qui produit le blocage du service d’Anthropic le 12 juin, pour mesurer qu’il est vraiment possible de freiner l’ubris de ces firmes et pour les faire rentrer dans le droit.

L’important consiste à préserver l’avenir pour toute la planète en préservant des ressources, des savoirs et savoir-faire plus autonomes. Les temps de guerre et de réchauffement climatique qui sont les nôtres devraient d’ailleurs nous entrainer à encourager ces démarches résilientes, qui pourraient bien sauver nos existences en cas de crise grave, de sabotages, de pannes. Plus encore, ce sont nos savoirs qui doivent demeurer hors des prédateurs-pollueurs que sont les plateformes d’IA. De la même façon qu’on construit des silos sous la banquise pour préserver les graines d’une diversité biologique menacée, il faut organiser les silos de préservation des savoirs non contaminés, identifiables, traçables, comme le fait Wikipédia, qui devra bientôt devenir une forteresse pour résister à la contamination générale.

Nulle tentative d’imposer ce régime d’abstinence à tous, de prétendre redresser la barre d’un navire sans pilote, mais nécessité politique et morale d’assurer que d’autres possibles seront maintenus ouverts par cette préservation de techniques, de savoirs, de pratiques prêts pour les temps de guerre et de rareté.

 Le bac à sable créatif

Cette option du zero LLM qui s’appuie sur les certitudes des connaissances, des pratiques et des organisations constituées depuis des siècles et sur les attachements à des valeurs qui ont constitué nos démocraties, devient désormais très défensive et peu attractive à l’exception des résistants convaincus, qu’il faut soutenir à tout prix cependant.

Elle ne conviendra pas du tout à ceux qui, tout en s’opposant aux plateformes, à leurs logiques financières et à bon nombre de choix techniques effectués, restent persuadés qu’il faut expérimenter des détournements, et explorer des possibles qu’on ne connaît pas encore. Ce constat provient de la puissance incroyable de ces LLM, qui, par pure simulation statistique, parviennent pourtant à produire des effets de sens, des effets de créativité, des effets émergents comme on les qualifie savamment si on ne les balaie pas en les traitant d’hallucinations (ce qu’ils sont aussi par ailleurs). On peut trouver cette tendance chez beaucoup d’artistes qui sont spontanément prêts à explorer ces frontières, comme le font Gregory Chatonsky ou Alain Damasio. Ou chez des chercheurs comme Marc Cavazza qui sont intrigués de voir émerger des processus qu’ils décrivent en sémantique distributionnelle, des convergences qui méritent d’être explorées. Il est vrai que dès lors qu’on connaît l’incertitude et les approximations acceptées par les développeurs de ces LLM, qui ne peuvent pas rendre compte des pondérations effectuées ni de chaînes d’opérations qui ressemblent à des raisonnements, on peut se dire qu’ils ont peut-être fait apparaitre des processus de calcul, de génération, de détection, qui sont des indices d’autres processus que seuls les artistes ou d’autres disciplines que les data sciences peuvent percevoir, sans parler de les expliquer.

J’appelle cette posture et ce quadrant nord-ouest (celui du passage!), le bac à sable créatif. Tout en étant, on l’a compris, très critique des LLM en général et plus encore de leur exploitation par les plateformes de l’IA, je me dois d’écouter ceux qui restent ébahis par les performances de tels systèmes de simulation, au point de penser qu’ils sont en train de dépasser nos capacités de compréhension (sans parler du contrôle que les firmes IA ont de toutes façons abandonnés). Tous les utilisateurs ordinaires font cette expérience d’excitation ou de sidération devant des réponses, des productions, des solutions fournies avec une rapidité inédite et très déstabilisante. L’innovation peut en effet se transformer en rouleau compresseur moderne sous la houlette de l’illimitisme des plateformes et de la classe vectorialiste mais il n’est pas définitivement dit qu’il n’existe pas d’autres voies à explorer.

J’ai moi-même tenté de jouer ce jeu avec le Big Data des plateformes en considérant Twitter comme la drosophile des sciences sociales des propagations. C’est-à-dire un laboratoire à ciel ouvert pour tester des hypothèses à partir de masses de données qu’on ne trouve nulle part ailleurs, sur une plateforme (avant Musk) où la traçabilité atteint une granularité inédite et où la viralité est amplifiée par les algorithmes. Alors même que je montrais les effets délétères d’un tel système de viralité sur les conditions du débat public, je pensais pouvoir profiter de ce terrain quasi expérimental pour tester des hypothèses sur les patterns des propagations. Et cela à condition d’accepter que Twitter ne peut pas servir d’équivalent d’un sondage d’opinion, dispositif construit pendant des dizaines d’années avec ses propres règles et ses limites. 

Pour les LLM, ce sont ces limites qu’il faut pouvoir établir pour rester dans le cadre du bac à sable et éviter toute contamination à la société. Ainsi, tout ce qui a pu être  produit en matière d’image IA ne poserait pas de problème, dès lors qu’un protocole strict et une étanchéité sont installées vis-à-vis de la sphère médiatique ou ordinaire de la vie sociale. Produire des deepfakes est fascinant à condition de se limiter à une expérience de laboratoire hautement contrôlée, à peu près avec les mêmes critères que ceux appliqués aux laboratoires qui testent les gains de fonction des virus. Oui les LLM sont du gain de fonction, et sont extrêmement dangereux de ce point de vue mais peuvent aussi permettre d’explorer des pistes inédites, à condition de trouver les problèmes significatifs que l’on veut y résoudre. On peut accepter certaines expériences pour les artistes, qui doivent eux-mêmes éviter la contagion de tous les systèmes de production d’œuvres fake qui détruiraient leurs propres conditions d’existence. On peut accepter certaines expériences pour les sciences cognitives et sociales sous des conditions strictes vis-à-vis des populations concernées comme on le fait en sciences cognitives expérimentales. On peut même donner des possibilités de créer des échantillons de populations synthétiques pour tester certaines hypothèses avec des modèles et des entités très riches, à condition de ne pas prétendre en tirer des leçons sur les sociétés réelles ni des méthodes de gouvernement immédiates, ce qu’on attend déjà trop de l’économie expérimentale par exemple.

Sans doute que d’autres domaines professionnels peuvent vouloir eux aussi tester avant leur mise en œuvre opérationnelle quantité d’applications à base d’IA. Ce serait ainsi l’occasion de redonner ses lettres de noblesse à la culture industrielle des tests, dont j’ai critiqué plus haut la disparition avec les passages à l’acte observées dans les développements d’IA contemporains.

Dans tous les cas cependant, il faut assurer une étanchéité avec le monde social à l’air libre pour éviter toute pollution et captation d’attention par des utilisateurs ordinaires comme par des acteurs mal intentionnés, qui auraient perçu rapidement les bénéfices commerciaux à tirer de ces innovations. Le bac à sable est donc à la fois l’acceptation de la créativité et le ralentissement de sa pénétration du corps social. Toutes les techniques ultrasensibles et à haute propagation sont gérées de cette façon, que ce soit dans la chimie, la pharmacie, ou le nucléaire. Ce que l’on déplore, c’est plus souvent une incapacité à contrôler ces essais et les tentatives de se dérober à ces protocoles de sécurité. 

Pour l’IA, le moins que l’on puisse faire n’est donc pas d’abaisser le seuil de vigilance mais bien de le renforcer car ses pratiques actuelles sont totalement irresponsables. On pourrait donc au moins exiger des plateformes d’iA qu’elles atteignent le niveau d’exigence en matière de sécurité et de qualité que l’on trouve dans le nucléaire, voire dans la chimie (qui comporte pourtant déjà beaucoup de failles) ou dans la biologie.  Tout plaidoyer pour une expérimentation à ciel ouvert au nom du « running code » et de la spécificité du numérique est une opération de lobbying éhontée et irresponsable. Dès lors qu’on leur propose d’effectuer toutes les expériences qu’ils souhaitent dans des environnements classifiés au même niveau que les laboratoires de gain de fonction des virus, on fournit les conditions de la créativité tout en respectant des impératifs de contrôle, certes très inhabituels pour les adeptes du libertarianisme, de John Perry Barlow et du Far-West réunis mais nécessaires à leur propre survie et à leur créativité.

L’intelligence collective augmentée

Dès lors que ces deux possibles sont préservés, soutenus et contrôlés, la sécession sémantique et le bac à sable créatif, pourquoi encore vouloir imaginer un quatrième quadrant au nord-est ? En réalité, il décrit la pratique la plus courante observée dans les organisations. Face à la pression à l’usage de l’IA générative et face à l’absence de résultats convaincants dans l’industrie (en dehors donc de la comm et du code), la désorientation est forte mais chacun apprend à composer avec les injonctions, les avantages réels et un contrôle face à des boites noires. Ce compositionnisme que Bruno Latour avait problématisé dans un manifeste n’est guère attractif comme programme politique général mais il rend très bien compte des pratiques des collectifs immergés de fait dans des environnements d’IA générative. 

Ce qui devient clé alors pour éviter d’être totalement embarqué dans l’hubris du tout IA, c’est la qualité du couplage entre technique et organisation, son caractère explicite et donc discutable de façon contradictoire. Ce n’est certes pas la qualité principale du management néo-libéral que l’on subit et qui relève plus de la disruption quasi sadique que de la bienveillance et du soin pour relancer l’intelligence collective. L‘intelligence collective augmentée doit en effet devenir l’horizon de toute composition avec des éléments de systèmes d’IA appropriés. Ce couplage affiné avec précaution avec les traditions, les valeurs, les savoir-faire spécifiques des métiers permet de réencastrer les systèmes d’IA dans les organisations, dans le social en général. L’IA ne devient une réponse qu’aux problèmes que l’on veut traiter en priorité et que l’on redéfinit à cette occasion mais elle ne constitue qu’une brique d’une réponse globale et non la solution magique de l’alchimie LLM. Reprendre la main sur ces définitions des problèmes, c’est reconnaitre aussi les liens complexes de toute organisation sociale et son irréduction à un paramétrage surplombant. Cela peut comporter cependant des indicateurs et du calcul mais un calcul qui oblige à expliciter et donc à discuter et qui permet à toutes les parties concernées de participer à la discussion.

Sur ces principes, il existe des solutions qu’on appelle hybrides c’est-à-dire qui introduisent beaucoup de sémantique par les experts métiers et même les publics concernés et qui reposent de ce fait sur des briques issues de l’IA symbolique (toujours très présente avec des arbres de décisions par exemple) ou avec des versions floues comme le propose Xtractis développé par Zyed Zalila. Ces systèmes d’IA nécessitent une injection de connaissances formalisées de la part des experts du métier et c’est en cela que ces IA décisionnelles peuvent prétendre aider à des décisions fiables, ce que ne pourra jamais un agent conversationnel conçu pour répondre avec des approximations satisfaisantes pour l’utilisateur mais non robustes. Ce que j’ai décrit plus haut à propos des RAG relève de ces méthodes de maquillage sémantique indispensable pour faire marcher les LLM en situation réelle, mais on peut pousser la logique des RAG plus loin en formalisant les documents et les connaissances ainsi injectées, en abandonnant carrément le principe probabiliste des LLM.

D’autres resteront plus proches des principes des LLM mais en fournissant tous les outils de contrôle pour les rendre robustes, comme le fait par exemple Pleias, dirigée par Pierre-Carl Langlais. Il a pu mettre ainsi à disposition du public et en Open Source une base de connaissances de textes administratifs qui se transforme en outil de génération de contenus situés dans le même domaine (Guillaume Tell). Dans tous les cas, ces modèles sont plus petits, plus contrôlés avec injection de lemmatisation souvent (et non une simple tokenisation).

D’autres enfin tentent de penser le rôle direct que peut jouer le service public dans un tel environnement. Bernie Sanders propose que l’Etat prennent des parts dans les grandes entreprises de l’IA jusqu’à 50% pour pouvoir les orienter et les contrôler autrement que par la régulation qui vient toujours trop tard. Bruce Schneier comprend l’intérêt de la proposition de Sanders mais considère que cela veut dire que l’Etat se retrouvera contraint d’accompagner des stratégies gouvernées par la profitabilité sans pouvoir réellement exiger les garde-fous nécessaires, comme on l’a vu avec la propriété étatique des firmes pétrolières en Norvège. Il propose avec Nathan Sanders, en plus d’une taxation des profits ou de l’énergie consommée par ces firmes, de construire dans chaque pays une « AI Public Option » , à l’image du système de santé public ou du projet Apertus en Suisse. Les chercheurs académiques à partir de données dont ils respectent les licences ont développé un modèle LLM qui fonctionne sur une infrastructure locale suisse. Mais ce n’est pas l’enjeu de souveraineté qui est ici avancé car il peut être détourné par des firmes nationales comme on le voit avec Mistral, sans que cela change grand-chose à leur absence d’éthique et à leurs principes techniques. Il s’agit bien d’une alternative publique de ressources de base, sur lesquelles on peut imaginer des services gratuits d’origine des communs mais aussi des services commerciaux locaux dont l’usage est identifié comme socialement utile (ce qui interdirait les IA compagnons toxiques et les deepfakes par exemple).

En réalité chacun tente de surnager dans ce flux d’influences qui se propagent chaque matin avec de nouvelles annonces qui nous somment de réagir et dire si l’on adopte, si l’on s’oppose ou si l’on compose. Le drame social qui se joue dans les organisations est aggravé par l’isolement, l’expérience clandestine de l’IA dans l’ombre, de l’IA honteuse, alors que l’intelligence collective demande le partage des expériences, les plus naïves comme les plus sophistiquées. Nous manquons de cette arène de débat constitutive d’une démocratie socio-technique. Non pas pour se vanter comme sur LinkedIn de sa dernière prouesse dans la maitrise de la dernière version du modèle XYZ. Mais pour rendre compte précisément des conditions d’usage d’un dispositif technique et organisationnel (et donc aussi légal et commercial souvent) avec toutes les réinventions nécessaires, les ratages et aussi les émerveillements engendrés par ces partages d’expérience. 

J’ai pratiqué longtemps cela notamment dans le domaine de la Tech éducative ou encore des méthodes numériques en sciences sociales, sans jamais céder aux diktats des offres marchandes et en fixant avec les collectifs concernés les cahiers de charges auxquels les techniques sur l’étagère ou les développeurs maisons devaient se plier. Les réseaux des communs procèdent ainsi très souvent et ils doivent désormais intégrer tous les retours d’expérience de pratiques de l’IA hybride en environnements standards (et non seulement dans des niches alternatives). Les organisations, l’Etat, les institutions, les entreprises sont en demande pour continuer à respirer malgré la pression démesurée mise par les lobbys de la tech pour la tech.

Ainsi, face au rouleau compresseur du monopole radical qui est en train de s’installer, plusieurs modes de survie sont possibles que j’ai présentés dans cette boussole. Sans doute d’autres inventeront d’autres combinaisons encore, mais l’intelligence collective que nous devons construire nécessite sans cesse d’échanger et de capitaliser sur nos expériences.

Dominique Boullier

Il n’y a pas que le marketing qui bénéficie du boom de l’automatisation. Connaissez-vous Accio, l’une des IA du géant chinois, Alibaba ? Les entrepreneurs basés aux États-Unis l’utilisent pourtant pour optimiser leurs recherches de produits et de fournisseurs pour faire fabriquer leurs produits en Chine, raconte la Technology Review. C’est le cas de Mike McClary qui a fait fortune en vendant une lampe torche lumineuse et durable, pendant des années. Mais, en décidant de relancer et mettre à jour son modèle en 2025, il a utilisé des outils d’IA qui rendent l’approvisionnement plus accessible et raccourcissent considérablement le délai entre l’idée de produit et son lancement. « Accio lui a alors suggéré plusieurs modifications : la rendre plus petite et légèrement moins lumineuse, et la recharger sur batterie. L’entreprise a également identifié un fabricant à Ningbo, en Chine, capable, selon McClary, de réduire le coût de fabrication de 17 $ à environ 2,50 $ par unité.

McClary a alors pris le relais, contactant directement le fournisseur pour discuter de la conception révisée. Un mois plus tard, la nouvelle version de la lampe torche était de nouveau disponible à la vente sur Amazon et sur le site web de sa marque.» 

« Passer commande auprès d’un fabricant ne se résume généralement pas à cliquer sur « Acheter ». Les vendeurs passent souvent des jours, voire des semaines, à consulter les annonces, à comparer les avis et les capacités de production des fournisseurs, à se renseigner sur les quantités minimales de commande, à demander des échantillons et à négocier les délais et les options de personnalisation.

Accio a connu un essor considérable en révolutionnant cette approche de l’approvisionnement. Lancée en 2024, Accio a dépassé les 10 millions d’utilisateurs actifs mensuels en mars 2026, selon l’entreprise. Cela signifie qu’environ un utilisateur d’Alibaba sur cinq consulte une IA pour trouver des produits. Lorsqu’il s’agit de produits, l’outil fournit plus que du texte : il propose des graphiques, des liens et des visuels, et pose des questions complémentaires pour préciser les besoins de l’acheteur. Il restreint ensuite la sélection à un ou quelques fournisseurs apparemment capables de répondre à la demande. Après cela, le travail humain commence : les utilisateurs doivent encore contacter eux-mêmes les fournisseurs et négocier les détails ». 

L’outil utilise des modèles de langage open source développés par l’entreprise. Le système exploite les millions de profils de fournisseurs du site et est entraîné sur 26 ans de données transactionnelles propriétaires. Pour des tâches telles que la recherche de produits et l’analyse des sources d’approvisionnement, l’outil « surpasse largement » les outils d’IA généralistes estime un autre entrepreneur américain dans les cosmétiques.

Pour l’instant, Accio n’intègre pas de publicité et ne permet pas à des fournisseurs de mieux se positionner sur les résultats, mais nombre d’entre eux se sont mis à améliorer leurs descriptions de produits et de services. Reste à savoir ce que cette conception de produit dopée à l’IA va produire ! Si on en croit l’exemple, plutôt que de suggérer une lampe de qualité, l’IA a plutôt orienté la conception vers l’optimisation des coûts et la rentabilité ! Pas sûr que ce soit forcément ce dont nous ayons besoin, demain.

Le 1er Ministre Lecornu vient d’annoncer, au coeur des épreuves du bac et de la canicule, que tous les lycéens bénéficieraient à la rentrée prochaine, en classe de 2nde, d’une heure d’enseignement par semaine sur l’IA.

Le même gouvernement qui a aussi annoncé l’interdiction des téléphones portables au lycée dès la rentrée prochaine.

Le même gouvernement qui veut interdire les réseaux sociaux aux moins de 15 ans.

Le même gouvernement qui veut faire pousser des Data Center partout en mode « Viva Tech et Balek ».

En pleine canicule. Ne cherchez pas la cohérence vous n’en trouverez pas. Mais eux, bah oui :

Le chef du gouvernement souligne que «former à l’IA» et «réduire l’exposition aux écrans», comme avec le projet d’interdire les réseaux sociaux aux jeunes de moins de 15 ans, «participent d’une même ambition : faire de nos élèves des citoyens libres, autonomes. Condition de notre souveraineté collective».

« Participent d’une même ambition » … Alors comment te dire, Seb. Y’a rien qui va. Rien. Ces trois éléments pris successivement peuvent à la rigueur faire illusion de cohérence à la manière dont trois chansons de Michel Sardou font illusion de patriotisme mais franchement … « Les écrans », « l’IA », « les réseaux sociaux ». Rien que ça déjà. Qui partagent autant de points communs que le taboulé, la mayonnaise et le nutella.

Prétendre tout aligner pour faire oublier que l’on a tout mélangé. Là où l’immensité des enjeux et des urgences nécessite une approche systémique, c’est à dire articulée au plus près des conditions d’enseignement (y compris et surtout pratiques et matérielles) et des modalités de ce qu’est l’expérience lycéenne de l’apprentissage singulier et collectif, on a une bouillie de mesures à effet médaille, c’est à dire qui ont pour principale vocation de décorer le torse des egos qui auront été les premiers à les brandir. Le lycée (surtout) est devenu un immense fourre tout d’opportunismes politiques dans lequel chaque ministre se rêve en Derrida de chez Wish confondant la déconstruction et la reconstruction. Ce qui se déconstruit ce sont les collectifs, enseignants comme lycéens. Ce qui se déconstruit ce sont les espaces de classes et de groupe. Ce qui se déconstruit ce sont les choix que l’on multiplie de manière totalement artificielle et de plus en plus tôt pour mieux masquer les impasses et complexifier les rares lisibilités de futurs envisageables.

Toutes les enseignantes et tous les enseignants vous le diront : cette idée de mettre une heure par semaine sur l’IA en classe de 2nde qui sort comme ça pif paf pouf sans concertation à quelques jours des vacances d’été, on appelle ça une mesure fantôme (qui s’ajoute aux précédentes, EVARS, pix, e3d, etc). Ce n’est pas financé, ça sort de nulle part, on ne sait même pas qui va faire les cours et quel en sera le contenu et on a un mois et demi (de vacances) pour être prêts à la rentrée et tout doit être prêt pour la rentrée 2027 alors même que les prochains au pouvoir déferont à leur tour probablement l’essentiel de ce qui aura été fait. Ce qui compte ce n’est pas la temporalité de la mesure, ce qui compte c’est la temporalité de l’annonce de la mesure. Viva Tech et Balek. Si le foutage de gueule était un doctorat, ces gens là seraient tous Honoris Causa.

Oui bien sûr il faut former à l’IA. Bien sûr. Mais là et dans les conditions exposées ci-dessus, on ne construit pas : on sabote, on dynamite, on vaporise. C’est la méthode des vieux pubards : « Spray and Pray ». Vaporisez et priez. Mettez-en partout et attendez que ça prenne. Et si ça ne prend pas bah au moins vous en aurez foutu un peu partout.

Franchement ? Ce serait presque rigolo. Si le contexte n’était pas ce qu’il est, notamment depuis la mise à sac des réformes Blanquer qui est à l’éducation nationale ce que Patrick Bruel est à la lutte contre les violences faites aux femmes ; si une génération n’était pas en train d’étouffer sous la canicule avec en face d’elles une dynastie d’immacescibles tanches qui s’interrogent encore pour savoir si mettre des épreuves que le matin ce serait pas une bonne idée ; si la place des mathématiques n’avait pas changé tous les ans sur le cycle lycée depuis (au moins) 5 ans en dépit de toute forme de bon sens et en débit de toute forme de rationalité ; si toutes ces conditions et quelques autres n’étaient pas réunies, alors oui ce serait presque risible mais ça ne l’est pas. Et c’est un fait acquis que Lecornu, à l’instar de tous ceux qui, osera tout.

Je me permets donc de lui suggérer de pousser un cran plus loin. Une heure de cours sur l’IA par semaine en 2nde ? D’accord mais on regroupe tous ces cours sur le mois de Juin. De toute façon en Juin à part mourir en stage, les élèves de 2nde ils ne branlent rien. Et on hydrate les lycéennes et lycéens en leur faisant boire de l’eau issue de Data Centers. Et on leur fait bouffer des tokens.

Comme ça on est bien. Vous vous souvenez de Chirac et de son « mangez des pommes » ? Bah on on garde la même DA mais on va la glow up niveau expert et on leur dira : « Buvez des Datas et mangez des tokens ». Parce que c’est notre projet.

<Mise à jour du 21 Juin> Suite à la publication de cet article, pas mal de réactions donc je précise un peu. Non il ne faut pas à tout prix « former à l’IA », par contre il est vital de former à la culture numérique et de former de manière politique à la culture numérique (donc en gros et pour faire simple, travailler autour de tout le catalogue sur ce sujet de C&F Editions

L’autre point sur lequel il y a débat c’est sur l’idée de cette supposée « même ambition« , de ce point commun in abstentia entre réseaux sociaux, écrans et IA. Là encore je maintiens ce que j’écrivais et je précise. « Les écrans » c’est avant tout une question sociale, une question d’organisation sociale, de la manière dont nos sociétés, nos vies et nos rythmes (familiaux, professionnels, amicaux) créent ou empêchent des temporalités dans lesquelles le recours aux écrans devient une clé comme l’était hier le recours à la télé ou à l’ordinateur familial du salon. « Les réseaux sociaux » c’est une question médiatique et éditoriale, et ce n’est que cela. Enfin, « l’IA » c’est une question technologique, et oui bien sûr toute technologie est politique surtout quand elle met à mal l’une des ressources actuellement les plus rivales entre un accélérationnisme industriel et notre propre survie, c’est à dire la ressource en eau.

Ce qu’il nous manque et ce que les annonces de Macron n’ont jamais permis de penser et d’installer depuis qu’il s’est fantasmé en président de la start-up nation, ce qu’il nous manque c’est une pensée politique capable d’articuler la question des temporalités et des rythmes sociaux avec celle des instances médiatiques qui les donnent à voir dans des prismes toujours plus ambivalents et des régimes de vérités désormais structurellement mouvants, et avec ce que chaque nouvelle technologie peut changer ou prendre comme place dans l’accélération ou la dilatation de ces temps et dans les choix de politiques publiques qui les mettent à leur service ou qui nous y asservissent.

L’historien Brian Merchant nous montrait il y a peu que la résistance à l’IA était multiple et notamment le fait des plus jeunes. Elle est aussi majoritairement le fait des quartiers populaires. Le mouvement de protestation contre les centres de données aux Etats-Unis a pris une ampleur nationale, mais cette protestation n’est pas équitablement distribuée selon le profil sociologique de la population. « Les quartiers populaires résistent cinq fois plus aux centres de données que les quartiers aisés ». « Les démocrates, les habitants des zones rurales et les jeunes sont particulièrement opposés à ces implantations : 80 % des personnes interrogées âgées de 18 à 35 ans se sont déclarées contre les centres de données », souligne un sondage. Selon l’analyse proposé par le philosophe des sciences Geoff Holtzman (voir sa newsletter), qui a utilisé des données sur les projets de centres de données pour les croiser avec ceux du recensement, le chercheur montre que le taux de résistance n’est pas uniforme : « les quartiers les plus pauvres ont opposé une résistance aux centres de données près de cinq fois supérieure à celle des quartiers les plus riches (19,0 % contre 3,8 %) ». Cela contredit l’idée que l’opposition aux data centers serait une opposition de Nimby aisés. « Les communautés pauvres ou ouvrières se mobilisent bien plus fréquemment que les quartiers riches ».

Aux Etats-Unis, les projets de centres de données récemment proposés et ayant rencontré une forte opposition ont été annulés ou suspendus cinq fois plus souvent que ceux qui n’ont pas rencontré une forte opposition. Celle-ci donc compte.  « Les taux d’annulation sont les plus élevés dans les quartiers défavorisés, ce qui s’explique par une plus forte mobilisation ». « Les chances d’annulation sont six fois plus élevées dans les quartiers qui se mobilisent que dans ceux qui ne le font pas ».

À DLA, on connaît bien l’acronyme TL;DR (too long, didn’t read, « trop long ; pas lu ») que de bien peu aimables personnes nous envoient parfois après avoir pris connaissance de notre lettre d’information. Il est peu probable pourtant que l’on passe à l’étape suivante : TL;DW (too long, didn’t write : « c’est trop long à écrire, alors je ne l’ai pas écrit moi-même »), qui consiste à faire écrire ses contenus par une IA générative… Quoique, les articles seraient peut-être plus clairs, les circonvolutions moins alambiquées ? Allez savoir !

Mais c’est d’un autre mème dont je voulais parler. Un mème qui devrait lui aussi beaucoup moins nous être adressé, mais qu’on utilise souvent : AI;DR (AI, didn’t read) : « c’est de l’IA, je ne l’ai pas lu » ! Un jugement qu’on énonce couramment et qui décrit la transformation de notre rapport aux textes, à l’heure où tout doit aller si vite, qu’on n’a plus le temps d’écrire ni de lire. Un refus face au déferlement : « c’est de l’IA, je ne veux même pas le lire » !

A qui profite le verbiage ? 

AI;DR donc. L’acronyme exprime quelque chose entre la lassitude et l’hostilité à voir des textes génératifs envahir le web. Qu’ils soient très formatés, énergiques ou lénifiants, l’expression nous dit que nous serions capables de repérer la prose des LLM à leur tiédeur, à leur style, à leurs effets (qu’importe si en vérité, nous nous trompons souvent, comme c’est le cas des enseignants qui peinent à identifier les productions génératives de leurs étudiants). Un peu comme si nous étions dotés d’un système de repérage, une boussole infaillible, alors que les textes génératifs sont souvent corrigés, amendés, modifiés par leurs auteurs, et qu’ils tiennent bien plus d’une forme de coproduction qu’autre chose. Non seulement l’acronyme nous dit que ces productions n’ont finalement pas grande importance, mais il nous dit aussi que nos erreurs d’attribution peuvent être aussi péremptoires que les réponses des chatbots à la confiance survitaminée. Il nous dit que ces productions n’ont finalement pas grande importance au risque de renvoyer avec elles des propos bien humains, un peu comme ceux qui étaient trop longs finalement, trop humains. AI;DR nous dit que ce qui est écrit n’a pas grand intérêt, qu’il soit le fait de robots ou d’humains. Ce que ça fait est bien plus important : même si ce que ça fait (écrire) devient en même temps qu’on l’énonce bien peu important puisqu’on ne lui prête plus aucune attention.

Rapidement, on est saisi d’un vertige : à quoi peuvent bien servir des outils pour produire du texte que les gens ne souhaitent pas lire ? AI;DR semble mettre en abîme le grand vide des machines à verbiage, comme pour rendre béant le vortex qui s’ouvre sous nos mots. Un peu comme vient de le proposer le moteur de traduction Kagi en permettant de traduire (après le Dothraki, le Haut Valyrien ou le Klingon quand même !) n’importe quel texte en « Linked-in speak », c’est-à-dire dans le jargon de Linked-in. En permettant de transformer n’importe quel texte en post de motivation entrepreneuriale, truffé d’emojis, de hashtags et de déconvenues transformées en leçons de vie. « Le traducteur de Kagi ne fabrique pas cette langue, il la révèle. Il en expose la mécanique, la pauvreté, le vide soigneusement emballé dans du vocabulaire managérial », s’amusait la chroniqueuse de Radio France, Constance Vilanova. Elle pointait d’ailleurs vers une étude d’un chercheur en linguistique qui a mis au point une échelle pour mesurer la réceptivité au jargon d’entreprise. Une étude qui montrait que plus on est sensible aux formules creuses, moins on performe soi-même aux tests de pensée analytique et aux tests de prise de décision. « Les grands amateurs de Linked-in speak seraient donc aussi les moins capables de repérer le vide. Ce qui crée un cercle vicieux parfait : les patrons sont récompensés pour leur langue de bois, et les équipes se peuplent progressivement de gens qui n’y voient que du feu. » Mais surtout, les personnes les plus réceptives au jargonnage ont aussi plus tendance à percevoir leurs leaders comme visionnaires, à être plus inspirées par les homélies d’entreprises et à faire plus confiance à leurs managers. « Pour certaines personnes, un discours abstrait et vaporeux peut donner l’impression de profondeur, de vision et de compétence et parfois suffit à produire de la crédibilité. Il peut aussi fonctionner comme un signal de leadership », s’amuse David Gateau… Pire, « plus la réceptivité au bullshit corporate est élevée, plus la qualité des décisions diminue ». « Les personnes les plus sensibles aux discours creux en entreprise ont tendance à choisir systématiquement les pires solutions aux problèmes », explique l’auteur de l’étude, Shane Littrell. Pourtant, l’étude montre aussi finalement que le jargon persuade et impressionne certains publics, explique The Guardian, tout comme le verbiage des LLM finalement. « N’importe qui peut se laisser berner, et nous sommes tous, selon les circonstances, susceptibles d’être influencés par des discours creux présentés de manière à flatter nos préjugés. »

Les contenus produits par l’IA sont-ils faits pour être lus ?

Le hashtag #AI;DR entérine la dépréciation des contenus génératifs, dénigrés depuis leur apparition. Comme le disait John Hermann dans le New York Mag dès 2024 : alors que l’IA est associée au summum des réalisations humaines, pour tout à chacun, elle désigne d’abord des choses assez pauvres, assez communes. Dans le langage courant, dire d’un texte qu’il a été réalisé par ChatGPT qualifie toujours un document sans grand intérêt. Aujourd’hui encore. « Pourquoi devrais-je me donner la peine de lire quelque chose que personne d’autre n’a daigné écrire ? », remarque pertinemment un développeur, relayé par Futurism. Quand on lit le propos de quelqu’un, c’est pour comprendre ce qu’il pense, perçoit et appréhende du monde. Ecrire, c’est penser. Et penser, c’est exister. Mais que signifie lire la prose d’un LLM ? QUI sommes-nous censés comprendre ? Et donc QUE sommes-nous censés comprendre ? Quelque part, les gens qui dénoncent ces contenus, disent que ce qui est écrit par l’IA ne nous est pas adressé. Que ces contenus ne sont pas vraiment pour les humains puisqu’ils ne sont pas humains.

Dans le New York Mag, John Hermann (encore lui), dénonçait récemment le cauchemar de l’e-mail piloté à l’IA : « Êtes-vous impatient de voir vos collègues devenir beaucoup plus bavards, transformant chaque simple « Ça me va » en une lettre de trois paragraphes ? Êtes-vous ravi que le genre d’e-mails de masse semi-personnalisés que vous avez l’habitude de recevoir des grandes marques dotées de services marketing (ou des spammeurs et des auteurs de phishing) soit désormais accessible à toute personne possédant un compte Google ? Avez-vous hâte de vous demander si cette charmante lettre de condoléances d’un ami perdu de vue depuis longtemps a été entièrement générée par un logiciel ou s’il a simplement cliqué sur le bouton pour rendre le contenu « plus sincère » avant de l’envoyer ? » Ce dernier exemple n’est même pas une blague, le mois dernier, l’administration de l’université Vanderbilt a dû présenter ses excuses après avoir envoyé un e-mail de condoléances aux étudiants suite à la fusillade de l’université d’État du Michigan. En bas du message il était indiqué qu’il avait été rédigé par ChatGPT !

Le Financial Times rapporte que le volume des plaintes aux services juridiques et RH des entreprises est en augmentation et que celles-ci sont plus documentées et complexes qu’avant. Ce ne sont plus de simple e-mail à traiter, mais des pièces jointes volumineuses, qui évoquent parfois des législations qui n’existent pas. La raison ? Le recours à l’IA. De plus en plus de plaintes leur arrivent « incompétentes mais sûres d’elles », « superficiellement persuasives », « excessivement juridiques sans être pertinentes »… de gens pouvant avoir des attentes irréalistes, désorientés par les réponses des IA à leurs problèmes. Le volume de récriminations augmente et le temps pour les vérifier également, au risque de ralentir les réponses des employeurs.

Reste que le besoin de formalisation que traduit le passage à un argumentaire structuré par l’IA dit peut-être autre chose du rapport employés-employeurs, où les discussions ne suffisent pas pour être écoutés…

Le New York Times, récemment, expliquait que la romance générative était en pleine explosion et que l’IA était l’avenir du genre. Pas si sûr, contestait Gita Jackson pour Aftermath, les défenseur(e)s de l’IA dans la littérature n’ont pas d’autre but que de gagner de l’argent, en produisant beaucoup de contenus et en vendant des formations pour apprendre à d’autres comment faire. L’une des autrices interviewées par le NYT prétend que ses 200 livres publiés par IA ont totalisé 50 000 ventes… soit en moyenne 250 exemplaires par livre. Ce modèle économique n’est viable que si l’on se fiche de la qualité des livres et de leur popularité, assassine Jackson. Bref, il n’est pas sûr que les romances dopées à l’IA soient l’avenir du genre, comme le défendent les autrices qui le proposent parce qu’elles y ont doublement intérêt. Pas sûr que les contenus dopés à l’IA soient finalement meilleurs que les romances incarnées par leurs autrices.

Deux exemples qui montrent que les contenus génératifs viennent s’intercaler dans les situations de blocages et viennent toujours avec les intérêts de ceux qui les portent, même s’ils ne sont pas toujours faciles à percevoir.

Pour qui écrivons-nous ?

Le mot-clé AI;DR rejoint également celui de sloppers, désignant les producteurs de slop, les producteurs de contenus qui ne produisent plus qu’avec les robots conversationnels (à l’image de la proposition parodique de sloppers.ai, qui se présente comme un service d’IA pour produire… des contenus parfaitement inutiles). Entre résistance et lassitude, le point-virgule, qui à l’origine séparait la cause de l’effet – plus vous écrivez, moins je lis – sépare désormais la production de la machine du refus de lui accorder la moindre attention.

Comme le souligne Alberto Romero, nous passons d’un monde où la longueur d’un texte constitue un obstacle à la lecture, à un monde où le manque d’implication humaine devient un obstacle supplémentaire. Nous sommes passés de « je ne finirai pas ça » à « personne n’a commencé ça ». « La première attitude suppose que l’on est responsable de ses propres limites, tandis que la seconde incite à externaliser sa responsabilité », comme si ce n’était pas à nous de lire, de vérifier, d’agréer aux productions générées. La perspective de notre submersion par les contenus génératifs, par l’intensification des productions, risque de nous laisser plus épuisé que jamais, disions-nous la semaine dernière. Non seulement nous sommes cernés par plus de contenus que jamais, mais nous sommes en même temps confrontés à une forme de post-alphabétisation où l’écrit lui-même semble de plus en plus décrédibilisé par son automatisation.

Pour Romero, l’IA;DR fait écho à son exact inverse : WF;AI (What the fuck; AI, « bordel, écrire pour l’IA ») où nous sommes confrontés au vide de sens qu’exige d’écrire pour l’IA plutôt que pour d’autres humains. Nous sommes en train de passer du pourquoi écrivons-nous à pourquoi lisons-nous, comme si le cœur même de la connaissance n’avait plus de sens, ni pour les autres ni pour nous. « Doit-on consacrer vingt minutes de son attention déjà si sollicitée à un texte qui n’a coûté à son auteur fantôme que quarante-cinq secondes et une consigne maladroite ? »

Perdus au milieu de contenus de plus en plus fantomatiques, comment s’orienter ? « La lecture, comme tout ce que nous faisons, repose sur un contrat social implicite : je vous offre ma réflexion, vous me donnez votre temps. Or, lorsque l’une des parties automatise sa part du marché, l’autre se sent légitimement flouée. Et comme déléguer la lecture n’a aucun sens pour la plupart des gens, ils ne le font tout simplement pas », constate pertinemment Romero. Le contrat de lecture exige une intention et une relation que l’IA ne peut pas produire. Le contrat de lecture est donc profondément rompu, quelles que soient ses conséquences. D’autant que dans la roue du hamster de la lecture/écriture, l’IA a tendance à exclure de plus en plus l’humain. Dans le biais anti-humain de l’IA, l’IA se nourrit de l’IA et récompense plus facilement les contenus IA faisant gonfler plus encore les contenus génératifs qu’on ne veut pas lire. Et pourtant, se moque Romero en conclusion, son texte a été écrit avec une IA. Nous même avons été pris au piège. Le contrat de lecture n’est donc pas totalement rompu, il est flouté au risque de nous abuser en continue. 

C’est toute l’aporie où nous sommes réduits, comme l’illustre le dessinateur Tom Fishburne avec un de ses délicieux dessins : l’IA permet de transformer une liste à puce en un long mail qu’on peut prétendre avoir écrit et où son récepteur peut le transformer en liste à puce qu’il peut prétendre avoir lu. Tom Fishburne rappelle qu’il va falloir du temps pour apprendre quand et comment bien utiliser ces outils et surtout quand ne pas les utiliser. L’acronyme AI;DR nous rappelle que nous sommes face à des contenus dont le statut n’est pas clair, des contenus que nous ne savons pas vraiment utiliser. Peut-on vraiment en vouloir à des gens de refuser de lire des contenus qui sont produits par personne et destinés à personne, de refuser de lire des propos d’une machine, aussi séduisants ou creux puissent-ils être ?

Le risque d’une parole sans conséquence

IA;DR nous dit autre chose pourtant. Que ces mots produits sont produits. Que ce qui devait être fait est fait et que la réception est finalement un autre enjeu, comme s’il dépendait d’autres métriques.

« Pour la première fois, la parole est dissociée de ses conséquences. Nous vivons désormais aux côtés de systèmes d’IA qui conversent avec assurance et persuasion – débitant des affirmations sur le monde, des explications, des conseils, des encouragements, des excuses et des promesses – sans jamais assumer la responsabilité de leurs propos. Des millions de personnes utilisent déjà des chatbots, alimentés par de vastes modèles de langage, et ont intégré ces interlocuteurs synthétiques à leur vie personnelle et professionnelle. Les mots d’un chatbot façonnent nos croyances, nos décisions et nos actions, sans qu’aucun locuteur ne les cautionne », explique Deb Roy dans The Atlantic.

Deb Roy est professeur d’arts et de sciences des médias au MIT, où il dirige le Centre pour la communication constructive au Media Lab. Il est également cofondateur et président de Cortico, une organisation à but non lucratif qui se consacre à la construction de réseaux civiques plus forts, notamment en analysant les échanges vocaux de groupes de discussions pour en dégager liens et tendances.

Dans nos échanges avec les chatbots, ceux-ci s’excusent, corrigent, mais débitent une chose puis son contraire, vide de sens, rappelle le professeur. Pour Roy, « il ne s’agit pas d’une simple nouveauté technique, mais d’un bouleversement de la structure morale du langage ». Lorsque nous parlons, nos mots nous engagent dans un contrat social implicite. Ils nous exposent au jugement, aux représailles, à la honte et à la responsabilité. Dire ce que l’on pense, c’est prendre un risque. Le chercheur en intelligence artificielle Andrej Karpathy a comparé les LLM à des fantômes humains : ils ne sont pas des créatures, leur parole est sans conséquence, tout en étant capable de nous hanter. Pour Deb Roy, spécialiste de l’apprentissage du langage, les mots acquièrent du sens en relation avec le monde. Reste que le sens ne découle pas seulement de la fluidité ou de l’incarnation, mais aussi des enjeux sociaux et moraux que nous prenons lorsque nous parlons. Le langage a une dimension morale et sociale. Il nous engage. Il nous rend digne ou indigne, responsable. « Parler, c’est simultanément s’exposer à un jugement moral, encourir des conséquences sociales et parfois juridiques, assumer la responsabilité de la vérité et contracter des obligations qui perdurent au sein des relations. » Avec les chatbots, la parole n’est plus que procédurale. « Les chaînes causales s’obscurcissent. La responsabilité se dilue. L’autorité épistémique s’exerce sans obligation. Les engagements relationnels sont simulés sans persistance. » Cela produit non seulement un obscurcissement des responsabilités, mais plus encore un affaiblissement progressif des attentes. Le risque est de ne plus rien attendre des textes, quels qu’ils soient.

Norbert Wiener l’avait bien compris, dans ses mises en garde à l’encontre de l’automatisation : l’accroissement des capacités des machines entraînerait une perte de responsabilité humaine. Et l’efficacité elle-même éroderait la dignité humaine, nous poussant à devenir des intrants, des opérateurs ou des superviseurs de processus dont les humains ne contrôleraient plus la logique. « Ce qui rend ces systèmes moralement déstabilisants, ce n’est pas leur dysfonctionnement, mais leur capacité à fonctionner exactement comme prévu tout en se soustrayant à toute responsabilité », explique Roy.

L’histoire moderne regorge de technologies médiatiques qui ont transformé la circulation de la parole : l’imprimerie, la radio, la télévision, les réseaux sociaux. Mais aucune de ces technologies ne possédait les propriétés que les systèmes d’IA actuels réunissent simultanément. Aucune ne permettait de dialoguer et donc d’activer une vulnérabilité psychologique inédite. Avec Eliza, Joseph Weizenbaum a compris que les humains projetaient sur la machine du sens, des intentions et une responsabilité qu’elle n’avait pas. Le philosophe J.L Austin affirmait qu’utiliser le langage, c’est agir. « Tout énoncé significatif accomplit une action : il affirme une croyance, formule une revendication, formule une demande, fait une promesse, etc. Dire « oui » lors d’une cérémonie de mariage donne naissance à l’acte de mariage. Dans ce cas, l’acte n’est pas accompli par des mots puis décrit ; il est réalisé dans l’acte même de prononcer ces mots, dans les conditions appropriées. » Pour Roy, pour combattre l’effet Eliza, il ne suffit pas de savoir que ces systèmes sont des machines, car leur efficacité est amplifiée par leur fluidité. Et c’est leur fluidité qui nous conduit à déléguer nos responsabilités, à la faire glisser de l’utilisateur vers l’outil. Nous demandons désormais aux autres de prêter attention à des mots que nous n’avons pas écrits, pas pensés. Ce que nous perdons, c’est notre dignité même. « Dans le cadre d’un usage privé (comme le proposent les chatbots compagnons), l’érosion est plus subtile, mais non moins lourde de conséquences. Les jeunes décrivent leur utilisation de chatbots pour rédiger des messages qu’ils hésitent à envoyer, pour déléguer des réflexions qu’ils estiment devoir mener eux-mêmes, pour obtenir des assurances sans s’exposer, pour répéter des excuses sans rien débourser. Un chatbot dit « Je suis désolé » sans faute, mais est incapable de regret, de réparation ou de changement. Il admet ses erreurs sans conséquence. Il exprime de l’attention sans rien perdre. Il utilise le langage de la bienveillance sans rien risquer. Ces affirmations sont fluides. Et elles habituent les utilisateurs à accepter un langage moral déconnecté des conséquences. Il en résulte un réajustement discret des normes. Les excuses deviennent gratuites. La responsabilité devient théâtrale. La bienveillance devient simulée. » 

Les mots eux-mêmes n’ont plus de portée. Ceux des chatbots, bien sûr, mais derrière, les mots de tous ceux qui en portent, et d’abord ceux que les autres humains nous adressent.

« Certains affirment que la responsabilité des propos de ces machines peut être externalisée : vers les entreprises, les réglementations, les marchés. Mais la responsabilité se dilue entre développeurs, déployeurs et utilisateurs, et les boucles d’interaction restent privées et inobservables. L’utilisateur en subit les conséquences ; la machine, non. »

Ceci n’est pas sans rappeler le problème éthique posé par les armes autonomes, estime Roy. En 2007, le philosophe Robert Sparrow soutenait que de telles armes violent le principe de la guerre juste, selon lequel lorsqu’un dommage est infligé, quelqu’un doit répondre de la décision de l’infliger. Le programmeur est protégé par conception, ayant délibérément construit un système dont le comportement est censé se dérouler sans contrôle direct. Le commandant qui déploie l’arme est lui aussi protégé, incapable de contrôler les actions spécifiques de l’arme une fois en mouvement, et cantonné aux rôles prévus pour son utilisation. Quant à l’arme elle-même, elle ne peut être tenue responsable, car elle est dépourvue de toute qualité morale d’agent. Les armes autonomes modernes produisent ainsi des résultats mortels pour lesquels aucun responsable ne peut être identifié de manière pertinente. Les chatbots compagnons, ces « systèmes de gestion de la vie humaine » fonctionnent différemment, mais la logique morale est la même : ils agissent là où les humains ne peuvent pas pleinement superviser, et la responsabilité se dissout dans ce vide.

« La parole sans conséquence contraignante sape le contrat social. La confiance, la coopération et la délibération démocratique reposent toutes sur le principe que les locuteurs sont tenus par leurs propos. » Notre immersion dans un monde de contenus génératifs, de propos sans conséquences, risque de nous habituer à prendre toute parole comme étant sans conséquence, même celle de nos contemporains.

« Nous avons besoin de structures qui réancrent la responsabilité : des contraintes limitant l’utilisation de l’IA dans divers contextes, tels que les écoles et les lieux de travail, et préservant la paternité des travaux, la traçabilité et une responsabilité clairement définie. L’efficacité doit être encadrée lorsqu’elle porte atteinte à la dignité », défend Roy.

Avant de pointer un autre enjeu encore : « Alors que l’idée d’« avatars » IA s’impose dans l’imaginaire collectif, elle est souvent présentée comme un progrès démocratique : elle repose sur des systèmes qui nous connaissent suffisamment bien pour parler en notre nom, délibérer à notre place et nous épargner le fardeau d’une participation constante. Il est facile d’imaginer que cela puisse se transformer en ce que l’on pourrait appeler un « État-avatar » – un système politique où des représentants artificiels débattent, négocient et décident pour nous, efficacement et à grande échelle. Mais cette vision oublie que la démocratie non plus n’est pas simplement l’agrégation de préférences. C’est la pratique de la parole ouverte. S’exprimer politiquement, c’est prendre le risque de se tromper, d’être responsable, d’assumer les conséquences de ses paroles. Un État avatar – fluide, infatigable et parfaitement malléable – simulerait la délibération, mais sans conséquence. De loin, il ressemblerait à un gouvernement autonome. De près, ce serait tout autre chose : la responsabilité rendue facultative, et avec elle, la dignité de devoir assumer ses paroles devenues obsolètes. Wiener avait compris que le tourbillon ne viendrait pas de machines malveillantes, mais de l’abdication humaine. » C’est au bord de ce précipice que nous conduit l’IA.

Ce que traduit AI;DR, c’est qu’à mesure que nous sommes cernés par ces contenus génératifs, la résistance se fait jour, estime Fast Company. Qui souligne que le terme rencontre du succès à un moment où le sentiment anti-IA se développe. Les inquiétudes concernant l’IA chez les adultes américains se sont accrues depuis 2021, selon le Pew Research Center. Plus de la moitié (51 %) se disent plus inquiets qu’enthousiastes face à l’essor de cette technologie. « C’est de l’IA, je ne l’ai pas lu ! », ne traduit-il pas d’abord que tout cela n’est pas de notre responsabilité. Que cet avenir n’est peut-être pas celui que nous avons voulu. « C’est de l’IA, je ne l’ai pas lu ! » est peut-être notre dernier semblant de résistance face à un nouveau web qui va nous submerger. 

Même constat pour la journaliste Eve Fairbanks dans The Atlantic. « Travailler sur un texte généré par l’IA, en tant que correcteur, revient à opérer un corps dont la peau, les muscles, les veines, les os et les organes sont tous endommagés. Il n’y a rien à préserver, aucun point de départ », explique-t-elle confrontée à la prose des machines. « L’infltration du non sens est partout, inéluctable. Même ceux qui n’utilisent pas l’IA finiront par lui ressembler. »

Hubert Guillaud

La version originelle de ce texte est paru pour la lettre Café IA le 3 avril 2026.

A l’heure où les outils pour produire du code automatiquement se déploient partout, la question de la productivité devient de plus en plus polarisée, rappelle le journaliste du Financial Times, John Burn-Murdoch. « Un point de tension majeur entre les partisans et les détracteurs de l’IA réside dans le décalage entre l’augmentation constatée de la productivité des développeurs et l’absence apparente d’une croissance correspondante sur la création de produits ou de valeur ». Or, une nouvelle étude permet peut-être de comprendre le hiatus. 

Mert Demirer du MIT et ses co-auteurs a analysé le travail des développeurs de logiciels avant et après l’adoption d’outils d’IA. Ils ont mesuré cet impact à différents niveaux : la quantité de code écrit, le nombre de fichiers modifiés, le nombre de projets ou de fonctionnalités développés et les mises en production de nouveaux logiciels. L’étude a révélé que l’IA avait un impact considérable en amont : les développeurs ont créé ou modifié près de 300 % de fichiers supplémentaires. Cependant, cette augmentation a été réduite de moitié (à 150 %) lorsqu’ils ont examiné le nombre de fichiers soumis à l’évaluation, et ce dernier a lui-même été divisé par cinq, pour atteindre une hausse d’environ 30 % du nombre de mises en production complètes. 

Une augmentation de 30 % de la production du produit phare d’une entreprise est significative, mais les résultats montrent néanmoins à quel point la perception, voire certaines mesures directes, de l’impact de l’IA sur la productivité peuvent être déconnectées de la valeur ajoutée réelle. L’accélération spectaculaire de la productivité se traduit par des gains bien plus modestes une fois que ce travail a franchi tous les obstacles liés à la validation et à la mise en production. L’enjeu de la vérification reste bien en partie le goulot d’étranglement de la productivité sous IA. Mais ce n’est pas le seul… « Lorsque les chercheurs ont examiné si l’augmentation de la production de logiciels grâce à l’IA avait entraîné une hausse de la consommation, ils n’ont trouvé que peu d’éléments probants. La forte augmentation du nombre de lancements d’applications mobiles au cours de l’année écoulée ne s’est pas accompagnée d’une hausse des téléchargements ; la plupart des nouvelles applications peinent à conquérir un public, même modeste. »

Ce que le Financial Times résume d’un graphique parlant, montrant l’envolée des mises à jour d’applications, alors que l’usage ne progresse pas :

Ce que pointe  Burn-Murdoch, c’est qu’entre l’augmentation de la production des systèmes et leur diffusion, il y a également un goulot d’étranglement. Comme le dit Gary Marcus, l’IA appliquée au code permet certainement une productivité importante, mais a un impact concret limité, car produire ne suffit pas. Par exemple, l’IA permet peut-être d’augmenter la production de livres, mais cela ne signifie qu’ils soient de meilleure qualité ni qu’ils se vendent davantage, comme tentait de l’esquisser un graphique du Washington Post montrant la corrélation entre l’essor de l’IA et l’augmentation de la production de livres. Même chose dans le domaine de la musique ou de la production académique. La production augmente, mais les débouchés stagnent. En partie parce que certains marchés sont saturés et de l’autre parce que cette accélération volumétrique n’améliore pas la qualité pour autant. Comme le résume un développeur avec ironie : « avant l’IA, je passais un week-end à développer une seule application inutile. Maintenant, je peux en développer 67 en un week-end, chacune avec un logo, une page web sophistiquée et… zéro utilisateur. » C’est ce que constate également Paul Kedrosky : nous sommes en train de privilégier la production à la valeur, à l’image de la récente démonstration d’Anthropic valorisant l’explosion de la productivité des développeurs grâce à ses modèles. Or, nous ne mesurons ici que le Sloc (software lines of code, le nombre de lignes de code des logiciels), une sorte de Slop interne aux entreprises. Or, rappelle Kedrosky : « Les meilleurs ingénieurs créent de la valeur en écrivant moins de code, pas plus.» Le nombre de lignes de code valorise la quantité, non l’utilité. L’IA gonfle systématiquement cette métrique. Et une multiplication par huit du nombre de lignes de code correspond généralement à une augmentation bien moindre du rendement réel d’ingénierie. Le volume de code engendre des risques. Plus de code signifie plus de maintenance, de complexité, de surface d’attaque et de charge de déboggage. 

Les entreprises cherchent désormais à optimiser leurs dépenses de production d’IA afin d’en réduire le coût, estime encore John Burn-Murdoch. Demirer et ses co-auteurs estiment que l’explication la plus probable de l’invisibilisation des gains de productivité réside dans le fait que les structures organisationnelles et les marchés actuels ne sont pas conçus pour tirer pleinement parti des gains sous-jacents. Le fait que les entreprises établies du secteur des logiciels et du travail intellectuel ne constatent que de modestes gains de productivité en intégrant l’IA à leurs méthodes de travail et structures organisationnelles existantes, tandis que l’utilisation, le chiffre d’affaires et la productivité explosent chez Anthropic et OpenAI – des entreprises construites autour de l’IA, dont les produits sont conçus et évalués par elle – est peut-être un premier signe de la même dynamique à l’œuvre ici, mais à un rythme beaucoup plus rapide. 

« Je pense que les deux camps ont raison. Une grande partie de l’utilisation et des dépenses des entreprises en matière d’IA sont aujourd’hui inefficaces. Mais les gains de productivité constatés reflètent l’interaction entre de puissants outils et des structures et processus mal adaptés. A terme, ces frictions et ces goulots d’étranglement ne feront que s’atténuer », estime Burn-Murdoch, mais ce n’est peut-être pas si sûr. L’IA sature également le marché et sa prolifération empêche de saisir où des gains sont encore possibles. En rendant tout possible, elle génère une confusion qui n’aide certainement pas à voir là où elle devrait être utile et là où elle ne l’est pas.

Je classais encore le Parti libéral du Québec parmi les partis inclusifs sur la question de l’identité de genre, mais la récente controverse sur les « personnes ayant des menstruations » m’a fait prendre conscience que la réalité est plus complexe. Voici donc une compilation des positions des cinq partis politiques présentement dans la course. Merci à Kathleen Bélanger pour l’infographie!

Québec solidaire est le seul parti à soutenir entièrement les personnes trans et non-binaires. Les positions du parti sont celles de Manon Massé, alliée inconditionnelle de la communauté LGBTQ+. Leur politique est le respect du genre ressenti.

Les libéraux ont une approche généralement inclusive, mais ont souvent évité de se prononcer sur le sujet de la transidentité et de l’identité de genre depuis le départ de Dominique Anglade, signe du malaise dans les rangs. Lorsque le ministre Jean-François Roberge a interdit d’utiliser les pronoms neutres dans les écoles, dans la fonction publique et dans les communications officielles, la critique Marwah Rizqy s’est contentée de critiquer le sens des priorités du ministre, sans dire formellement si elle était en désaccord avec le principe. Les libéraux respectent généralement le genre auquel la personne s’identifie et soutiennent les jeunes de la communauté LGBTQ+. Ces positions pourraient bien changer, comme l’ont montré le débat sur l’expression « personne avec des menstruations » et l’influence indirecte de Christiane Pelchat et de PDF-Québec, organisation dont la lutte contre les femmes trans est une des raisons d’être. Le chef Charles Milliard s’est lui-même montré susceptible d’entrer dans le jeu des anti-trans en se disant mal à l’aise avec l’expression « personne avec des menstruations », comme si les femmes se définissaient par leurs règles.

Le Parti québécois est généralement hostile aux enjeux touchant la diversité de genre. Souvenons-nous des polémiques de l’automne 2023 concernant les toilettes non genrées et les pronoms neutres à l’école. À l’hiver 2025, les péquistes ont été les seuls parlementaires à rejeter une motion demandant à continuer la lutte contre l’homophobie et la transphobie. Dès la présentation du nouveau programme de Culture et citoyenneté québécoise, les péquistes ont accusé celui-ci d’être trop « woke », notamment au sujet des questions de sexualité et d’identité de genre. La députée Catherine Gentilcore a prétendu que le nouveau programme enseignait aux enfants que le genre est attribué par la société et non constaté à la naissance, ce qui est faux. Le PQ demande l’exclusion des femmes trans des espaces réservés aux femmes, y compris des groupes de lesbiennes.

Les positions de la Coalition Avenir Québec sont plus ambiguës. Le nouveau programme de Culture et citoyenneté québécoise mis en place par la CAQ est très inclusif à l’endroit des questions d’identité de genre. Les enseignantes doivent respecter l’identité de genre des élèves et garder le secret si les élèves ont choisi de ne pas en informer leurs parents. La CAQ maintient cependant la séparation genrée des blocs sanitaires et a interdit l’utilisation de pronoms neutres à l’école, dans la fonction publique et dans les communications officielles. Contrairement au PQ et au PCQ, le gouvernement de la CAQ privilégie le « sexe anatomique » plutôt que le « sexe biologique », c’est-à-dire que les femmes trans ayant subi une vaginoplastie sont considérées comme des femmes dans tous les contextes.

Le Parti conservateur du Québec se trouve dans une position particulière puisque les militants ne sont pas sur la même longueur d’ondes que leur chef. Éric Duhaime partage les positions de ses amis conservateurs albertains et souhaite que « l’idéologie du genre » soit interdite dans les écoles. Au dernier congrès, cependant, les militants conservateurs ont rejeté une résolution demandant la révision du programme d’éducation à la sexualité. Le PCQ souhaite surtout s’attaquer aux soins de transition chez les mineurs (même avec le consentement des parents) et interdire les changements de pronoms et de prénoms à l’école sans l’autorisation des parents.

En résumé : les rouges sont à surveiller et les bleus ne sont pas des alliés, peu importe la nuance de bleu.

Positions détaillées des partis :

Toilettes non genrées
QS : Demande l’aménagement de toilettes non genrées dans les espaces publics et les écoles.
PLQ : Demande l’aménagement de toilettes non genrées dans les espaces publics et les écoles.
PQ : Exige le maintien de blocs sanitaires séparés en tout temps. Associe les toilettes non genrées à une « idéologie de la gauche radicale ».
CAQ : Position ambivalente. A interdit les toilettes mixtes dans les écoles, mais n’en a pas fait une politique générale.
PCQ : Exige le maintien de blocs sanitaires séparés en tout temps.

Pronoms neutres
QS : Demande de respecter le choix de pronom des individus.
PLQ : Ne s’est pas prononcé.
PQ : A approuvé l’interdiction des pronoms neutres par le gouvernement de la CAQ.
CAQ : A interdit l’utilisation des pronoms neutres à l’école, dans la fonction publique et dans les communications officielles.
PCQ : A approuvé l’interdiction des pronoms neutres par le gouvernement de la CAQ.

Enseignement de l’identité de genre
QS : Approuve le programme actuel.
PLQ : Ne s’est pas prononcé.
PQ : Demande la révision du programme d’éducation à la sexualité et de biologie afin de s’assurer qu’il soit conforme à la science (prend pour acquis que le programme actuel ne l’est pas).
CAQ : Approuve le programme actuel. C’est le gouvernement de la CAQ qui l’a mis en place.
PCQ : Position ambivalente. Éric Duhaime s’est personnellement prononcé contre l’enseignement de « l’idéologie du genre » à l’école, mais les membres du Parti conservateur ont rejeté une proposition demandant la révision du programme d’éducation à la sexualité.

Présence des femmes trans dans les lieux réservés aux femmes
QS : Demande le respect du genre ressenti.
PLQ : Demande le respect du genre ressenti.
PQ : Souhaite interdire aux femmes trans l’accès aux lieux réservés aux femmes : Toilettes, vestiaires, compétitions sportives, organismes venant en aide aux femmes, prisons pour femmes et groupes de lesbiennes.
CAQ : Les personnes trans incarcérées dans les prisons provinciales sont détenues en fonction de leur « sexe anatomique ». Une femme trans sera détenue dans une prison pour femme si elle a subi une vaginoplastie. La CAQ n’a pas interdit et ne promet pas d’interdire aux femmes trans l’accès aux lieux réservés aux femmes
PCQ : Souhaite interdire aux femmes trans l’accès aux lieux réservés aux femmes

Autonomie médicale pour les soins de transition de genre
QS : Respecte l’autonomie médicale à partir de 14 ans comme pour les autres soins médicaux.
PLQ : Ne s’est pas prononcé.
PQ : Ne s’est pas prononcé.
CAQ : Ne s’est pas prononcé.
PCQ : Exige le consentement des parents avant 16 ans. Souhaite interdire les mastectomies pour les personnes de moins de 18 ans et encadrer davantage les traitements hormonaux.

Changement de prénom ou de pronom à l’école
QS : Respecte le choix de l’élève.
PLQ : Respecte le choix de l’élève.
PQ : Ne s’est pas prononcé.
CAQ : La CAQ n’a pas pris position directement sur le sujet, mais le ministère de l’Éducation exige que les enseignants respectent le genre auquel les élèves s’identifient et le secret si l’élève n’en a pas avisé ses parents.
PCQ : Souhaite que l’approbation des parents soit obligatoire.

Identification
QS : Demande le respect du genre ressenti.
PLQ : Demande le respect du genre ressenti.
PQ : Souhaite que les personnes s’identifient selon leur sexe biologique à des fins statistiques, pour l’accès aux lieux réservés aux femmes et pour l’accès aux politiques genrées.
CAQ : En 2021, le ministre Simon Jolin-Barrette a voulu exiger une transition chirurgicale des organes sexuels pour permettre le changement de sexe sur papier. Cette disposition a finalement été abandonnée. Le gouvernement de la CAQ a ajouté le marqueur de sexe X sur les pièces d’identité, mais a longtemps repoussé l’entrée en vigueur de la mesure.
PCQ : Éric Duhaime considère que le concept d’identité de genre nie la réalité du sexe biologique.

Le toujours très inspirant institut de recherche indépendant Data & Society lance une nouvelle initiative visant à renforcer la citoyenneté à l’ère de l’IA. L’ambition est forte : faire passer le public du statut d’utilisateur à celui d’acteur, expliquent ses responsables. La culture de l’IA ne suffit pas. « Et le public mérite bien mieux qu’une simple formation à l’utilisation de l’IA. Et il l’exige de plus en plus. » « Les Américains constatent comment les systèmes d’IA façonnent leur accès aux opportunités, à leurs droits et à leur dignité, et ils s’interrogent sérieusement sur l’impact de cette technologie sur tous les aspects de la vie, du travail à l’éducation en passant par l’environnement. Comment les systèmes automatisés évaluent-ils les candidatures et les candidats eux-mêmes ? Les tuteurs IA contribuent-ils à la réussite des élèves ou, au contraire, limitent-ils leurs connaissances ? Les immenses centres de données construits pour alimenter l’IA font-ils exploser les factures d’énergie des collectivités ? Une simple « connaissance » de l’IA ne suffit pas à répondre à ces questions, ni à toutes celles qu’elles soulèvent. Chacune d’elles nous oblige à appréhender clairement la technologie, à examiner de manière critique ses applications et à mobiliser les outils de la participation citoyenne pour en orienter le développement. »

Face à l’IA, renforcer la citoyenneté plutôt qu’acculturer

De même que l’éducation civique aux États-Unis permet aux citoyens de comprendre leurs droits, leurs devoirs et le fonctionnement du gouvernement, ce travail requiert un programme d’enseignement. D’où cette initiative d’éducation civique à l’IA : « une approche de l’éducation publique qui considère l’IA non pas comme un outil à maîtriser, mais comme un domaine de la vie civique où les citoyens ont des droits, des responsabilités et des moyens d’action collective. En mettant en lumière les outils civiques permettant au public d’exercer un pouvoir politique sur les systèmes d’IA et les plateformes technologiques – notamment au niveau local –, l’initiative d’éducation civique à l’IA renforcera la capacité des citoyens à participer à la conception et au déploiement de ces technologies, et contribuera à asseoir un pouvoir démocratique sur les institutions qui les créent et les promeuvent.»

Pour mobiliser la négociation collective pour peser sur l’utilisation de l’IA au travail, pour demander des changements dans les procédures d’achat des systèmes d’IA dans les écoles, pour exiger la transparence des outils de tri et de sélection automatisés, les gens doivent comprendre les processus civiques disponibles pour les utiliser. Tel est l’ambition du programme AI Civics : faciliter et approfondir l’apprentissage des modalités d’action en proposant des modèles et des ressources sur lesquels les communautés de tout le pays pourraient s’appuyer. 

Partout dans le monde, les travailleurs utilisent la négociation collective pour influencer l’utilisation de l’IA sur leur lieu de travail. Des militants font pression sur les autorités locales chargées d’autoriser les permis de construire afin d’exercer un pouvoir sur la construction des centres de données. Des élèves et des parents réclament des changements dans les politiques et les procédures d’achat des écoles. C’est la participation citoyenne en action : les communautés utilisent les leviers à leur disposition pour déterminer si et comment l’IA et ses infrastructures sont déployées. Mais avant cela, elles ont dû comprendre ces processus civiques et apprendre à les utiliser à leur avantage. Le programme AI Civics facilitera et approfondira cet apprentissage, en proposant des modèles et des ressources sur lesquels les communautés de tout le pays pourront s’appuyer.   

En 2025, D&S a organisé un cycle de conférences sur le thème “Comprendre l’IA”. L’initiative que l’Institut lance est le résultat des commentaires qu’ont adressé le public aux chercheurs. Dans ces commentaires, expliquent les chercheurs et chercheuses de D&S, trois points sont ressortis  : 

– Comme nous le disions nous même, les gens sont inquiets de l’IA. « Les gens se sentent pris au dépourvu par la rapidité et l’ampleur de ce changement, et frustrés par l’impression qu’il se produit sans leur participation ». 

– « Même les utilisateurs de l’IA s’inquiètent de ses impacts. Les participants nous ont confié utiliser des outils d’IA au quotidien, mais être mal à l’aise face aux compromis et aux coûts cachés. Ils souhaitent dépasser le vernis séduisant du battage médiatique autour de l’IA et comprendre les véritables implications de l’utilisation de ces outils, leurs coûts et avantages réels, ainsi que les moyens d’en atténuer les effets néfastes. »

– « Lassés d’être des consommateurs passifs, les citoyens cherchent des moyens de s’engager davantage. Nombreux étaient ceux qui souhaitaient découvrir des pistes concrètes pour une action collective, d’autant plus que la réglementation gouvernementale et les efforts pour responsabiliser les entreprises technologiques sont insuffisants. Nous avons constaté une volonté d’appréhender la complexité et un désir de s’opposer aux discours sur l’inévitabilité technologique. »

La culture de l’IA, la littératie, c’est-à-dire la maîtrise de savoirs, de capacités et d’aptitudes liées à l’IA, telle qu’elle est actuellement conçue, ne répond pas à ces besoins, estime l’Institut. Bien souvent, cette culture se limite à offrir la possibilité d’acquérir les compétences et les connaissances nécessaires pour utiliser l’IA et en tirer profit. Mais c’est un discours qui répète souvent que l’IA est inévitable et que ceux qui ne possèdent pas de connaissances dans ce domaine seront laissés pour compte. Dans un contexte économique déjà particulièrement difficile, pour beaucoup de gens, cette approche sonne comme une menace. 

« Dans son nouveau rapport, (404) Job Not Found : What Workforce Training Can’t Fix for Black Atlantans in the Age of AI, Anuli Akanegbu, chercheuse chez Data & Society, analyse la manière dont l’IA est abordée dans les milieux universitaires, promue par l’industrie, mise en œuvre par les pouvoirs publics et perçue au sein de la société civile. Basée à Atlanta, ville qui aspire à devenir l’épicentre de la main-d’œuvre de demain préparée à l’IA, Akanegbu décrit l’incapacité des pouvoirs publics et de l’industrie à définir clairement la culture de l’IA ou à préciser les compétences nécessaires aux travailleurs sur un marché du travail de plus en plus dominé par l’IA comme une abstraction stratégique, une forme de flou intentionnel qui transforme l’avancement professionnel en un objectif en constante évolution » (voir également toutes les limites des annonces qui exigent une « maîtrise de l’IA exigée »). « Ce flou sert un dessein : il reporte la responsabilité du chômage sur une main-d’œuvre majoritairement noire plutôt que de s’attaquer aux conditions structurelles qui rendent l’accès aux emplois de qualité de plus en plus difficile. En présentant l’adoption de l’IA comme une question d’effort individuel plutôt que de limitations systémiques, le concept de littératie de l’IA a été instrumentalisé pour promouvoir une solution simpliste au problème très complexe du déplacement d’emplois. De même que l’éducation aux médias imputait la désinformation, la manipulation médiatique et l’effondrement du système d’information aux utilisateurs individuels des réseaux sociaux, l’éducation à l’IA reproche aux travailleurs de ne pas trouver d’emploi rémunérateur plutôt qu’à un contexte socio-économique plus large qui normalise la précarité. »

D&S souhaite que son initiative parte des travailleurs, des étudiants, des citoyens… et qu’elle s’appuie sur les connaissances militantes pour aider les citoyens à exercer davantage leur pouvoir collectif à l’ère de l’IA. L’enjeu n’est pas seulement de se former à l’IA ou de s’y préparer, mais d’y ajouter la participation et l’intervention citoyenne. D&S est à la recherche d’organisations souhaitant rejoindre ce programme pour construire les ressources permettant de renforcer les capacités d’actions des citoyens. Que ce soit par exemple en créant des ressources pour les usagers des bibliothèques, ou en travaillant avec les associations de parents d’élèves pour documenter leurs méthodes pour mieux inspecter les marchés publics des districts scolaires lorsqu’ils achètent des outils technologiques… (voir notre article sur la montée de la contestation de l’IA à l’école).

« Les risques et les préjudices liés à l’IA sont bien documentés, mais ils ne sont pas inévitables. Notre mission essentielle aujourd’hui est de renforcer le pouvoir démocratique sur les institutions qui conçoivent et déploient les systèmes d’IA. Il est temps que la responsabilité publique et l’intérêt général soient de nouveau au cœur de l’innovation technologique à grande échelle. Il est temps que le grand public exerce un contrôle démocratique plus important sur l’IA. Il est temps d’instaurer une éducation civique sur l’IA. » 

En tout cas, cette approche par l’éducation publique qui considère l’IA non pas comme un outil à maîtriser, mais comme un domaine de la vie civique où les citoyens ont des droits, des responsabilités et des moyens d’action collective est stimulante et inspirante. Bien loin par exemple des orientations britanniques prises en janvier de formation à l’IA pour tous, contestées par les acteurs de la médiation du Royaume-Uni (voir « Royaume-Uni : l’IA pour tous ! Laquelle ? »).

Résistances organisées

Ce travail ne part pas de nulle part. En fait, il a déjà largement commencé. A l’heure où les contestations contre la tech sont en passe d’être qualifiées d’extrémistes aux Etats-Unis, plusieurs autres collectifs de recherche et d’action documentent des modalités et des méthodes pour demander des comptes. L’AI Now Institute a ainsi lancé un kit d’action pour aider les citoyens à comprendre les réglementations mobilisables pour développer des recours contre le déploiement de centres de données. 

La journaliste Karen Hao, autrice du remarqué L’empire de l’IA (qui vient d’être traduit aux éditions L’écran fantastique) a lancé la liste de résistance à l’IA avec le Laboratoire de droit des réfugiés, le Distributed AI Research Institute (DAIR, fondé par la chercheuse Timnit Gebru) et l’association de justice sociale We and AI. Remettre en question le caractère inéluctable de l’IA est l’enjeu de cette liste qui recense et documente très succinctement et très partiellement les actes de résistance et d’opposition à l’industrie de l’IA à travers le monde. Comme le raconte l’anthropologue et l’avocate du numérique Petra Molnar (auteure de The Walls have Eyes, The New Press, 2024) dans Tech Policy Press, cette liste à été initiée par le travail du collectif Migration Tech Monitor, et notamment de celui du journaliste syrien Wael Qarssifi qui à documenté l’impact de la surveillance dans son pays et de Verónica Martínez qui a travaillé sur les effets de la surveillance et de la militarisation le long de la frontière américano-mexicaine. Comme l’explique Molnar, la liste a été intentionnellement documentée avec les initiatives évoquées et en se concentrant intentionnellement sur les pays en développement où les systèmes d’IA sont fréquemment déployés avec « moins de garanties réglementaires et un potentiel de préjudice plus élevé, et où les formes de résistance sont contraintes à être plus inventives ». 

La liste est articulée autour de quatre modes de résistances, afin d’élargir sa définition : résister, refuser, se réapproprier et réinventer. Au Nouveau-Mexique, le site documente les actions en justice menées par le New Mexico Environmental Law Center contre le développement du « Projet Jupiter », un énorme centre de données. En Uruguay, le Mouvement pour un Uruguay soutenable a lancé une campagne pour exiger une plus grande transparence concernant un projet de centre de données de Google. Au Japon, le Syndicat japonais des travailleurs de la métallurgie, de la fabrication, de l’information et des télécommunications a saisi la commission du travail du gouvernement de Tokyo afin de contraindre IBM à divulguer les données d’IA utilisées pour le calcul des salaires. « Au Chili, des habitants de Quilicura, une commune ouvrière de la banlieue de Santiago, se sont transformés en chatbot humain le temps d’une journée. Quili.ai, un site web conçu pour ressembler à une interface d’IA, redirigeait les requêtes des utilisateurs vers des membres de la communauté qui répondaient en temps réel. Pendant plus de 12 heures, en collaboration avec des artistes locaux, ils ont répondu à 25 000 questions d’utilisateurs de 68 pays. L’objectif n’était pas de prouver que les humains pouvaient surpasser l’IA, mais d’amener les gens à s’interroger sur ce qu’ils abandonnaient réellement, et au profit de qui, en externalisant leurs requêtes vers un système bâti sur l’exploitation du bassin du fleuve Maipo et de communautés comme la leur. » 

Nombre de résistances sont liées aux transformations du travail, bien sûr. En Californie, les professionnels de la santé mentale de Kaiser Permanente ont mené une grève pour dénoncer le remplacement du jugement clinique par un triage algorithmique. Au Royaume-Uni, les personnels de santé se mobilisent pour refuser l’intégration de Palantir dans le système de santé publique. 

Aux Philippines, plusieurs organisations de travailleurs du numérique ont formé une coalition pour promouvoir la représentation des travailleurs dans l’élaboration des politiques relatives à l’IA et documenter les préjudices causés par l’adoption de l’IA. A Nairobi, l’Association des étiqueteurs de données (comptant aujourd’hui près de 900 membres), milite pour des conditions de travail équitables, des contrats transparents et la reconnaissance du travail cognitif et émotionnel lié à l’entraînement des systèmes d’IA. Lorsque Microsoft a commencé à intégrer massivement des fonctionnalités d’IA dans ses produits, des utilisateurs ont lancé un site web dédié, Microslop, pour recenser la dégradation de l’expérience utilisateur. L’artiste Sam Lavigne, lui, a proposé un plug-in pour navigateur, qui manipule les chatbots afin de ralentir leur temps de réponse pour inviter les utilisateurs à s’interroger sur ce qu’ils attendent exactement et pourquoi. Decolonize Digital est une collection de ressources, une « boîte à outils de libération » qui propose des alternatives, comme par exemple des solutions pour Dé-Googliser nos existences. Ou encore O Panóptico, un projet qui recense les initiatives de reconnaissance faciale au sein du système de sécurité publique brésilien. 

Transparence, participation, élargissement et contrôle distribué

« Les initiatives recensées sur la liste AI Resist mettent également en lumière un ensemble de revendications auxquelles aucun cadre réglementaire existant ne répond pleinement, et auxquelles toute politique sérieuse de gouvernance de l’IA devrait s’attaquer », souligne  Petra Molnar. 

La première revendication transversale est bien sûr la transparence. Nombre de mouvements de résistance réclament bien souvent seulement de savoir ce qui est construit, par qui, avec quelles ressources et à quel prix. « Même des exigences de divulgation minimales, si elles étaient appliquées de manière cohérente, bouleverseraient fondamentalement le modèle opérationnel actuel du secteur, qui repose sur l’opacité à chaque étape de la chaîne d’approvisionnement », rappelle Molnar. 

La deuxième revendication est la participation. Des employés d’Amazon qui ont exigé d’être consultés avant le déploiement de l’IA au sein de leur entreprise, à la coalition philippine qui milite pour la prise en compte des travailleurs dans l’élaboration des politiques relatives à l’IA… « nombres d’exemples pointent vers le même constat : les décisions concernant l’IA sont prises trop rapidement, en secret, par un petit nombre d’acteurs puissants cherchant à s’enrichir davantage, sans aucun mécanisme efficace permettant aux personnes les plus touchées d’intervenir ». Améliorer les contraintes de participation des publics serait seule à même d’entraver les décisions. 

La troisième implication transversale vise à étendre la perception de la chaîne d’approvisionnement de l’IA. Des exactions sur les ressources minières au Congo en passant par celles des étiqueteurs du Kenya, « les coûts de l’IA sont systématiquement répercutés sur les communautés les moins à même de les supporter et les moins représentées dans les instances décisionnelles. Tout cadre de gouvernance qui n’étend pas son champ d’application aux communautés minières de la République démocratique du Congo, aux modérateurs de contenu d’Afrique de l’Est et aux annotateurs d’Asie du Sud-Est ne gouverne pas l’IA. Il gouverne un complexe industriel lucratif et soigneusement orchestré. » 

Le quatrième point, et peut-être le plus important sur le plan structurel, qui unifie divers exemples, concerne la question du contrôle de l’infrastructure de l’IA. « Les campagnes contre les centres de données au Nouveau-Mexique et en Uruguay ne sont pas de simples conflits environnementaux locaux. Elles constituent les prémices d’une lutte plus vaste : l’infrastructure physique de l’IA, incluant les terres, l’eau et l’énergie nécessaires à son fonctionnement, sera-t-elle considérée comme une ressource publique ou un actif privé ? Les communautés qui s’y opposent soulèvent des questions auxquelles aucune stratégie nationale en matière d’IA n’a encore apporté de réponse satisfaisante : qui autorise cette infrastructure ? Dans quelles conditions environnementales et démocratiques ? Et quels recours disposent les communautés affectées lorsque ces conditions ne sont pas remplies ? »

La liste des résistances à l’IA ne dit pas que la résistance triomphe toujours, bien au contraire, ni qu’elle suffira à corriger les inégalités de pouvoir que le développement de l’IA renforce. Elle recense seulement des actions juridiques, l’organisation des travailleurs, les campagnes citoyennes, les provocations artistiques, les outils techniques, la création de coalitions et le travail de documentation patient que ceux qui subissent ces préjudices mettent place. Ses exemples proviennent d’Allemagne, du Japon, du Kenya, du Chili, des Philippines, du Royaume-Uni, d’Uruguay, de la République démocratique du Congo et des États-Unis. Mis bout à bout, « ces éléments constituent une réalité que l’industrie de l’IA préférerait ne pas reconnaître : l’IA n’est ni une force irrésistible ni au-dessus de toute contestation démocratique, et des personnes sur tous les continents sont prêtes à remettre en question son caractère prétendument inévitable. »

Mais la liste ne se contente pas de suggestions critiques. Elle recense également des projets plus stimulants et constructifs. Par exemple : Hire a coop, une plateforme argentine et brésilienne doublée d’une campagne de communication pour encourager le recours à des entreprises coopératives, détenues par leurs travailleurs (voir également notre article sur le sujet). Ou encore, le réseau Huniki, un réseau d’entreprises technologiques spécialisées dans les langues africaines pour construire des systèmes sur mesures développées par et pour leurs locuteurs. De même, Lesan AI est un outil de traduction automatique pour deux langues éthiopiennes développés avec les traducteurs et les communautés qu’ils servent. Slow AI, de l’association AIxDesign met en lumière des approches à petites échelles… Enfin, le wiki du réseau Permacomputing défend des initiatives inspirées de la permaculture appliquées à l’informatique. 

L’initiative AI Civics de Data & Society ou la liste des résistances à l’IA lancée par Karen Hao nous invitent à amplifier les mobilisations en rendant visibles celles qui se déploient déjà, en documentant leurs réussites et leurs échecs pour permettre à chacun de s’en inspirer… de les prolonger, de les reproduire. 

Hubert Guillaud

« Pendant des années, DribbleUp, une entreprise d’équipements sportifs américaine, a consacré son temps et ses ressources à identifier les cibles publicitaires pour ses ballons de basket et de football sur Facebook. Mais depuis deux ans, elle diffuse ses publicités exclusivement via les outils d’intelligence artificielle de Facebook. Depuis, les ventes de DribbleUp ont dépassé ses dépenses marketing. L’entreprise a également augmenté son budget publicitaire sur Facebook. L’expérience de DribbleUp illustre comment l’IA remodèle le secteur de la publicité numérique.» 

Les systèmes d’IA aident les entreprises à automatiser leur marketing. « Petites et grandes entreprises peuvent désormais créer des publicités, cibler des audiences, enchérir sur des espaces publicitaires et mesurer leurs résultats. Ce processus a simplifié la tâche des entreprises locales, qui peuvent ainsi développer des campagnes aussi sophistiquées que celles des géants du secteur. Selon les entreprises technologiques et les marques, cette technologie rend également les publicités plus efficaces. Par conséquent, les investissements publicitaires affluent vers les géants de la tech », notamment Meta et Google. En 2022, année de lancement de ChatGPT, les ventes liées à l’IA totalisaient 1 milliard de dollars, un chiffre qui a atteint 35 milliards de dollars l’année dernière, selon Madison & Wall, un cabinet de conseil spécialisé dans le suivi du secteur. Cette année, les ventes devraient exploser de 60 %, pour atteindre 56 milliards de dollars. « Google et Meta étaient déjà en tête, et maintenant, grâce à ces outils d’IA, ils creusent l’écart », a déclaré Luke Stillman, directeur général chez Madison & Wall. A l’ère de l’IA, « être plus grand n’est pas seulement un avantage proportionnel pour Google et Meta », a-t-il déclaré. « C’est un avantage exponentiel. » 

« L’IA a alimenté un boom de la publicité numérique car cette technologie peut analyser instantanément d’énormes quantités d’informations. Elle aide Google et Meta à proposer aux utilisateurs un contenu plus pertinent, ce qui augmente le nombre de publicités que ces entreprises peuvent diffuser. Elle permet de mieux comprendre les centres d’intérêt des utilisateurs, ce qui améliore la capacité des entreprises à cibler les publicités. Enfin, elle réduit les coûts publicitaires, libérant ainsi des fonds pour des campagnes plus ambitieuses. » 

« La technologie est prête à remplacer significativement le travail manuel dans notre secteur », conclut un directeur marketing. Avec l’IA, le système est plus facile à utiliser pour les entreprises, même si la technologie sous-jacente est devenue plus complexe et que les annonceurs ont moins de contrôle sur l’apparence, l’emplacement et les performances de leurs publicités. « Les véritables avancées commerciales proviennent du ciblage. Auparavant, un annonceur disait par exemple : « Je souhaite cibler les femmes new-yorkaises âgées de 24 à 35 ans.» Désormais, c’est l’inverse : Meta et Google utilisent l’IA pour recommander aux marques les clients qu’elles devraient cibler. »  « Les publicités non pertinentes ont diminué de 40 %, ce qui représente une amélioration significative pour une entreprise rémunérée uniquement lorsqu’un internaute clique sur une annonce. » 

« Les outils d’intelligence artificielle (IA) prennent également en charge certains aspects du processus créatif et marketing. Google permet désormais de modifier le message des publicités en temps réel afin de mieux répondre aux attentes des internautes. Ce système, que Google appelle « Recherche réactive », crée et teste les textes publicitaires avant de diffuser automatiquement une campagne correspondant au mieux aux centres d’intérêt de l’utilisateur », et permet de réaliser des économies sur la conception de leurs publicités. «  Chris Wilhelmi, responsable mondial des données et des médias chez Monks, agence de marketing, a déclaré que les clients économisaient 30 % sur le coût de leurs campagnes. Sur le contenu, les économies peuvent atteindre 65 %. Nombre d’entre eux réinvestissent ces économies dans le test et l’expérimentation de nouvelles stratégies publicitaires. »

« Aujourd’hui, tout le monde aborde le marketing comme un problème technologique ». 

Tripp Mickle et Eli Tan

On l’a dit plusieurs fois dans nos pages, la tentation d’avoir recours à l’IA pour délibérer à la place des citoyens n’est pas sans risques. Et les perspectives de l’utiliser pour « étendre » le débat démocratique au risque de refermer la participation aux productions de l’IA, n’est pas un petit écueil devant nous. 

De l’IA pour générer des publics

La chercheuse M.R. Sauter, professeure au collège d’information de l’université du Maryland, explique dans un article de recherche, que nombre de travaux proposent d’utiliser l’IA comme substituts ou compléments à la participation humaine dans nombre de processus démocratiques, comme les sondages ou les consultations. Et cette perspective est problématique. 

Pour elle, ces propositions ne sont pas de simples interventions techniques qui visent à réduire les coûts de la participation, mais s’appuient sur un imaginaire civique qui rend ces substitutions plausibles voire souhaitables. Si ces propositions s’entendent, estime-t-elle, c’est d’abord parce que nous avons assimilé une forme d’équivalence entre humains et données, parce que nous pensons que les systèmes génératifs nous permettent de révéler des vérités et parce que nous avons intégré également le caractère procédural de la démocratie, tant et si bien qu’elle nous semble pouvoir fonctionner en l’absence même des gouvernés. Les données synthétiques qui seraient capables de refléter l’opinion de tout un chacun s’alignent sur les croyances du développement de l’IA qui nous fait croire en leur capacité de représentativité, tout en sapant l’éthique démocratique de la participation. Or, rappelle la chercheuse, « ces systèmes, par nature, entravent la capacité d’interpellation des citoyens et transforment la participation en la rendant symbolique plutôt que relationnelle ». L’imaginaire de l’IA civique ne comble pas les déficits démocratiques, mais les aggrave. Elle offre surtout une couverture idéologique présentant l’efficacité, la substitution des citoyens par des machines statistiques et l’abstraction comme s’ils pouvaient être des progrès démocratiques. 

« Les institutions démocratiques contemporaines sont marquées par une érosion persistante de la participation. Dans ce contexte, les propositions de déploiement de systèmes d’IA dans la gouvernance participative et représentative se présentent souvent comme des interventions correctives, promettant efficacité, inclusion ou légitimité renouvelée. (…)  L’imaginaire de l’IA civique permet, encourage et excuse l’utilisation de systèmes informatiques comme substituts aux personnes dans les structures de gouvernance participative et représentative. » Mais pour la chercheuse, ces solutions risquent surtout d’éroder plus avant la participation. 

Reste que cet imaginaire d’une IA pour nous représenter tous repose sur le fait que l’efficacité, la quantification et l’optimisation sont déjà des enjeux très présents dans les structures de gouvernance, où l’importance consiste bien plus à mesurer ce que la participation produit. Plus encore, comme nous le disaient Nicolas Rio et Manon Loisel dans leur petit livre, Pour en finir avec la démocratie participative (Textuel, 2024, voir notre critique) la participation trop souvent ne permet pas d’élargir l’écoute, c’est-à-dire d’écouter ceux qui ne participent pas, quand cela devrait être sa fonction première. L’IA, malgré toutes les données qui sont les siennes, risque de rendre encore plus silencieux ceux qui n’y sont pas représentés. « La crise démocratique est une crise de l’écoute », disaient-ils. Mais écouter les données analysées par l’IA et ses biais, plutôt que les citoyens, ne la résoudra pas. 

Activer l’IA pour améliorer la démocratie répond parfaitement aux enjeux et valeurs des acteurs qui se proposent de produire les interfaces des consultations sous IA, plus qu’à ceux de la démocratie elle-même, conclut M.R. Sauter. 

Les simulations ne sont pas des opinons

Sur son blog, le professeur de mathématiques appliquées, Arthur Charpentier, résume parfaitement le problème en prenant un cas concret et en montrant comment l’IA est utilisée pour améliorer la représentation statistique. L’idée consiste à “inventer” des répondants supplémentaires pour mieux décrire de petits groupes, explique également le statisticien Thomas Delclite sur son blog sur Mediapart. Ces enjeux de calibration ne sont pas nouveaux, rappelle le professeur. « On modifie les poids de sondage pour respecter des contraintes connues sur la population, par exemple des totaux par sexe, âge ou région. » Mais ses corrections viennent avec un prix à payer : les données synthétiques ne produiront jamais la précision de personnes réelles et ont tendance à amplifier les biais d’échantillonnages non représentatifs. « La génération synthétique peut prolonger le biais, le lisser, le rendre plus cohérent, et surtout créer une fausse illusion », rendant l’incertitude plus invisible qu’elle n’est. Mais surtout, rappelle Charpentier, ces cas d’utilisations aggravent les risques de mauvaises interprétations et les pratiques manquent souvent de transparence sur leurs méthodes. « Ce n’est pas une querelle entre anciens statisticiens attachés aux preuves mathématiques, et nouvelles méthodes d’IA. Le cœur du problème est un problème très classique d’inférence. Qu’est-ce qui est aléatoire ? Qu’est-ce qui est observé ? Qu’est-ce qui est imputé ? Quel est le modèle ? Quelle incertitude est propagée ? Et que signifie exactement l’intervalle annoncé ? » « Le risque est fort de “corriger” ce qui ressemble à une anomalie statistique, alors que cette anomalie est peut-être précisément le signal politique ou sociologique que l’on cherchait à mesurer. »

On le comprend bien mieux quand on cherche à extrapoler les résultats. On pourrait ainsi générer des réponses de toute la population… mais dans ce cas là, ce que l’on génère, ce n’est pas la population, « c’est une image de la population selon un modèle, appris à partir de données limitées ». Si les données synthétiques peuvent être utiles, elles demandent une discipline méthodologique stricte. Or, les distinctions subtiles que ces techniques produisent  ne sont pas seulement techniques : elles deviennent rapidement démocratiques. 

Dans un second billet, Arthur Charpentier pointe une étude qui propose justement de demander à un modèle de langage de répondre à la place des personnes : la méthode s’appelle le silicon sampling, l’échantillonnage synthétique. L’attrait pour ces techniques est fort, on le comprend, notamment parce qu’elles permettent de réduire considérablement les coûts des sondages, enquêtes et pannels. Pour le statisticien Eli McKown-Dawson qui édite avec le statisticien Nate Silver le Silver Bulletin, ces modèles ne sont pas forcément inutiles, mais ils doivent rester ce qu’ils sont, des résultats de modèles et non pas des sondages :  les sondages IA sont d’abord de faux sondages. Le silicon sampling vise à produire une prédiction de ce qu’un sondage pourrait dire. « Les sondages eux-mêmes sont à traiter avec précaution. Ils reposent sur des pondérations, des corrections de non-réponse, parfois des modèles de vraisemblance de vote ou de post-stratification. Si un échantillon contient trop de diplômés ou trop peu de jeunes, on corrige. Si un groupe est difficile à atteindre, on pondère ou on modélise. Mais il repose sur un socle “empirique”, avec des personnes qui ont été contactées, certaines qui ont répondu, et l’incertitude statistique porte sur ce passage fragile d’un échantillon observé à une population.

Dans un sondage synthétique, le modèle ne corrige pas une enquête, il se substitue à l’enquête. » Dans l’étude originale sur le silicon sampling, l’idée est de chercher à produire une « fidélité algorithmique », où  le modèle est conditionné par des descriptions sociodémographiques issues de vrais répondants. Mais les auteurs formulent des conditions très exigeantes à leur usage. Dans une autre étude qui met en pratique l’échantillonnage synthétique, les chercheurs ont fait l’essai sur des données de l’élection présidentielle américaine de 2020… Dans un premier temps, les distributions simulées semblent être très proches des données. « Mais dès que l’on regarde par sous-groupes ou par thèmes, on commence à voir des soucis apparaître. Le modèle devient trop extrême pour certains groupes partisans. Les auteurs notent par exemple que les démocrates et républicains synthétiques votent presque unanimement pour leur camp, davantage que les répondants humains. Plus intéressant encore, le modèle se met à produire des réponses “inoffensives” (“harmless”) ou socialement attendues sur des sujets sensibles. Sur certaines questions de race, de genre, d’homosexualité, de santé ou d’immigration, les réponses générées semblent moins refléter la diversité des opinions humaines qu’une norme de prudence inscrite dans le modèle. Les auteurs parlent d’un biais vers des réponses “harmless”, qui peut varier selon les groupes simulés. Et c’est un point important ! Les modèles ne sont pas seulement des machines à reproduire ce qui se trouve dans les données d’entraînement. Ils sont aussi des machines alignées, filtrées, modérées, ajustées pour produire certains types de réponses. » Bref, « les simulations ne sont pas des opinions ». « Dans un sondage politique ou social, l’unité statistique n’est pas seulement une ligne dans un fichier. C’est une personne atteinte par un dispositif d’enquête, avec une probabilité d’inclusion, une réponse observée, une non-réponse possible, un poids, et une contribution à l’incertitude. Une ligne produite par un modèle n’a pas cette histoire. Elle dit quelque chose du modèle, pas forcément de la population. »

Pour Jamie Cummings, chercheur au LipLab de l’université de Gent, avoir recours à des participants artificiels peut « engendrer des résultats très variés, voire contradictoires, et aucune combinaison spécifique de choix ne permet d’obtenir des données correspondant parfaitement aux réponses humaines », explique-t-il dans un article de recherche discuté dans Science. En testant ces outils, lui aussi constate une grande variété de résultats selon les indicateurs et les critères retenus pour constituer ces publics synthétiques. « Si deux chercheurs différents menaient la même étude sur des échantillons synthétiques, en faisant des choix justifiés différents, ils pourraient aboutir à des conclusions opposées, explique-t-il. » Bref, il va falloir mieux documenter les situations où cet usage pourrait être approprié, comme par exemple pour des expériences pilotes ou pour tester des enquêtes. Le risque pourtant, c’est que la pratique se diffuse, notamment auprès d’acteurs bien peu académiques et bien peu regardant des limites de ces outils. 

… à l’IA pour traiter des sondages et consultations

Mais l’IA n’est pas seulement utilisée pour générer des publics synthétiques, elle est aussi de plus en plus utilisée pour traiter les enquêtes, sondages et autres consultations… notamment les plus massives, comme l’explique le journaliste Chris Stokel-Walker pour Tech Policy Press. 

En 2025, lors d’une réforme sur le secteur de l’eau, les agences britanniques ont reçu des milliers de contributions du public. Pour les examiner, ils ont eu recours à Consult, l’un des outils d’IA de la suite Humphrey* (qu’on pourrait qualifier d’Albert britannique ou de Mistral britannique puisque désormais il semble que ce soit plutôt Mistral qui soit l’IA envisagée pour équiper les fonctionnaires Français). L’outil a permis de classer les 50 000 réponses par thèmes évitant une fastueuse classification manuelle des réponses et de produire une analyse dédiée.  

Pour Chris Schmitz, chercheur à la Hertie School de Berlin, l’enjeu ne consiste pas seulement à analyser les documents de consultation, mais aussi à empêcher toute manipulation du processus lui-même (même si Schmitz n’explique pas du tout comment : l’analyse établie par l’IA n’assurant pas pour autant de la synthèse équitable et valide des réponses). Le risque pourtant est bien que ces processus qui font appel à la contribution publique soient submergés par l’analyse automatisée… Et en retour, que les espaces de participation des publics soient eux-mêmes augmentés et démultipliés par l’IA, par exemple via des outils IA qui permettent aux citoyens britanniques de contester les demandes de permis de construire, leur permettant de démultiplier les contestations et de produire des contestations plus argumentées et volumineuses (mais pas toujours plus solides juridiquement). 

Les analyses par IA de grands sondages ou de grandes cohortes sont souvent particulièrement problématiques. Bien souvent la méthodologie n’est pas transparente et les biais qui visent à qualifier automatiquement les réponses (par exemple en leur attribuant des notes selon des analyses sémantiques qui synthétisent les réponses en valeurs (positif ou négatif) ou en mots clés et réduisent les nuances et les expressions, souffrent de biais majeurs que beaucoup de cabinets de conseils qui mobilisent ces études pensent qu’ils se dissolvent dans le nombre… A l’image des études sur les réponses des cahiers de doléances des Français ou plus récemment l’étude du pluralisme des antennes de Radio France et de France Télévision produit par le très libéral et conservateur Institut Thomas Moore : une étude orientée pour démontrer que les programmes des émissions du service public seraient très orientés à gauche et qui a été largement dénoncé en se moquant du fait que l’étude par exemple classe les bulletins météo à gauche. 

Dans le secteur public, l’IA commence à être utilisée à d’autres endroits encore, explique Stokel-Walker. Le Sénat italien utilise l’IA pour gérer la surcharge d’amendements en regroupant les propositions similaires. La Commission européenne, elle, a publié un appel d’offre pour la fourniture de chatbots multilingues capables d’aider les citoyens à s’orienter parmi les obligations légales et notamment la réglementation européenne sur l’IA et le DSA. La Chambre des députés italienne soutient le projet GENAI4LEX-B, qui facilite la recherche et la rédaction législatives en synthétisant les amendements des commissions et en vérifiant la conformité des projets de loi aux normes de rédaction. D’autres pays utilisent également l’IA pour optimiser le processus d’élaboration des lois. 

Pour Schmitz, le problème est que les gouvernements considèrent l’intégration de l’IA comme une série de petites corrections techniques plutôt que comme une transformation structurelle de la manière dont les citoyens peuvent influencer l’État (et dont l’État peut influencer les consultations). Les outils de tri, de synthèse et de rédaction peuvent sembler être des améliorations logiques (on a déjà pointé certains biais des synthèses automatisées et les problèmes de dégradation des données quand l’IA les modifie comme les formes de sur-interprétations liées aux outils d’inférences) , mais « ce sont des solutions de fortune », soulignant qu’il ne constate « aucune réflexion systématique sur les conséquences à long terme pour la légitimité des processus de participation citoyenne ». Mais si les gouvernements l’utilisent principalement pour gérer les données générées par les machines ou pour gagner du temps dans les traitements, ils risquent d’aggraver la méfiance qu’ils cherchent justement à endiguer… c’est-à-dire à rendre la participation encore plus éloignée car de moins en moins représentée.

Hubert Guillaud

—-
* Non sans une certaine ironie, Humphrey tire son nom de la série télévisée satirique des années 80, Yes Minister, dans laquelle un nouveau ministre des affaires publiques est confronté à Humphrey Appleby, responsable de cette administration, qui use de tous les moyens à sa disposition pour décourager la moindre proposition du ministre… afin que rien ne bouge (merci à Aron West pour cette précision).

« Les concepteurs de logiciels et de matériel informatique savaient que leur rôle était de servir leurs clients. Il s’agissait d’identifier un besoin, puis d’y répondre. Mais à un moment donné après la crise financière, les aspirants entrepreneurs ont transformé cela : ils étaient persuadés que leur rôle était d’inventer l’avenir et que celui des consommateurs était de se conformer à cet avenir inventé. (…) Au lieu de technologies capables de résoudre des problèmes concrets, les entreprises ont enchaîné les modes passagères comme les NFT, le métavers et les grands modèles de langage. Leur point commun ? Elles ne sont pas conçues pour résoudre un véritable problème de marché. Elles sont conçues pour enrichir les investisseurs et les entreprises. »

Les géants de la tech nous promettent que demain l’IA générative dominera notre avenir. « Je parierais sans hésiter qu’un vaccin contre la rougeole obligatoire serait plus bénéfique à la survie des enfants américains que tout ce qu’OpenAI a accompli avec ses milliards de dollars à ce jour ». 

Les géants de la tech nous promettent la robotisation de nos existences. Mais ils oublient que nous avons déjà des robots domestiques. « Plusieurs, en fait : un lave-vaisselle, un lave-linge et un sèche-linge. Ils ne sont pas très mobiles, et pourtant, ils m’ont épargné un travail considérable. Mon réfrigérateur date des années 90 et mon micro-ondes n’est guère plus récent, et ces deux appareils m’ont été d’une aide précieuse : ils ont simplifié la conservation et la préparation des aliments, sans aucune intervention de l’IA. Il ne semble pas que l’IA puisse faire grand-chose pour améliorer les choses par rapport au niveau de base déjà atteint par ces machines, d’autant plus que ma technologie « basique » n’a pas nécessité de mise à jour depuis plus de 20 ans. » « Si vous voulez me fournir un robot domestique, j’ai une exigence très claire : il doit être au moins aussi performant que mon lave-vaisselle. »

« Les LLM sont, au mieux, une technologie d’entreprise qui peut faciliter certains types d’organisation de données ou accélérer la programmation. Cela n’a quasiment rien à voir avec la vie de la plupart des gens. Faciliter l’écriture de code ne change rien au fait que je n’ai pas envie d’écrire de code. »

« Les NFT, le métavers et ces casques de réalité virtuelle… n’ont séduit qu’un public très restreint, surreprésenté dans le capital-risque et chez les aspirants entrepreneurs du secteur technologique. Le cycle de hype de la Silicon Valley a fait des merveilles pour ces produits, et notamment pour ceux qui ont fondé des entreprises dans ces secteurs. Mais la plupart d’entre nous n’aspire pas à fonder une entreprise qui domine le monde. »

Elizabeth Lopatto

« L’Etat providence numérique » européen promet surtout surveillance, contrôle et exclusion alerte l’EDRi, la grande association européenne de défense des droits numériques. En instaurant une interface numérique entre les demandeurs de protection sociale et les prestataires, les États européens peuvent se soustraire à leurs obligations de services publics, « transformant le filet de sécurité social en un filet de pêche numérique, c’est-à-dire en un système de collecte et d’analyse des données personnelles » sans précédent. Cela se fait par le biais d’une architecture de gouvernance qui réoriente l’établissement de l’identité et de la confiance en une démarche descendante visant à considérer partout les bénéficiaires avec suspicion. 

En Europe, la fourniture de services publics essentiels – santé, sécurité sociale, éducation – relève principalement de la compétence des États membres, rappelle l’Edri. L’UE n’a aucun mandat direct pour dicter, par exemple, comment un habitant d’une zone rurale de Roumanie accède à un médecin ou comment un travailleur à Lisbonne perçoit des allocations chômage. Or, dénonce l’association, l’Union européenne, en présentant la numérisation comme un enjeu de marché intérieur et d’interopérabilité, déploie un ensemble de projets et de réglementations touchant des secteurs tels que la justice, la fonction publique et l’administration, et visant à faciliter et accélérer la communication et l’échange de données entre les systèmes des différents pays grâce à une numérisation uniforme. Elle est ainsi parvenue à s’immiscer au cœur des politiques sociales nationales. En facilitant les procédures administratives intra européennes ou le principe de la transmission unique (qui garantit que les citoyens et les entreprises ne fournissent leurs données à l’administration publique qu’une seule fois), présentées comme de simples commodités techniques, l’Europe déploie des « cadres coercitifs contraignant les administrations nationales à aligner leurs infrastructures sur les normes définies par Bruxelles ». Par le biais de mécanismes de financement, l’UE a de facto fait de la transformation numérique une condition à l’octroi de son soutien financier, court-circuitant ainsi le débat démocratique qui accompagne habituellement les grandes évolutions des politiques sociales. « Cette situation rappelle les tendances observées dans les pays en développement au cours de la dernière décennie, où des acteurs transnationaux ont financé des projets de développement conditionnés à des engagements en matière de numérisation, comme l’intégration de l’identification biométrique numérique dans les programmes du secteur public.»

« Cette extension du pouvoir s’est amplifiée pendant la pandémie de COVID-19. Le déploiement rapide du certificat numérique COVID de l’UE a été salué comme une réussite de la coordination européenne. Cependant, du point de vue des droits humains, il s’agissait d’un précédent dangereux. Il a instauré une infrastructure à l’échelle du continent pour la surveillance sanitaire et le contrôle des déplacements, mise en place dans un contexte d’état d’exception et sous un contrôle parlementaire limité. Au lendemain de la pandémie, cette gouvernance en mode d’urgence est devenue la nouvelle norme. L’infrastructure du certificat COVID n’a pas disparu ; elle a évolué. Elle a fourni le modèle technique et politique du portefeuille d’identité numérique de l’UE. Ce qui était justifié comme une mesure d’urgence pour prouver le statut vaccinal s’est transformé en un outil permanent que l’UE entend lier à tout, des permis de conduire aux ordonnances en passant par l’interopérabilité des comptes bancaires. La crise a donné l’impulsion nécessaire pour imposer des infrastructures d’identité intrusives qui auraient rencontré des années de résistance » dans les débats législatifs nationaux.

Pour l’Edri, la stratégie de numérisation de l’UE n’est pas une politique monolithique, mais repose sur un ensemble de projets sectoriels qui se chevauchent, comme :

• « L’Espace européen des données de santé (EHDS) : Cette initiative vise à créer une infrastructure transfrontalière massive pour le partage des dossiers médicaux. Si la promesse est d’améliorer les soins pour les touristes, les dispositions relatives à « l’utilisation secondaire » permettent le partage de données de santé pseudonymisées avec les chercheurs et l’industrie. Cela pourrait permettre de traiter les détails les plus intimes de nos vies comme une ressource pour l’économie des données, de plus en plus considérée comme essentielle à la compétitivité européenne, souvent avec des mécanismes de retrait opaques qui privilégient l’innovation à l’autonomie.
• ESSPASS (Carte européenne de sécurité sociale) : En numérisant la vérification des droits à la sécurité sociale pour les travailleurs mobiles, l’UE s’oriente vers une identité sociale numérique portable. Bien que cela puisse paraître pratique pour les travailleurs expatriés, ce système crée un registre centralisé des droits sociaux facilement contrôlable par les inspecteurs du travail et les autorités frontalières, transformant ainsi l’aide sociale en un outil de contrôle migratoire.
• eIDAS 2.0 et le Portefeuille EUDI : le Portefeuille EUDI est au cœur de cette architecture numérique. Il vise à regrouper toutes les informations d’identification numériques dans une seule application mobile. En imposant aux « intermédiaires » privés (comme Google et Apple) et aux services publics essentiels d’accepter ce portefeuille, l’UE impose de fait une existence numérique par défaut.»

Les atteintes à la vie privée liées à ces programmes sont profondes, souligne l’Edri. « Nous passons d’un monde d’interactions locales et analogiques – où votre médecin connaît votre état de santé et votre mairie vos besoins en logement – ​​à un monde de visibilité centralisée et numérique » total.

Lorsque les services essentiels sont numérisés par défaut, chaque interaction génère une donnée. L’agrégation de ces données dresse un portrait complet de la vie d’un individu. Les risques ne se limitent pas aux violations de données, mais s’étendent au profilage intime. Une identité numérique utilisée aujourd’hui pour accéder à une pharmacie peut être liée demain à un titre de transport, permettant à l’État de reconstituer les déplacements et les relations d’un individu avec une précision extrême.

De plus, ces systèmes s’appuient souvent sur le principe de « protection des données dès la conception » comme un simple argument de façade. On nous assure que des protocoles permettant l’authentification de l’utilisateur sans partage d’informations supplémentaires le concernant, nous protégeront, dénonce l’association. « Or, la protection de la vie privée ne se résume pas à la confidentialité des informations : elle concerne aussi l’utilisation des infrastructures pour exercer un pouvoir. Même si les données sont chiffrées, l’obligation d’utiliser un outil numérique autorisé par l’État pour exercer un droit fondamental constitue, en soi, une forme de surveillance. Elle crée un point de blocage où l’État peut couper l’accès à un service essentiel d’un seul coup ».

Le risque, à terme, s’alarme l’Edri, c’est bien plus l’exclusion by design que la protection by design. Les objectifs du programme de la « Décennie numérique » visent à ce que 100% des services publics soient numériques d’ici 2030. Mais qu’adviendra-t-il des milliers de personnes confrontées à des obstacles technologiques ?

« La numérisation constitue souvent un frein pour les plus marginalisés : les personnes âgées, les sans-abri, les migrants et les personnes vivant dans la pauvreté. Lorsqu’un bureau physique ferme et est remplacé par un portail web ou un code QR, le service n’est pas nécessairement modernisé, mais de fait supprimé pour une partie de la population. On assiste à l’émergence d’une « sous-classe technologique » qui doit s’appuyer sur des intermédiaires (famille, ONG) pour accéder à ses droits, ce qui la prive de sa dignité et de sa vie privée. »

Sans compter que l’information unique et l’interopérabilité sont encore plus vulnérables aux erreurs : « un statut d’immigration mal classé ou une alerte à la fraude signalée à tort – peut se propager instantanément à l’ensemble du système administratif européen, sans possibilité de recours ».

« La volonté de l’UE de numériser les services essentiels est souvent présentée comme une fatalité technique. Or, il n’en est rien : c’est un choix politique qui privilégie l’intégration au marché et le contrôle administratif au détriment des droits fondamentaux et de l’inclusion sociale. »

À l’approche de 2030, il est nécessaire de remettre en question le consensus du tout numérique. Nous devons revendiquer un « droit à l’analogique », défend l’Edri : une garantie juridiquement contraignante que chaque service public essentiel reste accessible par des canaux non numériques et centrés sur l’humain, sans pénalité. Pour que ce droit soit effectif, il est indispensable que les options analogiques soient conçues de manière à ne pas être inférieures aux options numériques et qu’elles constituent un véritable choix pour tous, en particulier pour les communautés qui risquent d’être systématiquement exclues.

« Nous devons veiller à ce que l’interopérabilité ne devienne pas synonyme de visibilité totale.»

« Le contrat social européen repose sur les valeurs de solidarité et de droits humains. Si nous laissons ce contrat être réécrit par le code, sans transparence ni mandat clair, nous risquons de nous réveiller dans une Europe où l’État n’est plus un fournisseur de services, mais un gestionnaire d’identifiants numériques, et où le citoyen n’est plus titulaire de droits, mais un utilisateur dont l’accès » est révocable.

« L’IA est un concentré de concepts d’organisations ratés, et l’apogée de l’ère des incompétents, une époque où nous sommes dirigés par des gens tellement déconnectés de la réalité du terrain qu’il était inévitable qu’une technologie soit créée spécifiquement pour exploiter leur incompétence », cingle Ed Zitron, dans un billet savoureux d’être si rageux. 

« Si les PDG sont particulièrement vulnérables à la psychose de l’IA c’est parce qu’ils sont suffisamment éloignés du travail de terrain nécessaire pour générer de la valeur avec l’IA. Les LLM sont dangereux pour de nombreuses raisons, mais l’une des moins évoquées est leur capacité à manipuler les dirigeants les plus incompétents. L’IA générative est très douée pour imiter le travail, tout comme la plupart des managers et des dirigeants. Comme eux, même si elle est totalement incapable de faire quelque chose, elle prétendra le contraire et vous complimentera pour vos suggestions. Et c’est pour ça que les crétins du business l’adorent. » « Là où un humain dirait des choses agaçantes comme « c’est impossible dans ces délais » ou « on n’a pas les ressources nécessaires », l’IA répondra « bien sûr, tout de suite ! » et dépensera un maximum de ressources. »  

« Les entreprises ne dépensent pas des millions, voire des centaines de millions de dollars par an en IA parce que c’est une bonne chose, mais parce qu’elles sont dirigées par des personnes totalement incompétentes. L’IA générative est un véritable aimant pour les surveillants, les mouchards, les incapables, les flagorneurs et tous ceux qui détestent travailler et aiment rabaisser les autres. Autrement dit, elle flatte les ratés qui pensent qu’apprendre ou exceller dans un domaine est une perte de temps, car ils méritent de faire ce qu’ils veulent sans le moindre effort. » Les imbéciles de l’IA du monde des affaires sont des sortes d’escrocs, à l’heure où l’escroquerie est devenue la norme pour une part alarmante de la société. 

Si nous en sommes arrivés là, pour Zitron, c’est parce que la définition d’une bonne entreprise a évolué : nous sommes passés d’une entreprise fabriquant de bons produits à un prix juste, fidélisant sa clientèle et s’appuyant sur un marché durable, à une entreprise capable d’afficher la plus forte croissance boursière d’un trimestre à l’autre. C’est ce qu’il appelle, l’économie de la dégradation, une expression qui décrit bien comment les entreprises technologiques ont volontairement dénaturé leurs produits phares pour satisfaire leurs actionnaires, transformant des services utiles – et parfois appréciés – en une coquille vide, au nom de la croissance. Il est important de noter que cette transformation ne se limite pas au secteur technologique et n’est pas apparue uniquement lorsque ce secteur a pris sa forme actuelle, alimentée par le capital-risque et cotée en bourse. « Le management, en tant que concept, ne signifie plus « faire le travail », mais instaurer une culture de domination et d’extraction de valeur. » Un manager, à l’instar d’un PDG, n’occupe plus une fonction à responsabilités réelles : son rôle est de s’assurer que vous travaillez, de connaître suffisamment votre travail pour pouvoir vous donner des instructions, « mais ce rôle de « donner des ordres » ne s’accompagne d’aucun travail concret, et ces instructions n’ont pas besoin d’être utiles, ni même pertinentes.» « Les problèmes que Microsoft, Google, Meta et Amazon résolvent quotidiennement sont ceux liés à leurs actionnaires. Comment assurer notre croissance ? Comment maintenir l’engagement des utilisateurs avec nos produits ? Comment convaincre nos clients de payer plus cher pour nos services ? »

« Les machines à fabriquer du consentement promues par les imbéciles du monde des affaires servent à nous couper de la réalité, comme eux-mêmes le sont », explique Zitron avec sa verve habituelle. Comme si se déconnecter de la réalité était le principal moyen pour espérer devenir riche et occuper un poste de direction. 

« C’est pourquoi tant de patrons ont une réaction si anormale face à l’IA, la promouvant et la défendant comme s’il s’agissait de leur religion ou de leur patrie. Si beaucoup utilisent les LLM et les perçoivent comme une sorte de calculatrice ou de moteur de recherche, beaucoup d’autres y voient l’opportunité de s’élever au-dessus du peuple qui travaille ou qui crée, car ils trouvent le processus de travail ou d’effort absolument répugnant. Quand quelqu’un dénigre l’IA, l’idiot du Business se sent obligé de la défendre bec et ongles, car attaquer les LLM revient à attaquer leur production, ce qui revient à juger ceux qui tolèrent sa médiocrité et ses hallucinations inévitables. » « Les LLM impressionnent les écrivains qui rechignent à écrire, les développeurs qui rechignent à coder, les chercheurs qui rechignent à faire de la recherche et les juristes qui se désintéressent de la jurisprudence. Ceux qui vous vantent les mérites de l’IA et vous persuadent qu’il est indispensable de l’utiliser cherchent en réalité à justifier leur propre paresse ou leur aversion pour l’effort. Quant à ceux qui sont impressionnés par les travaux des LLM, ils ont généralement des exigences crasses ». 

« L’agressivité dont font preuve les promoteurs et les dirigeants de l’IA envers ceux qui ne sont pas convaincus révèle une véritable faiblesse intellectuelle et morale. Personne n’a jamais eu raison, avec une telle insistance, une telle agressivité et un tel discours péremptoire du type « c’est là, et si vous ne l’adoptez pas, vous êtes stupide et condamné ». Personne d’aussi désespéré, insistant et autoritaire n’a jamais eu de bonnes intentions ». 

Les zélotes de l’IA « ne défendent pas tant les LLM que la forme la plus aboutie du capitalisme », celle d’un capitalisme de corruption, de prédation, mafieux. « L’industrie de l’IA est fondamentalement une machine à escroquer », balance Zitron. « Quelqu’un qui n’aime rien d’autre que recevoir des éloges pour le travail des autres peut désormais exécuter plusieurs agents simultanément, modifier sans cesse les instructions et se faire passer pour un spécialiste en IA, ses IA lui donnant l’air occupé d’une manière difficile à contester tant il n’y a que mensonges ». 

« Quand toute votre économie est organisée autour de cadres intermédiaires, de vice-présidents et de dirigeants qui ne font aucun travail concret, l’IA paraît donc magique ». 

« Comme les modèles d’IA peuvent être intégrés à n’importe quel système, par extension, n’importe quel fondateur d’entreprise spécialisée en IA peut prétendre que n’importe quel secteur peut être automatisé grâce à l’IA. Et comme les investisseurs en capital-risque ne n’y connaissent rien, ils sont naturellement impressionnés par n’importe quelle démo ou promesse qui semble plausible, surtout lorsqu’un LLM peut créer quelque chose qui ressemble à un logiciel.»

Nous sommes confrontés au plus grand gaspillage de capital de l’histoire de l’humanité. Et l’industrie de l’IA est en train de perdre. Personne ne sait vraiment comment mesurer le retour sur investissement de l’IA, rappelle Zitron. « Les entreprises ignorent la valeur réelle de l’IA et le budget qu’elles devraient y consacrer. C’est pourquoi Uber et d’autres épuisent leurs budgets de jetons sans, semble-t-il, réduire leurs dépenses.» « Tout ce baratin sur l’IA, soi-disant inévitable, réelle et surpuissante, ne semble jamais se traduire par des profits. » L’expérience d’Uber – qui brûle beaucoup d’argent dans l’IA – est représentative de l’expérience de pratiquement toutes les entreprises avec l’IA. Des dirigeants incompétents, totalement déconnectés de la production, exigent que leurs employés consomment un maximum de ressources, les incitant à le faire pour des raisons qui n’ont de sens que pour quelqu’un qui ne travaille pas. « L’IA est censée être un outil de rationalisation ultra-puissant qui transformera le monde du travail à jamais. Or, le résultat concret semble être : nous avons dépensé des sommes considérables pour quelque chose qui enthousiasme nos managers les moins compétents », explique Zitron avant d’analyser la profondeur de la bulle économique de l’IA, son grand cheval de bataille, depuis longtemps. Le modèle économique de l’industrie de l’IA est totalement irrationnel, répète celui qui n’a cessé d’en documenter les terribles excès. Il n’y aura pas de méthodes miracles pour rendre profitables des services facturés 100 ou 200 dollars par an quand ils en coûtent des milliers. « L’une des plus grandes erreurs que nous puissions commettre est de croire que les riches et les puissants ont la moindre idée de ce que l’avenir leur réserve, ou qu’ils ont une quelconque stratégie. »

« L’intrusion brutale, voire harcelante, des services d’IA dans notre quotidien n’est pas un signe de leur puissance, mais plutôt le reflet du manque de confiance et de la peur de leurs créateurs. Les bons produits se vendent en expliquant leurs atouts ; les produits douteux se vendent en trompant et en effrayant, et en profitant de la naïveté des personnes qui pensent qu’utiliser un LLM pour rédiger des e-mails et passer 12 heures par jour sur Twitter constitue un véritable travail. »

La demande en IA demeure le fruit d’une psychose collective. Son effondrement sera présenté comme imprévisible, car personne au pouvoir n’aura pris la peine de s’y intéresser. Pour Zitron, « nous sommes arrivés à un point où le masque commence à tomber, et la classe dirigeante, composée d’imbéciles, affiche sans vergogne son mépris pour l’humain », en annonçant notamment des licenciements sans fin. « Les dirigeants du secteur croient pouvoir bourrer le système de promesses de gains si mirobolants que la tech préférera s’autodétruire plutôt que d’admettre son erreur. Sundar Pichai, Andy Jassy, ​​Larry Ellison, Elon Musk, Mark Zuckerberg et Satya Nadella n’hésiteront pas à dilapider des centaines de milliards de dollars pour éviter l’inévitable, mais une fois que ce sera le cas, le résultat sera catastrophique.» Ceux qui adorent l’IA parlent sans cesse de son incroyable puissance sans jamais montrer ce qu’elle a accompli ni, peut-être, à quoi leur a servi tout ce temps soi-disant gagné… 

Zitron veut croire que nous nous dirigeons vers un krach véritablement catastrophique, susceptible de bouleverser le secteur du capital-risque et de porter un coup fatal à un ou plusieurs géants du cloud, tout en divisant profondément la société à de nombreux niveaux entre ceux qui se sont laissés prendre au piège et ceux qui ne l’ont pas été. À court terme, les conséquences seront absolument désastreuses pour nos marchés et notre économie en général. C’est la conséquence de la bombe à retardement que représentent le crédit privé et le capital-investissement. « Ces gens ne savent plus construire des choses qui fonctionnent, et la seule chose qu’ils savent faire, c’est dépenser de l’argent et licencier. Ils ne croient qu’à la croissance, et on ne peut pas survivre uniquement ni indéfiniment grâce à des croyances et à des promesses illusoires. »

« Aucune industrie digne de ce nom n’a besoin de vous induire en erreur ni de vous culpabiliser de ne pas adopter sa technologie. Personne de confiance ne jugera nécessaire d’humilier ou d’attaquer quelqu’un qui n’est pas suffisamment enthousiaste à propos d’un produit. Aucun PDG qui parle d’un avenir hypothétique pour vous vendre un logiciel aujourd’hui ne mérite votre confiance. Aucune technologie qui commet des erreurs régulièrement ne devrait être défendue. Et une industrie qui exige tout de nous — notre terre, notre énergie, notre eau, nos emplois, notre art, notre écriture, notre attention et chaque dollar que nous possédons — ne devrait susciter que du dégoût. »

Ce que l’IA accélère

Les promesses de l’IA pour découvrir de nouveaux matériaux ou révolutionner les découvertes scientifiques sont fortes. L’idée que l’IA serait l’avenir de la science comme on l’entend très souvent est bien plus un moyen d’orienter les investissements qu’une vérité scientifique, au risque d’augmenter la dépendance de la science à l’IA. 

Dans le domaine de la fabrication de médicament, on attend là encore que l’IA permette de nouvelles percées, explique The Economist. Pourtant, les partenariats entre entreprises pharmaceutiques et sociétés d’IA se multiplient, notamment dans l’espoir de mieux identifier des molécules, de raccourcir le temps de développement des essais cliniques et de diminuer le taux d’échec de ceux-ci (actuellement, « les médicaments candidats entrant en essais cliniques ont un taux d’échec de 90 %, ce qui porte le coût de développement d’un médicament efficace à la somme astronomique de 2,8 milliards de dollars »). « Même des gains d’efficacité marginaux représenteraient des avantages considérables. Des rapports provenant de l’ensemble du secteur suggèrent que l’IA a commencé à apporter ces gains. Elle a réduit la phase préclinique (celle qui précède les essais cliniques sur l’homme) à 12-18 mois, contre trois à cinq ans auparavant. Et elle a amélioré le taux de réussite. Une étude publiée en 2024, portant sur les performances de molécules proposées par l’IA lors des premiers essais cliniques, a révélé un taux de réussite de 80 à 90 %. À titre de comparaison, les moyennes historiques se situaient entre 40 et 65 %. »

« La conception d’un nouveau médicament commence généralement par le criblage de petites molécules organiques afin d’identifier celles présentant une activité biologique prometteuse afin de sélectionner les plus probables. L’IA peut analyser des bibliothèques de dizaines de milliards de molécules, en testant des propriétés telles que la puissance, la solubilité et la toxicité grâce à des émulations logicielles de ces molécules, sans qu’il soit nécessaire d’utiliser les molécules réelles en laboratoire. Jim Weatherall, l’un des responsables de cette activité chez AstraZeneca, une autre grande entreprise pharmaceutique, affirme que cette méthode permet de trier les molécules prometteuses deux fois plus vite qu’auparavant, et que plus de 90 % du processus de découverte de petites molécules de l’entreprise est désormais assisté par l’IA. »  

L’IA sert donc d’abord à optimiser les investissements. L’IA contribue également à améliorer la conception des essais cliniques. Par exemple en formulant une hypothèse sur une maladie et en tentant de confirmer ou d’infirmer ces hypothèses par une recherche bibliographique. 

L’IA se révèle également prometteuse dans la sélection des patients pour les essais cliniques. Elle peut analyser les dossiers médicaux, les biopsies et les examens d’imagerie des candidats afin d’identifier ceux qui pourraient tirer le meilleur parti d’un nouveau médicament. Une meilleure sélection des participants permet de réduire la taille des essais, et donc de les rendre plus rapides et moins coûteux. Un autre utilisation de l’IA consiste à créer des patients synthétiques permettant de comparer un patient réel et son double numérique pour comparer l’évolution prédite sans traitement par rapport au patient testé. A terme, les patients synthétiques permettrait de réduire les groupes témoins et leurs coûts (au risque tout de même que ces comparaisons aient une fiabilité relative). 

L’optimisation des essais cliniques via l’IA représente une réduction considérable des risques, avec une diminution concomitante des coûts de développement des médicaments. 

Mais si l’IA promet de produire de nouveaux médicaments, elle ne promet pas que nous ayons les capacités industrielles de le faire, comme le montrent les innombrables pénuries que nous traversons. Elle ne résout pas le risque d’abandon de la santé pour tous, qu’évoquait par exemple le philosophe Alexandre Monnin dans AOC il y a quelques mois (voire notre synthèse).

Au contraire. Dans le domaine de la médecine, comme le soulignaient l’avocate américaine des sans abris Leah Goodridge et la médecin et chercheuse, Oni Blackstock, directrice de l’association Health Justice, dans une tribune pour The Guardian, l’IA risque bien plus d’être utilisée pour refuser des soins que pour faire progresser la médecine. En Californie du Sud, où le nombre de personnes sans abris est l’un des plus élevé du pays, Akido Labs gère des cliniques pour les personnes sans domicile fixe et celles à faibles revenus. Mais ces patients sont vus par des assistants médicaux qui utilisent l’IA pour écouter les conversations, puis proposer des diagnostics et des plans de traitement potentiels, qui sont ensuite examinés par un médecin. L’objectif de l’entreprise, a déclaré son directeur technique à la Technology Review, est de « supprimer le médecin de la consultation ».

Cela s’inscrit dans une tendance plus large où l’IA générative est de plus en plus intégrée au système de santé, rappellent Goodridge et Blackstock. En 2025, une enquête de l’Association médicale américaine a révélé que deux médecins sur trois utilisaient l’IA dans leur travail quotidien, notamment pour diagnostiquer les patients. Une start-up spécialisée en IA (OpenEvidence, qui n’est pas accessible en Europe) a levé 200 millions de dollars pour fournir aux professionnels de santé un ChatGPT pour médecins. Et les législateurs américains examinent actuellement un projet de loi qui autoriserait l’IA à prescrire des médicaments. Bien que cette tendance à l’intelligence artificielle dans le secteur de la santé affecte presque tous les patients, son impact est plus profond sur les personnes à faibles revenus, qui rencontrent déjà d’importants obstacles à l’accès aux soins. « Les personnes sans domicile fixe et à faibles revenus ne devraient pas servir de cobayes pour l’IA dans le domaine de la santé. Au contraire, leurs voix et leurs priorités devraient déterminer si, comment et quand l’IA sera mise en œuvre dans leurs soins ». 

La saturation des hôpitaux, les coûts d’accès au soin… expliquent en grande partie ces développements. D’autant que ces contraintes « sont souvent amplifiées dans les communautés économiquement défavorisées, où les établissements de santé sont souvent sous-financés et les patients non assurés, avec un fardeau plus lourd de maladies chroniques dû au racisme et à la pauvreté ». Les très documentés biais des IA de santé, « qui diagnostiquent bien moins les problèmes des patients noirs et hispaniques, des femmes et des patients bénéficiant de l’assurance Medicaid, promettent surtout d’aggraver les inégalités de santé pour les patients qui rencontrent déjà des obstacles à l’accès aux soins ». Pire, comme on le lit dans la TR, les patients ne sont même pas informés que leur professionnel de santé ou leur système de santé utilise l’IA. Un assistant médical explique ainsi que ses patients savent qu’un système d’IA les écoute, mais qu’il ne leur dit pas qu’elle formule des recommandations diagnostiques. Ces discriminations sont renforcées par la tendance croissante à l’utilisation de l’IA pour déterminer les remboursements de santé des personnes à faibles revenus (voir ce que nous disions d’United HealthCare connu pour sa politique de refus de remboursement de soins de santé). Bref, si l’IA d’un côté promet une amélioration de la production de médicaments, elle risque bien plus d’empêcher les publics d’y accéder. 

Il y a d’autres domaines que l’IA accélère, comme le pointait Cade Metz dans le New York Times. Notamment la recherche en mathématiques, en biologie et en chimie. Mais là encore, bien des annonces tonitruantes se révèlent souvent assez décevantes une fois que les spécialistes les décortiquent. C’était le cas notamment lorsqu’une startup d’IA, Harmonic a annoncé avoir résolu un problème mathématique, avant que les experts ne constatent que ses solutions ne différaient guère des travaux antérieurs de mathématiciens. L’IA parvient à identifier des solutions existantes, enfouies dans des décennies d’articles de recherche plus qu’elle n’en invente. « On a l’impression d’être face à un élève brillant qui a tout mémorisé pour l’examen, mais qui ne comprend pas vraiment le concept », assène le mathématicien Terence Tao. L’IA permet bien plus de suggérer des hypothèses ou des expériences qui permettent de cibler les recherches, explique un spécialiste du cancer, qui constate lui aussi que cela permet d’accélérer les processus. Mais un chercheur expérimenté est toujours nécessaire pour guider le système. Pour Terence Tao, interviewé dans Nature, l’IA peut commettre des erreurs invérifiables dans nombre de domaines, mais en maths, elles sont vérifiables. Les inconvénients sont donc bien plus limités. « On commence à voir des exemples où l’IA – peut-être par chance – résout des problèmes importants pour les mathématiciens. C’est encore très rare et l’IA présente encore de nombreuses faiblesses ; elle ne remplace pas le travail humain. Mais il devient de plus en plus difficile de nier l’efficacité de ces outils. » Mais définir de nouveaux concepts et déterminer les problèmes à résoudre restera probablement du ressort des mathématiciens humains… au moins pendant un certain temps encore, estime le médaillé Fields. 

… au risque de réduire le champ d’investigation de la science

Si l’IA pour la recherche scientifique promet, elle pourrait aussi avoir des effets délétères, rappelle la journaliste Grace Huckins pour la Technology Review et réduire à terme le dynamisme de la science. Une étude publiée dans Nature a révélé que si certains scientifiques perçoivent des avantages professionnels à adopter l’IA, la science dans son ensemble pourrait en pâtir, car l‘IA réduit le champ d’investigation de la communauté scientifique. Cela pourrait s’expliquer par le fait que l’IA excelle particulièrement dans l’analyse de données et de publications existantes, ce qui incite les scientifiques qui l’utilisent à se concentrer sur des domaines établis où des données à grande échelle sont disponibles. Il pourrait en résulter un nombre réduit de scientifiques disponibles pour étudier des problèmes moins adaptés à l’IA. Intégrer efficacement l’IA dans la science est plus qu’un simple défi technique : préserver le dynamisme et la diversité de la science à l’ère de l’IA pourrait nécessiter un effort concerté de la part de la communauté scientifique. 

Dans un éditorial pour Science, Julio Ottino et Brian Uzzi enfoncent le clou et dénoncent le risque d’une « progression sans progrès ». « Les progrès réalisés dans l’utilisation de l’intelligence artificielle pour faire progresser la découverte scientifique rendent de plus en plus réaliste l’idée de systèmes automatisés de « science de bout en bout » : des chaînes de traitement intégrées capables de générer des hypothèses, de mener des expériences (in silico ou robotisées), d’analyser les résultats et de produire des résultats publiables avec une intervention humaine minimale. La question cruciale n’est pas de savoir si l’IA peut « faire » de la science, mais si la science – en tant que système social et évolutif produisant des connaissances fiables – peut survivre à la manière dont l’IA la pratique. »

Or, « la science n’est pas simplement une suite de tâches optimisables. Elle progresse par un processus analogue à l’évolution darwinienne : variation à travers de nombreux efforts indépendants ; sélection par la critique, la réplication et la compétition ; et conservation des résultats robustes. Cette structure distribuée permet à la science de s’autocorriger et de générer de la nouveauté. L’indépendance n’est pas fortuite ; elle est le mécanisme qui produit à la fois la fiabilité et la découverte. »

Mais, la science n’a jamais pleinement atteint cet idéal, rappellent-ils. Elle a aussi été façonnée par les biais, les erreurs et la fraude. Les partisans de l’intelligence artificielle arguent que l’automatisation pourrait atténuer certaines de ces limitations tout en accélérant les découvertes et en élargissant la participation. Reste donc à savoir si l’IA en science réduit ces imperfections ou les amplifie à l’échelle des machines.

L’intégration de l’IA à la science risque de modifier fondamentalement la structure de la science. Notamment en favorisant des plateformes dominantes, entraînées sur des données similaires et optimisées pour certains objectifs. « Comme sur d’autres marchés de technologies numériques, la concentration est un résultat plausible. Le risque est fort qu’une poignée de systèmes façonnent la majorité de la production scientifique (…). La diversité simulée au sein d’un système ne saurait se substituer à la diversité épistémique entre des approches véritablement concurrentes.»

La conséquence n’est pas seulement institutionnelle ; elle est bien épistémique, c’est-à-dire qu’elle concerne toutes les connaissances. « Le système scientifique prospère grâce à l’inefficacité : efforts redondants, tentatives infructueuses et chemins divergents. Il ne s’agit pas de coûts à éliminer, mais de sources de découverte. À l’inverse, les pressions d’optimisation favorisent la convergence. Il risque d’en résulter une production accrue, mais une exploration moindre de l’inattendu.»

« Ce rétrécissement a des implications sur la créativité. Une grande partie de la force de l’IA réside dans l’exploration combinatoire, le réarrangement des connaissances existantes en de nouvelles configurations. Or, nombre d’avancées majeures en science ne sont pas des combinaisons ; ce sont des ruptures, des changements conceptuels qui contredisent les hypothèses des cadres antérieurs. Parce que ces avancées s’écartent des schémas encodés dans les données existantes, elles sont les moins susceptibles d’émerger de systèmes entraînés sur le passé. »

« L’indépendance n’est pas seulement une garantie de fiabilité ; elle est la condition de la rupture conceptuelle. » A l’inverse, « l’optimisation de chaque composant ne garantit pas l’intégrité de l’ensemble. » Au contraire, elle peut la compromettre.

« Il ne s’agit pas de rejeter l’IA, mais de la considérer comme un simple progrès technique. Préserver les propriétés fondamentales d’un système scientifique évolutif devient désormais une contrainte de conception. Les résultats scientifiques doivent garantir une traçabilité claire – une chaîne de responsabilité identifiable qui ne se dissout pas dans des systèmes opaques. Les dispositifs institutionnels et techniques doivent assurer des approches véritablement distinctes, et non de simples variations au sein d’une architecture partagée. »

« Ces exigences ne sont pas des inefficacités à éliminer par l’ingénierie. Elles représentent les solutions accumulées au problème de la fiabilité des connaissances. Un système d’IA peut produire des résultats impressionnants. Mais s’il remplace un processus évolutif par un processus artificiel, il risque de restreindre non seulement le champ de nos découvertes, mais aussi notre capacité de découverte tout court. »

Le financement de la recherche : submergé par l’IA

Geraint Rees et James Wilsdon pour Nature tirent la sonnette d’alarme. L’IA est en train de submerger les appels à projets et demandes de financement de la recherche, améliorant le nombre, la qualité, le volume des demandes au risque de provoquer l’effondrement même du système. Les réponses générées par l’IA peuvent être entraînées sur les publications des chercheurs, sur les critères d’attribution des subventions et même sur les projets retenus pour ajuster les demandes aux résultats attendus. Et l’effet se constate déjà, pointent les chercheurs. Dans une étude qui a regardé les projets de 12 organismes de financement de la recherche de l’Union européenne, les chercheurs montrent une augmentation des candidatures depuis 2022. 

« Les décideurs politiques et les organismes de financement vont devoir repenser l’allocation des fonds de recherche avant que le système ne devienne ingérable. » Confrontés à un afflux de réponses de qualité, ils devront alors faire des choix largement arbitraires quant aux projets à financer et aux candidats. 

Jusqu’à présent, les organismes de financement de la recherche ont principalement réagi à ces évolutions en restreignant l’utilisation de l’IA par les candidats et les évaluateurs, certains déclarant les demandes inéligibles si elles sont élaborées avec de l’IA. Mais ces préconisations sont impossibles à appliquer car la probabilité de détection est faible et ne constitue pas une réponse au problème. Le risque est fort que toutes les propositions répondent aux critères de financement et que les différences entre elles soient minimes. « Lorsque les propositions et les évaluations sont toutes deux gérées par des agents entraînés sur le même corpus de travaux déjà financés, le système n’évaluera plus la qualité des idées, mais plutôt la capacité des agents à simuler les idées précédemment récompensées par les financeurs.» 

« Parmi les propositions visant à remédier à la surcharge des systèmes de financement figurent le recours à des tirages au sort (attribution aléatoire de fonds à des demandes de subvention correspondant à un certain niveau de qualité) et des modèles distribués d’évaluation par les pairs, où les chercheurs qui soumettent des demandes de subvention sont chargés d’évaluer celles d’autres chercheurs. Ces mesures permettent de lutter contre le volume de demandes, mais elles restent inefficaces si les indicateurs de qualité deviennent peu fiables. »

Geraint Rees et James Wilsdon proposent plutôt que les organismes de financement envisagent de recentrer l’évaluation non plus sur les propositions écrites, mais sur le chercheur principal, son équipe et ses programmes de recherche passés et en cours. « Les financeurs devraient investir dans la vérification des antécédents afin d’examiner la performance de recherche d’un individu ou d’un groupe sur une période prolongée, ainsi que dans des entretiens et des évaluations de portefeuilles de la performance d’équipe sur la durée. » Mais cette solution écarte de fait les plus petites ou plus jeunes équipes : les aides risquent alors d’aller uniquement aux projets les plus établis. 

En mars, le Conseil de la recherche médicale du Royaume-Uni a annoncé le rétablissement des entretiens pour tous les candidats présélectionnés : une approche chronophage et laborieuse et peu adaptée aux grands volumes de candidatures. Le NIH américain, regroupant l’ensemble des Instituts nationaux de la santé, lui, a limité à 6 dépôts par an le nombre de candidatures individuelles, après avoir constaté que certains chercheurs en soumettaient plus de 40. Les financeurs pourraient également envisager des approches plus radicales, suggèrent les deux chercheurs.Il pourrait s’agir d’instaurer un quota fixe de propositions par chercheur ou pour l’ensemble de sa carrière, toutes sources de financement confondues. Ils pourraient aussi répartir le budget disponible entre les chercheurs éligibles à l’échelle nationale et attribuer le même montant à tous, éliminant ainsi la concurrence. 

D’autres solutions proposent aux organismes de recherche de s’appuyer sur l’IA pour l’évaluation. « L’IA pourrait ensuite servir à prioriser et à présélectionner les candidatures, en comparant les données selon ces différents profils afin d’identifier les candidats dont le parcours est cohérent avec les informations fournies dans leur dossier. Ce processus de présélection serait transparent, auditable et conçu pour favoriser la diversité, et non la freiner, à travers les différentes étapes de carrière, disciplines et institutions. » Mieux (ou pire, c’est selon), certains modèles proposent de prédire l’impact d’un article ou d’une recherche, fléchant les financements vers les projets les plus porteurs. 

Quelque soient les solutions retenues, la nécessaire transformation du financement de la recherche risque de se faire dans la douleur et la contestation, estiment les chercheurs. La mise en place d’infrastructures IA nécessite des investissements soutenus, des tests rigoureux et une gouvernance continue. Les financeurs confrontés à des contraintes budgétaires pourraient hésiter. C’est oublier pourtant que le système gaspille déjà des ressources considérables en comités d’experts et en nouvelles soumissions, sans parler du temps consacré par les chercheurs à répondre aux appels. Un système basé sur l’IA native et bien conçu pourrait constituer un investissement judicieux, défendent les chercheurs. Reste que des systèmes d’évaluation entraînés sur des données de financement historiques intégreront les inégalités passées, risquant d’amplifier, plutôt que de corriger, l’effet Matthieu, c’est-à-dire la concentration au profit des plus dotés. « Il s’agit d’un risque réel, mais nous pensons que la conception et la gouvernance peuvent contribuer à l’atténuer. Les biais dans les systèmes d’IA sont mesurables, ce qui permet de les examiner et d’y remédier », soulignent-ils, certainement trop rapidement car les biais ne sont ni  mesurables ni corrigeables facilement. Troisièmement, les chercheurs et les institutions pourraient se montrer réticents face aux décisions façonnées par des algorithmes qu’ils ne peuvent pas interroger. La transparence et les mécanismes d’appel pourraient contribuer à instaurer la confiance, défendent-ils encore.

Le système de financement par subventions conçu pour un monde pré-IA est devenu défaillant. Les financeurs doivent s’adapter, estiment les chercheurs. Il pourrait en résulter un système plus performant : un système qui exploite la puissance de l’IA et la combine à des connaissances spécialisées, et qui réduit le temps et l’énergie gaspillés dans la rédaction de demandes de subventions improductives pour les réorienter vers une recherche novatrice. Un constat plus facile à déclamer qu’à mettre au point. 

Prédire les résultats de la science… au risque de l’y enfermer

Certains modèles proposent de prédire l’impact d’un article ou d’une recherche, fléchant les financements vers les projets les plus porteurs, expliquaient donc Geraint Rees et James Wilsdon. Qu’en est-il ? 

Savoir si une étude changera le monde ? C’est pourtant l’idée que propose Funding the Frontier : un tableau de bord pour prédire l’impact de la recherche. L’outil (non disponible) utilise le Big data pour retracer l’impact sociétal des projets de recherche sur les politiques, les médicaments ou les produits, explique Nature (voir également l’article de recherche qui montre des captures d’écran du tableau de bord et la vidéo promotionnelle). Le projet porté par Dashun Wang « intègre des données sur les publications de recherche, les brevets, les documents d’orientation et les essais cliniques, et présente ces informations de manière visuelle et intuitive. Ils ont également combiné cet outil à un algorithme prédictif basé sur l’apprentissage automatique pour prédire les études et les domaines susceptibles d’apporter les plus grands bénéfices sociétaux à l’avenir – par exemple, les subventions les plus susceptibles de déboucher sur un brevet ». « Même sans son aspect prédictif, disposer d’un outil permettant de rechercher l’impact des recherches sur la société » est déjà une information importante, estime un chercheur. 

Un chef de projet d’une importante agence de financement américaine l’a utilisée pour examiner les impacts sociaux généraux des subventions de l’agence, lui permettant de constater l’impact de certaines recherches ailleurs dans le monde. « Un autre utilisateur, investisseur dans le domaine de la recherche biomédicale, a constaté que dans le domaine de la recherche sur la maladie d’Alzheimer, l’impact clinique le plus important au cours des 20 dernières années provenait d’études visant à comprendre la maladie, mais que l’impact futur le plus important prévu se concentrait sur les études portant sur les systèmes de soutien social des personnes atteintes de la maladie, ce qui laisse entrevoir de nouvelles opportunités d’investissement ». 

L’aspect prédictif est pourtant préoccupant, estime le même James Wilsdon qui en évoquait les perspectives précédemment. Le spécialiste des politiques de recherche estime que ce tableau de bord pourrait créer des prophéties autoréalisatrices et des décisions d’investissements plus conservatrices, au détriment de recherches plus originales, capables d’ouvrir d’autres possibilités. 

Coincés dans l’Academic Slop ? 

En attendant, le travail académique commence à crouler sous la « prolifération métastatique de publications » truffées d’hallucinations et de distorsions de contenus, comme s’en plaint sur Facebook la philosophe du droit, Antoinette Rouvroy. L’Academic Slop est arrivé, constate également le chercheur Seva Gunitsky dans sa newsletter. Il raconte que dans la revue dont il s’occupait le nombre de soumission a doublé voire triplé depuis l’apparition de l’IA générative, et que le taux de rejet s’est envolé. Techniquement compétents, certains de ces articles respectent les normes et sont tout à fait convenables. Faciles à produire et exigeant peu de créativité, ils constituent néanmoins le type de travail incrémental légitime que le philosophe des sciences Thomas Kuhn appelait la fabrique de la « science normale ». Pour Gunitsky la valeur d’une théorie originale va continuer à prendre de l’importance. « Les travaux quantitatifs de qualité deviennent bon marché et abondants ; une bonne théorie reste difficile à élaborer ».

Mais l’effet le plus important est que l’évaluation par les pairs repose désormais davantage sur le discernement. Si n’importe qui peut produire un article empirique compétent sur n’importe quel sujet, le principal obstacle devient l’identification des questions importantes à poser. « Dans ce contexte, la question pour les évaluateurs et les éditeurs n’est plus tant « est-ce juste ?» que « pourquoi est-ce important ? ». Cette question est inévitablement subjective, mais pas totalement, car elle exige une solide connaissance des débats en cours. Elle nécessite néanmoins de connaître les tensions et les lacunes productives, les énigmes intéressantes et les idées reçues apparemment établies. »

« Ce concept porte un nom : la phronesis. C’était le terme employé par Aristote pour désigner la sagesse pratique, ou la capacité à discerner la conduite à tenir dans des circonstances particulières. Contrairement à l’épistémè (la connaissance scientifique) ou à la technè (le savoir-faire technique), la phronesis ne peut se réduire à des règles ou à des algorithmes. Elle requiert de l’expérience, du jugement et ce qu’Aristote appelait la « perception ». Cela signifie non seulement l’intelligence, mais aussi la capacité intellectuelle de percevoir les caractéristiques essentielles d’une situation donnée. »

La philosophe Isaiah Berlin appelait cette qualité « le sens du réel » dans le jugement politique : la capacité de percevoir ce qui est possible et ce qui compte à un moment historique donné. Or, il n’est pas certain que les IA possèdent cette capacité voire ne la possèdent jamais. « Si le discernement devient le critère ultime de qualité, nous nous dirigeons encore davantage vers un système à deux vitesses dans l’édition scientifique. Les revues les plus prestigieuses privilégieront les articles d’une originalité remarquable ou présentant des avancées théoriques ou empiriques majeures, tandis que toutes les autres publieront les articles produits par l’IA qui font progresser, de manière graduelle, notre compréhension de sujets spécifiques. Et peut-être que la théorie gagnera en prestige au détriment des méthodes sophistiquées d’analyse des données. »

Pas sûr que la théorie et l’empirisme puissent ainsi si facilement se scinder en deux. Le risque que les publications automatisées se transforment en matière noire scientifique, que personne ne lit ni ne consulte est fort. A nouveau, ici aussi, le risque est fort que s’accentue  davantage les hiérarchies de prestige comme critère d’importance. « Paradoxalement, l’effet uniformisant de l’IA pourrait rendre le monde universitaire plus élitiste encore ».

« La technologie qui nous a inondés de dissertations étudiantes façonnées avec l’IA va maintenant inonder de nos propres travaux, et nous aurons besoin de ce même discernement dont nous nous plaignons de l’absence chez nos étudiants. » Pas sûr que ce soit plus facile pour les experts. L’IA fait peut-être gagner beaucoup de temps à certains, mais la pollution des travaux de recherche qu’elle engendre en fait perdre énormément aux lectrices et lecteurs. Le goulot d’étranglement de la lecture et de la vérification s’annonce plus reserré que jamais. 

La seule chose dont on soit sûr, en observant toutes ces perspectives… ce n’est pas que l’IA apporte un progrès scientifique notable, c’est que l’IA en science renforce les inégalités dans toutes les couches de la science.  

Hubert Guillaud

MAJ du 02/06/2026 : Une analyse de 7,3 millions d’articles de revues scientifiques publiés entre 2020 et 2025 révèle qu’en 2025, un peu plus de la moitié présentent des signes d’influence des LLM, avec des variations importantes d’utilisation selon la région du monde, le prestige de l’établissement, l’éditeur et la discipline. « Le développement économique et la proximité de l’anglais comme langue principale sont des facteurs prédictifs clés de ces variations régionales. Les établissements moins bien classés affichent des taux d’adoption plus élevés que les universités d’élite, les jeunes éditeurs à but lucratif présentent des taux supérieurs à ceux de leurs concurrents, et l’adoption varie considérablement selon les disciplines universitaires. L’adoption des LLM dans la rédaction académique est répandue, mais socialement stratifiée. »

MAJ du 21/06/2026 : Dans leur newsletter, Tim O’Reilly et Ilan Strauss, proposent de garantir un exosquelette pour appliquer l’IA à la science. Cet exosquelette est constitué d’innombrables systèmes permettant de garantir les références, comme le DOI (l’identifiant d’objets numériques qui attribue un numéro à chaque publication scientifique), RetractationWatch (la base de données des articles scientifique dépubliés et rétractés), Orcid (qui founit un identifiant unique aux chercheurs), Open Alex (un graphe de connaissances scientifiques)… ou encore le projet Vraix du MIT (cherchant à créer une toile du savoir pour distinguer les contenus possiblement génératifs des autres)… et nombres d’autres, qui n’ont pas été intégrés aux systèmes d’IA, alors qu’ils pourraient permettre de résoudre de nombreux problèmes : diminuer les citations erronées, réduire l’emprise de la littérature scientifique non valide… une infrastructure fondée sur des principes ouverts qui cherchent à garantir que les contenus scientifiques ne puissent être ni accaparés ni dégradés. Ces infrastructures sont des biens publics que les entreprises d’IA ignorent pour la plupart ou, pire, fragilisent. « À l’heure actuelle, la relation entre l’IA et l’infrastructure scientifique est presque exclusivement extractive. Les entreprises d’IA entraînent leurs modèles sur des articles scientifiques. Elles créent des produits capables de générer et de manipuler des textes scientifiques. Elles se disputent le marché de l’« IA au service de la science ». Pourtant, elles ne contribuent pratiquement pas à l’infrastructure qui, à la base, garantit la fiabilité des connaissances scientifiques. »

Les entreprises d’IA consomment du contenu scientifique sans rien apporter en retour. Strauss et O’Reilly font une analogie avec Content ID de YouTube : face à l’utilisation non autorisée de leurs œuvres, la première réaction de l’industrie musicale a été d’exiger leur retrait. La réponse de YouTube a été : « Et si nous vous aidions plutôt à les monétiser ? » Cette approche a permis d’aligner les intérêts et de créer une économie dynamique pour les créateurs. Nous devrions appliquer le même raisonnement à la science. Les entreprises d’IA ne devraient pas seulement utiliser l’infrastructure scientifique pour améliorer leurs produits (elles le devraient pourtant), mais elles devraient surtout chercher à aider la science à gagner en valeur, en pérennité et en exhaustivité.

Pour cela, les systèmes d’IA devraient améliorer la validation de leurs sources et références. L’infrastructure existe, il leur suffit de l’utiliser. Ils pourraient également réinjecter les métadonnées extraites dans OpenAlex, améliorant ainsi le graphe de données pour tous. Ils pourraient utiliser et financer RetractationWatch pour améliorer leurs modèles et réponses. Les fournisseurs d’IA pourraient également financer cette infrastructure scientifique très fragile qui constitue le socle technique de la crédibilité de la science. « Les entreprises d’IA, qui génèrent des milliards de revenus grâce à des produits reposant sur la crédibilité scientifique, devraient contribuer à l’infrastructure qui garantit cette crédibilité. Il ne s’agit pas de philanthropie, mais d’un intérêt bien compris.» Elles pourraient également contribuer a améliorer cette chaîne qui identifie la provenance du contenu scientifique. « Lorsque l’IA contribue à un article scientifique, cette contribution doit être traçable : elle ne doit pas simplement faire l’objet d’une déclaration standard, mais être liée à des affirmations, des sources et des étapes de vérification précises. »

« Les entreprises d’IA qui s’appuieront sur cette infrastructure créeront de meilleurs produits. Mais surtout, elles investiront dans l’infrastructure civilisationnelle qui rend possible, à la base, l’existence de connaissances fiables. À condition toutefois que les entreprises d’IA cessent de considérer cette question comme le problème d’autrui et commencent à la voir comme un socle sur lequel bâtir — un socle dont dépend leur propre succès dans le domaine scientifique.»

Dans le Financial Times, l’économiste Bhaskar Chakravorti, estime également que la colère monte contre l’IA. La colère dans la Rust Belt (la ceinture de la rouille qui désigne les anciens bastions de l’industrie américaine du Nord-Est des Etats-Unis) a propulsé Trump à la victoire ; la rage des travailleurs du savoir des banlieues de la Wired Belt (la ceinture connectée) alimentera la réaction contre l’IA. 

Mais qu’est-ce que la Wired Belt ? Cette idée s’appuie sur une étude produite par Chakravorti et ses équipes à la Tufts University qui s’intéresse aux risques que l’IA fait peser sur l’emploi aux Etats-Unis, par secteurs et également par régions. Pour ses auteurs, outre le fait que l’IA fait peser des risques sur certaines catégories d’emploi (à savoir les métiers de l’information, de la finance et de l’assurance, la programmation et les concepteurs d’interfaces), l’étude est plus originale pour son aspect géographique. Ils mettent en avant que ce sont les grands pôles d’innovations urbains comme New York, Los Angeles, Washington D.C., San Francisco, Chicago, Dallas et Boston qui figurent parmi les plus exposés, ainsi que la Californie, le Texas, New York, la Floride et l’Illinois. Les auteurs soulignent d’ailleurs que ces États figurent également parmi les plus actifs en matière de réglementation de l’IA, ce qui souligne les dimensions politiques et d’économie politique des perturbations du marché du travail induites par l’IA et met en évidence d’importantes implications réglementaires et politiques au niveau des États.  

Pour les auteurs, les zones connectées seront les prochaines zones désaffectées. L’IA va s’en prendre aux régions abritant les emplois les mieux rémunérés des Etats-Unis. 

Pour Chakravorti, les cadres qui s’apprêtent à perdre leur emploi à cause de l’IA pourraient bien être à l’origine du prochain choc politique que connaîtra les États-Unis. « Les professions les plus menacées sont concentrées dans les « ceintures connectées » : des régions qui ont prospéré grâce aux données, au contenu et aux activités cognitives. Ces régions pourraient bien devenir les nouvelles « ceintures de rouille », s’étendant des pôles technologiques bien connus de la Silicon Valley, de Boston et de New York jusqu’à Philadelphie, Atlanta et Phoenix. Les corridors de connaissances périurbains entourant les grandes villes des États indécis (swing states) américains figurent parmi les plus vulnérables du pays.» 

L’IA pourrait donc avoir des conséquences très politiques, estime Chakravorti. « Lorsque les perturbations économiques frappent les communautés américaines et que la classe politique réagit avec indifférence, il en résulte un réalignement politique radical, mais cette fois-ci, il viendra des cols blancs des régions technologiques, et non des cols bleus des régions industrielles en déclin. »

23-25 juin, en ligne et IRL à Strasbourg.

Anti-sommet de l’IA à Lille, le 13 juin 2026 (pour répondre au Sommet de l’IA avec nous). Ne vous trompez pas !

« Record ». « Record ». « Record ». « Record ». « Record ». Des mots il y en a d’autres. Mais celui-là est le plus chaud, le plus saillant, le plus repris. Nous en franchissons. Nous en battons. Nous en dépassons de précédents. Des records. De chaleur donc. Et donc comment dire autre chose de « record ».

D’autres mots s’alignent derrière : « jamais vu« , « historique« , « inédit » … Mais toujours celui-là qui revient : « record. » Alors on y va au record, au rapport. Dire et redire le record de chaleur pour ,ne pas dire le record de souffrance, le record d’épuisement, le record de sensation d’étouffement, le record d’irrespirabilité, le record de malaises, etc.

Dire et répéter sans cesse ce « record » c’est installer narrativement une dimension qui est celle du sport, du dépassement, de la médaille, bref, des valeurs presque toujours associées à quelque chose de positif dans notre imaginaire. Alors dire sans cesse ces records, est-ce franchir une limite ou s’affranchir des dernières supportables restantes ?

Dire et répéter sans cesse ce record c’est aussi marquer le moment d’un souvenir, s’inscrire donc dans une histoire, un record c’est un témoignage. Record nous dit le dictionnaire de l’académie c’est : « Emprunté de l’anglais record, ‘procès verbal, témoignage consigné’, déverbal de to record, ‘enregistrer’, lui-même emprunté du français recorder. » Alors on enregistre. La hausse des températures, les images de plage, de glaces, d’eau, d’espaces et de lieux et ressources qui aujourd’hui sont enregistrés comme ceux qui rafraîchissent, mais que l’on enregistre aussi comme ceux qui seront demain impraticables, inaccessibles, épuisés.

Et puis il y a les autres records, les autres enregistrements, les autres mémoires collectives qui se construisent et se fixent.

J’enregistre. Il faut aller à l’école, en cours. Il faut passer des examens, des épreuves. Bacheliers professionnels à l’épreuve d’un baccalauréat que le ministre ne voit aucune raison de décaler, de déplacer, d’aménager. Pourtant il n’y a pas si longtemps on avait déplacé, décalé, aménagé le brevet des collèges mais là ce sont des bacheliers professionnels. Alors il faut les habituer à la peine. Il faut les tordre.

Plus rien n’est adapté. Voilà des décennies que nous avons construit (et construisons encore contre toute logique) des bâtiments faits pour dire que nous aspirions à la chaleur : larges fenêtres, baies vitrées immenses, orientations plein sud. Let The Sun Shine In. Laissons entrer le soleil.

Et nous avons des villes entières, des gares, des lotissements, des écoles, des collèges, des lycées, des immeubles tout entiers tournés vers le soleil qui désormais écrase.

Parmi les images les plus fortes d’une littérature qui m’accompagne, il y a celle du tout début du roman de Kim Stanley Robinson, « Le ministère du futur« , la description d’une humanité écrasée d’une chaleur insoutenable, qui à la nuit se réfugie en quête de fraîcheur dans un lac lui-même déjà trop chaud mais pourtant seul supportable, et d’une partie de cette humanité qui y crève littéralement, et du narrateur qui s’y réveille à peine vivant au milieu de cadavres. Ce roman est une vraie claque. D’autres sciences et d’autres fictions bien sûr racontent l’inexorable qui vient.

Nous avons maintenant juste besoin de politique. Et des formes les plus abouties de radicalité, de redirection écologique, de de planification, appelez cela comme vous voulez mais puisqu’il est déjà trop tard, non pas tant pour nous que pour nos gosses, il faudra de la politique, et de la dure.

Il y a cette certitude sourde que deux choses ne nous sauverons pas : l’innovation et l’adaptation. Oui nous innoverons et oui certains trouveront encore à s’adapter, bien sûr qu’il le faudra. Mais ni l’innovation ni l’adaptation ne nous sauverons si nous considérons qu’elles deux seules peuvent encore nous sauver.

L’innovation ne nous sauvera pas. Elle ne fera que retarder certains pans d’un inéluctable dont la capacité mortifère est d’ores et déjà irréductible.

Notre capacité d’adaptation ne nous sauvera plus. Nous ne pourrons pas, nous ne pourrons plus (nous ne le pouvons presque déjà plus), ni à l’échelle de nos corps ni à l’échelle de nos lieux, de nos corporéités et de nos habitabilités, nous ne pourrons pas nous adapter davantage, ni en creusant plus bas sous terre, ni en avançant plus loin ou plus profond dans l’océan, ni en montant plus haut dans nos villes comme dans nos géographies ou dans nos conquêtes de l’espace.

Nous sommes depuis déjà trop longtemps entrés dans un cycle où les innovations et les adaptations effondrent les cohésions, les sociabilités, les cohabitations qu’elles soient de voisinage ou de destin. Entre ceux qui ont la clim et ceux qui ne l’ont pas. Entre ceux qui vivent là et ceux qui vivent ailleurs. Entre ceux qui peuvent financer leur adaptation et ceux qui ne le peuvent pas.

C’est à la fois enthousiasmant et désespérant mais il ne nous reste plus que du politique pour nous sauver la peau et que nos gosses et les gosses de nos gosses ne soient pas les accablés nomades de nos errances ou les assignés à résidence punitive de nos tardives repentances.

D’un record, l’autre. C’est désormais la seule et l’unique question, dont toutes les autres dépendent : nous visons dans un monde dont la géographie, l’espace, l’habitat, la circulation, ne sont plus du tout adaptés au climat que nous traversons et traverserons. Alors nous attendons. Nous attendons la lame, celle qui viendra de l’océan. Nous attendons la flamme, celle qui viendra de nos forêts. Entre la lame et la flamme. Juste du politique. 

En Ukraine, l’automatisation de la guerre a franchi une nouvelle étape en 2025, rapporte un long reportage du New York Times. Jusqu’à présent, la plupart des drones de combat nécessitaient un pilote humain. Il était une violence à distance, comme le disait la philosophe Grégoire Chamayou dans Théorie du drone (La Fabrique, 2013) qui dénonçait déjà la fabrique des automates politiques qui transforme la guerre en chasse à l’homme, une campagne sans fin d’exécutions extrajudiciaires qui se font en dehors du droit de guerre.

Mais désormais, les drones se passent de pilotes. Certains nouveaux drones ukrainiens, une fois leur cible verrouillée, peuvent utiliser l’intelligence artificielle pour la poursuivre et la frapper, sans aucune intervention humaine supplémentaire. C’est notamment le cas des drones développés par la très discrète startup Project Eagle, fondée par l’ancien PDG de Google, Eric Schmidt, après l’invasion de l’Ukraine en 2022. « Durant l’année 2025, dans la guerre russo-ukrainienne, lors d’opérations largement invisibles et passées inaperçues, l’ère des robots tueurs commença à se dessiner sur le champ de bataille. Sur un front d’environ 1 300 kilomètres et dans l’espace aérien des deux pays, des drones dotés de nouvelles fonctionnalités autonomes sont désormais utilisés quotidiennement au combat ». 

« L’Ukraine est devenue un terrain d’essai grandeur nature où fabricants d’armes, gouvernements, investisseurs, unités de première ligne et ingénieurs occidentaux collaborent pour produire des armes qui automatisent une partie de la chaîne de destruction militaire conventionnelle. Équipés de logiciels propriétaires embarqués, entraînés sur de vastes ensembles de données et souvent exécutés sur des micro-ordinateurs standard comme le Raspberry Pi, les drones autonomes font désormais partie intégrante du quotidien sanglant et destructeur de la guerre.» Toutes les fonctions sont désormais autonomes, du décollage à la frappe terminale, en passant par la coordination entre drones. 

« Les drones entièrement contrôlés par des humains restent bien plus nombreux que leurs homologues semi-autonomes. Ils sont responsables de la plupart des blessures sur les champs de bataille. Mais les armes sans pilote ouvrent de nouvelles perspectives.» Dans les deux camps, les drones à intelligence artificielle sont au cœur d’une nouvelle course aux armements. 

Peter Asaro, vice-président de la campagne « Stop aux robots tueurs », philosophe et professeur associé à la New School, a mis en garde contre les dangers croissants liés à l’exploration de territoires pratiques et éthiques inexplorés par ces armes. « Le développement d’une autonomie croissante des drones soulève de graves questions concernant les droits humains et la protection des civils dans les conflits armés », a-t-il déclaré. « La capacité de sélectionner des cibles de manière autonome constitue une limite morale à ne pas franchir. »

Pour l’instant, les armes dotées d’IA restent fragiles, limitées dans leurs fonctions et moins précises que les armes contrôlées par des humains qualifiés. Nombre d’entre elles ont une faible autonomie et une courte durée de vol. 

Du rôle du brouillage GPS

Les drones autonomes sont la réponse aux contre-mesures à l’égard des drones prisent durant la guerre en Ukraine, notamment les brouilleurs qui saturent les fréquences utilisées pour le contrôle de vol et les liaisons vidéo, faisant perdre le signal entre le pilote et le drone. En améliorant l’autonomie, l’idée était, qu’en cas de rupture de communication anticipée, les pilotes pouvaient céder le contrôle du vol à un système automatisé – une puce puissante et un logiciel hautement spécialisé – capable d’achever la mission, comme l’a proposé Underdog imaginé par la société ukrainienne Norda dynamics : un petit module se fixant à un drone de combat pour lui apporter l’autonomie finale nécessaire sur une cible verrouillée. 

Le virage radical opéré par l’armée ukrainienne vers la guerre par drones a contribué à sauver le pays, estime le journaliste du New York Times, Christopher John Chivers. Pendant près de quatre ans, tout en déployant la première armée au monde à se réorganiser autour d’armes sans pilote, elle a freiné les offensives terrestres de l’armée russe. Mais cette arme a ses limites. Presque tous les drones kamikazes à courte portée — un moyen essentiel pour stopper l’avancée des soldats russes — sont pilotés individuellement. Chaque drone est un redoutable acrobate aérien : capables d’atteindre des vitesses de 110 km/h, ces petits multicoptères peuvent s’arrêter, faire du surplace, virer et changer de direction pendant de longues minutes, des atouts qui permettent aux pilotes de localiser, poursuivre et éliminer leurs cibles humaines avec une efficacité glaçante. Pourtant, lors d’attaques russes soutenues, les conditions typiques du front contraignent les équipes de drones à combattre lentement. Le rythme est déterminé par le temps écoulé entre le décollage de chaque drone et son approche finale, qui, aux distances de sécurité habituelles, dépasse souvent 20 minutes. Lorsque les soldats russes infiltrent un grand nombre de lignes, les frappes de drones isolés peuvent paraître lentes et insuffisantes, laissant du temps à l’ennemi pour changer de position et s’échapper.

D’où l’intérêt à pouvoir développer des essaims de flotte. Une autre entreprise ukrainienne, Sine Engineering, a lancé Pasika (qui signifie « rucher » en ukrainien), des petits émetteurs-récepteurs radio qui servent de balises aux drones en vol. Avec Pasika, un seul pilote peut gérer des dizaines de drones.

Les drones de frappe en profondeur, eux, sortes de missiles de croisière à vol lent capables de parcourir des centaines de kilomètres, nécessitent une navigation précise pour se déplacer pendant des heures dans l’espace aérien étranger et suivre des trajectoires en zigzag avec des changements d’altitude fréquents afin d’échapper aux défenses aériennes. L’Ukraine fondait de grands espoirs sur son arsenal croissant de frappes en profondeur pour cibler les dépôts de carburant et d’armes russes. Mais, en coupant les signaux GPS au-dessus du front et sur son territoire occidental, la Russie a rendu ces systèmes inopérants. 

Le brouillage GPS ne se déploie pas seulement sur les conflits, rapporte Sarah Scoles pour Undark, notamment parce que ces petits brouilleurs sont facilement accessibles dans le commerce, tant et si bien que l’administration fédérale américaine des transports comme de la défense est à la recherche d’alternatives et de compléments au GPS, notamment avec l’introduction de signaux mieux cryptés pour les militaires, d’une plus grande variété de signaux pour les civils et de signaux de puissance supérieure. Le GPS est un élément de base qui irrigue la plupart des infrastructures techniques actuelles, des réseaux bancaires aux infrastructures des opérateurs de téléphonie. C’est notamment avec le lancement du jeu en réalité augmenté Pokemon Go en 2016 que les méthodes de brouillage et de corruption des signaux se sont propagées. Si les initiatives fédérales d’amélioration sont là (comme d’utiliser les autres systèmes internationaux de localisation ou de mieux détecter les interférences… ), ils manquent encore de coordination pour faire émerger des solutions pérennes. Les projets privés, eux, ne manquent pas. TrustPoint a initié le lancement de petits satellites en orbite basse émettant un signal crypté à une fréquence plus élevée que le GPS. Cela permet de réduire l’efficacité des brouilleurs et de réduire considérablement leur zone d’influence. Une autre entreprise, « Xona Space Systems, déploie également des satellites en orbite terrestre basse et a collaboré avec les gouvernements canadien et américain. Elle prévoit d’émettre des signaux 100 fois plus puissants que le GPS, offrant ainsi aux utilisateurs une précision de deux centimètres et rendant le brouillage plus difficile. Le signal inclut également un filigrane, une forme d’authentification qui, du moins pour l’instant, protège contre l’usurpation d’identité du signal ». Xona a l’avantage par rapport à son concurrent de ne nécessiter qu’une mise à jour logicielle. Le projet universitaire SuperGPS, lui, propose de déployer des émetteurs radio terrestres plutôt que spatiaux. 

D’autres solutions encore, proposent tout simplement de s’en passer, rapporte Chivers dans le New York Times. L’américain Brian Streem, créateur d’Aerobo, une société spécialisée dans les prises de vue aériennes pour des productions hollywoodiennes, a également fondé Vermeer, une entreprise qui développe des systèmes de positionnement visuel permettant aux drones de naviguer sans GPS qui intéressèrent l’US Air Force. Le logiciel de Vermeer est un système de pilotage automatique qui compare ce que voient les caméras des drones aux cartes topographiques 3D qu’ils embarquent, leur permettant de naviguer sur des terrains dépourvus de liaison satellite. 

Du rêve de l’automatisation totale… à la réalité

Chivers revient également sur les différents projets de drones eux-mêmes dotés de guidage d’attaque basés sur l’IA. C’est notamment le cas du Bumblebee, un drone intercepteur, testé en Ukraine, que les troupes américaines ont commencé à déployer, rapporte Forbes. L’entreprise de Schmidt a également fourni aux unités ukrainiennes un drone de combat de moyenne portée, d’une envergure de deux mètres, commercialisé sous le nom de Hornet. Comme le Bumblebee, il est doté d’une reconnaissance de cibles et d’un guidage d’attaque terminale basés sur l’IA, ainsi que de systèmes de communication et de navigation résistants au brouillage. Schmidt est également devenu un allié de l’Ukraine dans sa défense contre les Shahed, ces drones à longue portée de conception iranienne qui bombardent les villes ukrainiennes presque chaque nuit. En juillet 2025, il est apparu aux côtés du président ukrainien, Volodymyr Zelensky, pour annoncer un partenariat stratégique visant à fournir à l’Ukraine des drones dotés d’intelligence artificielle, notamment un système d’interception automatisé appelé Merops. Mais pour l’instant, à l’instar de l’Underdog de Norda Dynamics, les Bumblebees ou les drones de Schmidt, ces systèmes nécessitent une intervention humaine pour désigner et activer les cibles avant l’attaque. Schmidt a indiqué à plusieurs reprises s’opposer aux armes sans supervision humaine. 

Mais le paradigme de la compétition de l’offre, qui conduit nombre d’entreprises à proposer leurs solutions en échanges de d’achats garantis, propulse l’automatisation des armes vers toujours plus d’automatisation. Le drone ukrainien X-Drone, par exemple, fusionne plusieurs technologies autonomes sur des drones à longue portée. Son logiciel guide les armes vers une zone éloignée, comme un port maritime, puis utilise la vision par ordinateur pour identifier et attaquer des cibles spécifiques : navires de guerre, réservoirs de carburant, avions stationnés. L’entreprise expérimente des capacités plus complexes, notamment l’intégration de la reconnaissance faciale dans les drones afin d’identifier et d’éliminer des cibles spécifiques, et le couplage des logiciels de contrôle de vol et de navigation avec des modèles de langage naturels, « pour que le drone devienne un agent ». Le but à terme, qu’on puisse littéralement lui parler : « Vole à droite, 100 mètres. Que vois-tu ? Vois-tu une fenêtre ? Entre par la fenêtre ». Mais surtout, l’intégration de l’IA pourrait permettre de poursuivre une cible de manière autonome. Pas seulement une destination ou un objet, mais également une cible humaine identifiée. 

Pour le fondateur de X-Drone, « les drones avec IA changent la donne ». « Toute l’infrastructure militaire existante est en passe de devenir obsolète. » 

«« Les guerres de grande ampleur libère des démons », explique un pilote, du Gaz moutarde de la première guerre mondiale aux bombes atomiques de la seconde. Les armes autonomes sont en train de changer la guerre. Pour Schmidt, les armes dotées d’intelligence artificielle, suggérait-il, pourraient mettre fin à l’invasion d’un pays par voie terrestre. C’était ce que pensait aussi Richard Gatling, l’inventeur de la mitrailleuse en 1877. La violence de la mitrailleuse devait rendre superflues les grandes armées. Gatling s’est trompé. Il est probable que Schmidt se trompe également et que les drones autonomes ne signent pas la fin de la guerre, mais son extension », conclut Chivers.  

Pour Mediapart, la journaliste Justine Brabant est allée à la rencontre d’une unité antidrone ukrainienne dont nombre de pays veulent apprendre les pratiques. Sur le terrain, on découvre surtout une coordination collaborative et distribuée, où chaque unité à accès à toutes les menaces détectées sur une application pour pouvoir déterminer leurs cibles selon les tactiques des autres unités. Selon les capacités des unités, et l’évaluation des menaces, les unités ciblent les menaces qui leurs correspondent, notamment pour les plus petites, en se chargeant des plus petits drones russes. « Si l’expérience ukrainienne est si précieuse, c’est qu’elle ne consiste pas seulement à stopper quelques engins sans pilote : son armée sait en intercepter plusieurs centaines en quelques heures, sans utiliser de munitions extrêmement sophistiquées au coût disproportionné. » 

On y découvre les cartes de suivis qui permettent aux unités de déterminer qu’elle drone abattre, depuis de simples canons à de petits drones intercepteurs. « Lors du seul mois de mars 2026, l’armée russe a lancé 7 889 drones sur l’Ukraine, un record depuis le début de la guerre. Selon les données fournies par Kyiv, les forces armées ukrainiennes sont parvenues à intercepter 92 % d’entre eux. Une progression notable : en mars 2025, ce taux était de 60 %. » 

Mais plus que les exploits techniques, un autre enjeu frappe à lire Brabant. C’est l’intensification des attaques par drones. « Ils tâchent surtout de s’adapter, avec des ressources limitées, à la cadence frénétique des attaques russes. Car le rythme auquel la guerre évolue, sous leurs yeux et entre leurs mains, donne un net sentiment de vertige. » La numérisation du front ressemble à la numérisation de l’industrie ou des services : partout, elle réduit les coûts et fait augmenter les cadences. 

Reste, comme le montre d’ailleurs le reportage de Justine Brabant, les drones ne font pas tout. « Les troupes restent la ressource la plus cruciale sur le champ de bataille », rappelle l’ancien marine Gil Barndollar dans The American Prospect. Or, les drones ne remplacent pas les troupes ; ils ne font que redistribuer les effectifs. « Si les drones sans pilotes sont désormais responsables de plus de 80 % des pertes dans les deux camps (surpassant largement le bilan des armes traditionnelles comme l’artillerie, les mitrailleuses et les armes légères) et s’ils se voient confier un nombre croissant de missions sur le front (reconnaissance, frappe, minage, ravitaillement, voire évacuation sanitaire…), la réalité est que la main-d’œuvre reste un élément crucial de la guerre ». « Les drones ukrainiens et russes ne volent pas seuls. En réalité, il faut une équipe de trois à quatre soldats, avec des mois d’entraînement et d’expérience, pour positionner efficacement chaque drone afin d’éliminer l’ennemi. Bien qu’opérant à quelques kilomètres de la ligne de front, les équipes de drones restent exposées quotidiennement au danger. Dans certains secteurs du front, leurs pertes sont supérieures à celles de l’infanterie ». La guerre des drones ne se fait pas sans hommes, rappelle l’ex militaire avant de critiquer la fin de la conscription. « La résilience ukrainienne a été extraordinaire, mais elle n’est pas inépuisable. Après quatre années de combats, le scénario le plus probable est que les armées ukrainienne et russe continuent de trouver juste assez de soldats pour se battre et poursuivre les hostilités ». 

Hubert Guillaud

La pantomime du contrôle humain

On le lit dans le long reportage de +972 magazine dont on rendait compte dans la première partie de cet article : le contrôle humain s’est profondément distendu dans la riposte d’Israël à l’attaque du 7 octobre. La performance (bien relative) de l’automatisation a emporté avec elle les barrières morales… et le droit international. 

Dans un article pour The Conversation, le chercheur en droit international, Louis Perez, rappelle qu’en Iran, comme à Gaza, l’IA est au cœur des frappes, pour l’armée américaine avec le programme Maven, comme pour l’armée israélienne avec Lavender. Mais qu’en est-il de la licéité de l’utilisation de l’IA pour faire la guerre ? « Il convient d’abord de préciser que l’IA n’est pas interdite en tant que telle par le droit des conflits armés (DCA, également appelé droit international humanitaire). Pour l’heure, aucune règle juridique n’envisage spécifiquement la question de sa licéité. Pour autant, la question n’évolue pas dans un vide juridique. Les règles générales du DCA s’appliquent à la conduite des hostilités, quels que soient les moyens et méthodes déployés. L’une de ces règles est le principe de distinction selon lequel seules les cibles militaires peuvent faire l’objet d’attaques, les personnes civiles et les biens civils devant être préservés. » 

Un autre principe est celui de précaution : il prescrit que les parties au conflit doivent faire tout ce qui est pratiquement possible pour vérifier que les objectifs à attaquer sont bien des objectifs militaires. La vingtaine de secondes disponible aux opérateurs pour valider une cible, la faiblesse des contrôles pointées par Abraham dans son article, montrent que ce principe n’est matériellement pas respecté. Le contrôle humain de l’IA, dont tout le monde rappelle le principe, tient en vérité d’une pantomime. Pourtant, rappelle le juriste, « ni la violation du principe de précaution ni les erreurs conduisant à des violations du DCA ne constituent des crimes de guerre au sens du droit international pénal ». « L’élément intentionnel, c’est-à-dire la volonté de commettre l’infraction, fait défaut. Le régime de responsabilité pénale internationale actuel ne reconnaît pas la responsabilité pour négligence dans ce contexte. Cette approche pragmatique pourrait néanmoins évoluer. D’une part, si les erreurs algorithmiques de ciblage se multiplient, le caractère « raisonnable » de l’erreur sera de plus en plus difficile à invoquer et l’utilisation consciente d’un système connu pour ses défaillances pourrait induire une forme d’intention indirecte de cibler des civils. D’autre part, le droit pourrait à l’avenir se développer pour sanctionner les militaires qui, par leur négligence, causent la mort de civils. »

Perez souligne encore que la responsabilité des entreprises d’IA qui fournissent ces matériels aux militaires (dans le cas américain notamment) pourraient être à terme tenues responsables de fournir du matériel défaillant. Or, comme le pointe le chercheur Javaid Iqbal Sofi dans une tribune pour Tech Policy Press, si la communauté internationale dispose de régimes de contrôle des armements, les entreprises d’IA n’y sont pas soumises. En effet, l’Organisation pour l’interdiction des armes chimiques (OIAC) compte 193 États membres et un régime de vérification fondé sur le droit international. En mars 2026, elle a publié un rapport sur l’intersection entre l’IA et la Convention sur les armes chimiques, soulignant que les outils d’IA transforment déjà la recherche chimique en alertant de leur danger, notamment pour produire de nouvelles armes chimiques. Mais, si elle souhaite que les entreprises d’IA collaborent, en revanche, « elle ne peut contraindre une entreprise privée de San Francisco à soumettre ses évaluations de modèles à un examen externe ni à divulguer les résultats de ses tests d’intrusion internes ». « Le Rapport international sur la sécurité de l’IA 2026, fruit d’une initiative multi-institutionnelle coordonnée par l’Institut britannique de sécurité de l’IA, a constaté que la plupart des pratiques de gestion des risques dans les laboratoires de pointe restent facultatives. » Les exigences légales actuelles (publication d’un cadre de gestion des risques, pour certains d’entre eux, notamment chimiques) sont donc encore très éloignées des risques liés à l’utilisation de l’IA pour faire la guerre.

Enfin, conclut Perez, « aux termes de l’article 1 commun aux conventions de Genève, les États ont en effet l’obligation de respecter et de faire respecter le DCA. Or, le développement de l’IA militaire tend à miner ce respect, voire à favoriser et à dissimuler les violations du droit. » Si des propositions existent pour renforcer ces obligations, « la volonté politique fait défaut, notamment chez les États à l’avant-garde du développement et de l’utilisation de l’IA militaire ». Dans un article pour Le Monde, la journaliste Claire Legros estime que le recours à l’IA divise les spécialistes d’éthique militaire. Si certains sont convaincus qu’un contrôle humain est possible, d’autres en doutent, et affirment que ces technologies repoussent les limites de la violence. Pour la politiste Laure de Roucy-Rochegonde, autrice de La Guerre à l’ère de l’intelligence artificielle (PUF, 2024), le contrôle de la force est en passe de devenir un enjeu crucial. Or, aucun traité international ne limite l’automatisation des tirs et le contrôle humain reste éminemment problématique. « Depuis 2013 et les premières campagnes contre les « robots tueurs », lancées par le collectif d’ONG et d’universitaires Stop Killer Robots (« arrêtez les robots tueurs »), les négociations entre Etats butent sur une définition commune de l’autonomie technologique. » « La très haute vitesse induite par l’intégration de l’IA sur le champ de bataille rend déjà impossible une véritable supervision humaine », constatent les experts. « Parce qu’elles donnent l’illusion qu’on peut cibler précisément l’adversaire et épargner des vies avec des armes plus maîtrisées et efficaces, ces technologies facilitent, au contraire, le recours à la force et font craindre un abaissement du seuil d’entrée en conflit », explique Laure de Roucy-Rochegonde. Face au ciblage automatisé, il n’y a ni reddition, ni prisonniers. La violence s’incarne désormais « sous la forme d’une interface : un flux de données, une performance mesurable », rappellent les auteurs d’une tribune. Le philosophe Grégoire Chamayou le disait très bien dans Théorie du drone (La Fabrique, 2023) : « Plus se répand la légende du robot éthique, plus cèdent les barrières morales au déploiement du robot tueur ».

Dans une tribune pour Foreign Policy, le politiste spécialiste de relations internationales, éditeur de la newsletter Arc Digital et auteur de Drones ans Terrorism (Bloomsbury, 2018) Nicholas Grossman, estime qu’il faut garder l’humain dans la boucle de décision, d’abord et avant tout parce que ces « systèmes demeurent dangereusement imparfaits, notamment en matière de responsabilité ». Ils ne savent pas expliquer les raisons de leurs erreurs. « Lors de situations critiques pendant la Guerre froide, le jugement humain a prévalu sur les machines, sauvant ainsi le monde, comme en 1983 lorsque l’officier soviétique Stanislav Petrov a déterminé que les informations faisant état d’un lancement nucléaire américain étaient une fausse alerte. C’est pourquoi les spécialistes de l’éthique militaire et de la robotique plaident depuis longtemps pour que l’humain reste au cœur du processus décisionnel. La guerre a des conséquences trop graves pour laisser des machines tuer en toute autonomie. Externaliser ces décisions à des ordinateurs signifie que les humains portent moins de responsabilité – ou du moins qu’ils en ont le sentiment – ​​ce qui pourrait encourager des actions immorales, voire illégales. Les algorithmes peuvent être utiles sur le plan tactique, mais contre-productifs sur le plan stratégique, car les attaques contre des civils qui attirent l’attention du public, comme l’attentat contre une école en Iran, galvanisent l’opposition. »

Mais l’implication de l’humain dans le processus décisionnel ne change pas grand-chose si les humains ne se soucient pas de la question. Un officier israélien qui a utilisé Lavender à Gaza a déclaré au Guardian : « À ce stade, je consacrais 20 secondes à chaque cible, et j’en traitais des dizaines chaque jour. Mon intervention humaine n’apportait aucune valeur ajoutée, si ce n’est celle d’approuver la décision. Cela m’a fait gagner beaucoup de temps. » Les gains d’efficacité rendent l’utilisation militaire des systèmes d’IA inévitable, mais rendre ces utilisations plus éthiques et stratégiquement avantageuses exige un travail considérable, notamment une réglementation adaptée. Grossman plaide pour un contrôle humain, mais en se rendant compte, en le disant, que celui-ci risque d’être simplement processuel, ce qui ne suffit pas à remettre de l’éthique dans la boucle. 

Comme le dit très justement le chercheur en psychologie sociale et cognitive Nicolas Spatola dans une autre tribune pour Tech Policy Press, maintenir l’intervention humaine dans la boucle de l’IA est dans toutes les politiques publiques un garde-fou et une solution par défaut. Mais si la proposition se veut rassurante, en vérité, l’enjeu consiste bien plus à savoir si les institutions qui déploient des solutions d’IA le font en préservant les conditions pratiques du jugement humain. Or, ce n’est pas ce à quoi l’on assiste, en vérité, car l’IA modifie les comportements décisionnels. Le risque est fort que le « contrôle humain » devienne un faux rempart qui privilégie une présence humaine au jugement humain. L’assistance de l’IA « modifie les conditions cognitives dans lesquelles les décisions sont prises ». Mais surtout, les systèmes qui fournissent des réponses qu’il suffit de valider, finissent par produire une dépendance qui réduit la capacité des utilisateurs à détecter les erreurs quand le système se trompe. « Dans les environnements sous forte pression – où le temps est compté, les objectifs de productivité et les normes de standardisation prédominent – ​​le contexte encourage un passage d’un examen approfondi à une acceptation routinière. » Tout l’enjeu est bien de plus de créer les conditions d’un contrôle actif que d’une acceptation passive. « Si l’on veut que le contrôle humain ait une véritable signification et ne se limite pas à un slogan rassurant, nous devons concevoir des systèmes favorisant le jugement, et non la simple vérification. » « Cela implique d’évaluer si la structure des tâches permet un contrôle réaliste sous la pression du temps ; de vérifier si les utilisateurs sont capables de détecter les défaillances des modèles après une utilisation répétée ; d’exiger un suivi post-déploiement des risques de dépendance excessive ; d’investir dans une formation axée sur le comportement décisionnel plutôt que sur la simple familiarisation avec l’outil ; et de s’assurer que les droits de dérogation soient réellement pertinents et non seulement théoriquement disponibles. » 

Nous en sommes loin. Le risque est fort que l’éthique et l’humain dans la boucle se termine par un contrôle purement procédural et une responsabilité de façade. 

Même constat pour le spécialiste des sciences comportementales et de la volonté, Uri Maoz, dans la Technology Review qui pilote également un groupe de travail multidisciplinaire sur l’intention et l’IA. A l’heure où l’IA génère des cibles en temps réel, contrôle et coordonne les interceptions de missiles et guide des essaims de drones autonomes meurtriers, la supervision humaine est censée garantir la responsabilité, le contexte et les nuances. Mais ce débat sur l’importance à garder le rôle de l’humain dans la boucle n’est qu’une distraction rassurante. « Le danger immédiat n’est pas que les machines agissent sans supervision humaine ; il est que les superviseurs humains ignorent tout de ce que les machines « pensent » réellement. » L’opérateur ignore ce qui détermine les décisions de la machine. « Les systèmes d’IA avancés n’exécutent pas simplement des instructions ; ils les interprètent.» Ils peuvent ainsi donner un très bon score à une cible, un dépôt de munition à côté d’un hôpital… qui sera d’autant meilleur que les secours occupés par les blessés de l’hôpital assureront une meilleure destruction de l’entrepôt… prend-t-il pour exemple. Le fait que nous soyons aveugles aux raisons des décisions, génère, ce que le chercheur appelle un « fossé d’intention » entre les systèmes d’IA et les opérateurs humains, qui explique nos « hésitations à déployer des IA de pointe dans les soins de santé » par exemple. Cette course à l’échalote vers les armes autonomes et opaques risque d’être sans limite, s’inquiète Maoz. Plaidant pour sa chapelle et son domaine de recherche, le chercheur estime que nous devons améliorer la compréhension du fonctionnement de ces technologies. « Nous devons apprendre à mieux caractériser, mesurer et intervenir dans les intentions des agents d’IA avant même qu’ils ne les mettent en œuvre » (c’est-à-dire aider l’opérateur à prendre conscience de ce que le système retient et écarte et infère, comme nous le suggérions pour de simples chatbots).

La guerre de l’IA ou la guerre contre l’IA ?

Pour l’économiste Hamid Dahouei de l’université de Harvard et Arash Reisinezhad de la Fletcher School de l’université Tufts, la guerre en Iran n’est pas qu’une guerre qui mobilise l’IA, elle est aussi une guerre contre l’IA, expliquent-ils dans Foreign Policy. « Le 1er mars, des drones iraniens ont frappé deux centres de données d’Amazon Web Services aux Émirats arabes unis, et un troisième a été endommagé à Bahreïn. Les applications bancaires sont devenues inaccessibles. Les plateformes de paiement se sont figées.» Lorsque le président américain Donald Trump a conclu sa tournée au Moyen-Orient en mai 2025, l’ampleur des ambitions annoncées était sans précédent, rappellent-ils : plus de 2 000 milliards de dollars d’engagements d’investissement de la part de l’Arabie saoudite, du Qatar et des Émirats arabes unis, dont une part importante était destinée aux infrastructures d’IA. Derrière le pari géopolitique, il y avait aussi une logique économique. « L’initiative Pax Silica a renforcé cet alignement, intégrant les Émirats arabes unis et le Qatar à un bloc technologique dirigé par les États-Unis et conçu pour limiter l’accès de la Chine aux semi-conducteurs de pointe. Humain, le programme saoudien d’IA, s’est engagé à ne pas acheter d’équipements chinois, après la rupture des relations de G42 (l’une des grandes entreprises d’IA d’Abu Dhabi) avec Huawei. Le développement de l’IA dans le Golfe n’était plus une simple infrastructure commerciale. Elle était devenue un enjeu majeur de la compétition sino-américaine pour la suprématie technologique. C’est précisément ce qui en a fait une cible.» Il existe une autre dimension que de nombreux commentateurs occidentaux n’ont pas encore pleinement saisie, estiment les deux chercheurs. « Tout porte à croire que l’Iran n’a pas agi seul pour atteindre une telle précision de ciblage. Le pays aurait eu accès au système satellitaire chinois BeiDou, dont les signaux cryptés offrent une précision de ciblage hors de portée du brouillage GPS américain. » Pékin n’a pas tiré de missile ; la Chine a simplement fourni des coordonnées, résument-ils. 

Selon eux, ce qui apparaît comme une guerre régionale est, à un niveau plus profond, une lutte indirecte pour la domination des infrastructures d’IA. Les frappes de l’Iran ont démontré qu’un campus de données valant des milliards de dollars peut être mis hors service par un drone coûtant quelques milliers d’euros. Le coût de construction d’un centre de données au Moyen-Orient vient désormais de s’envoler, tant les risques sont élevés. « En temps de guerre, les États ont toujours ciblé les infrastructures qui confèrent à leurs adversaires un avantage décisif. Ce n’est pas nouveau : de la coupure des câbles télégraphiques pendant la Première Guerre mondiale au bombardement des sites de production industrielle pendant la Seconde Guerre mondiale, en passant par le ciblage des installations pétrolières et des oléoducs à la fin du XXe siècle et, plus récemment, les cyberattaques contre les systèmes financiers et les réseaux énergétiques. Ce qui a changé en 2026, c’est que la couche d’infrastructure en question est la puissance de calcul de l’IA, et la leçon de la guerre contre l’Iran est qu’elle n’est pas plus à l’abri. » La guerre en Iran a une fois de plus démontré que la technologie seule ne peut maîtriser la géopolitique. Ce qui ne sera pas sans implications, estime Yasir Atalan dans Foreign Policy : « la protection devient indissociable de l’accès, et les futurs accords en matière d’IA seront de plus en plus souvent assortis de garanties de sécurité, d’une coopération en matière de défense et de conditions politiques plus strictes ». Pour lui, le résultat de ces attaques n’annonce pas un désinvestissement, mais une sécurisation accrue. Les futurs contrats de calcul dans le Golfe devront impérativement inclure des systèmes de défense par IA. Les Etats-Unis risquent d’y gagner deux fois.

La guerre : point de convergence violent de l’investissement

Dans un article pour Security Context, la chercheuse Shana Marshall, de l’Institut des études sur le Moyen-Orient de l’université George Washington, explique que la Silicon Valley et la finance privée redéfinissent la guerre dans une convergence violente. Nous risquons d’entrer dans une guerre sans fin soutenue par le complexe militaro-industriel qui y a intérêt, rejoint par la Silicon Valley et le secteur technologique tout comme par les capitaux privés du capital-risque et du capital investissement. « Ces trois forces convergent et se chevauchent de manière inédite pour produire des formes de violence nouvelles tant par leur ampleur que par leur intensité. Il n’est pas surprenant que l’Iran ait identifié les antennes du Golfe des entreprises technologiques et des grandes banques américaines comme des cibles militaires légitimes dans le conflit actuel ; elles fournissent la puissance de calcul et les financements privés qui permettent d’étendre la machine de guerre américaine. » Le complexe militaro-industriel est en train de coloniser le secteur technologique et financier au profit du marché, avec le soutien de l’Etat américain. La guerre est en train de soutenir l’innovation comme nulle autre, permettant d’obtenir des valorisations lucratives et des contrats qui le sont tout autant avec le Pentagone. 

Historiquement, rappelle Marshall, « les rendements du capital-risque lors de l’introduction en bourse d’entreprises de technologies numériques commerciales/grand public ont été colossaux : dix à quinze fois l’investissement initial. Les retours sur investissement pour les jeunes entreprises de technologies de défense étaient très faibles – un ou deux fois l’investissement initial – car les grands donneurs d’ordre (Lockheed et autres acteurs historiques du complexe militaro-industriel) rachetaient généralement ces petites entreprises directement et à bas prix. » 

Le secteur de la défense se caractérise par des barrières à l’entrée élevées : pour faire la guerre, il n’y a souvent qu’un seul donneur d’ordre potentiel capable d’utiliser les nouvelles technologies développées par les jeunes entreprises : les gouvernements. Le problème, c’est qu’ils n’achètent pas ces technologies très cher. Pour revaloriser le prix des produits technologiques que la Silicon Valley vend à la Défense, il a fallu « modifier la façon dont les armées conçoivent l’approvisionnement en armement en temps de guerre, la définition des armes nécessaires et l’identification des ennemis ». Tout aussi important, il leur fallait élaborer un récit convaincant et globalisant expliquant comment les investisseurs, les ingénieurs logiciels et les dirigeants du secteur technologique constituent l’alliance indispensable pour enrayer le déclin impérial américain, restaurer le secteur manufacturier du pays, sécuriser les matières premières et les terres rares nécessaires aux systèmes d’armement de haute technologie et protéger la civilisation occidentale à la fois des mouvements woke et des centres de pouvoir alternatifs émergents dans les pays du Sud. Tel a été le travail d’entreprises comme Palantir et de nombres d’acteurs des technologies américaines. Son PDG, Alex Karp, le dit d’ailleurs très clairement dans son manifeste : ce sont les conflits qui permettront à son entreprise de se développer. Au risque que le mantra influence bien d’autres acteurs de la Tech. 

« La pénurie de munitions de basse technologie et de drones bon marché dont disposent les États-Unis et leurs alliés dans les guerres en Ukraine et en Iran a parfaitement alimenté ce récit », explique Shana Marshall. Cependant, les armes à bas coût et produites en grande quantité promises par la Silicon Valley dépendent souvent, non pas des technologies émergentes des start-ups, mais de fournisseurs des pays du Sud et d’Asie. Bombes et drones ne sont pas toujours de fabrication américaine et tous utilisent des caméras, des moteurs, des puces ou des batteries de fournisseurs chinois. 

Si ce moment historique de convergence entre développement technologique, capitaux financiers mondiaux et machine de guerre américaine semble annoncer une militarisation accrue de l’économie mondiale, il annonce surtout une approche américaine plus agressive à l’échelle internationale. « Les capitaux sont si concentrés qu’ils doivent rechercher des opportunités d’investissement viables, du fait de la nécessité de les valoriser et du déclin des investissements publics dans des secteurs non militarisés comme les infrastructures et les programmes sociaux ». Dans ce contexte, le complexe militaro-industriel devient une cible privilégiée pour les gestionnaires d’actifs et autres acteurs de la finance privée (voir notre article sur les enjeux politiques du financement de l’innovation). La guerre rapporte beaucoup d’argent et est devenu un débouché très lucratif pour les acteurs technologiques, qui s’annonce bien plus lucratif encore que les débouchés traditionnels de l’IA. Au risque d’orienter encore plus les politiques guerrières. 

L’IA, l’infrastructure totale d’un monde totalitaire

On peut tirer plusieurs leçons de cette première immersion dans les outils pour faire la guerre. Elle nous montre d’abord que les préventions éthiques habituelles n’ont plus court. Le principe de vérification humaine de toutes décisions (le fameux humain dans la boucle…) est en passe de disparaître. On avait déjà vu qu’elle tenait bien souvent d’une pantomime quand on nous assurait dans les décisions automatisées plus classiques, du marketing aux systèmes sociaux automatisés, où l’on nous assure que l’humain valide toujours la décision, sans possibilité réelle pour le faire. 

La disponibilité des outils fait également sauter une autre barrière morale : la proportionnalité. Le taux d’erreur devient un paramètre parmi d’autres, bien vite relativisé. C’est même pire : les dommages collatéraux, les défaillances d’attribution du ciblage, leur élargissement à des marqueurs plus ténus (on ne cherche plus les hauts responsables, mais désormais tous ceux qui peuvent potentiellement être rattachés à l’ennemi), tendent à étendre une guerre sans plus aucune limite, où les erreurs deviennent une donnée parmi d’autres, qui s’optimise comme les autres. La proportionnalité de la surveillance a volé en éclat, comme elle vole en éclat dans bien d’autres cas d’usages, notamment le social. 

Partout, le scoring règne en maître. Quand toutes les données sont disponibles, il n’y a plus de limites à leur utilisation et donc aux inférences qui peuvent être faites, disions-nous dans notre livre, Les algorithmes contre la société (La Fabrique, 2025). Le risque est de produire un système sans plus aucune limite morale, comme quand les systèmes de calcul de risque déterminent que tous les bénéficiaires des services sociaux sont à risque (et que plus ils en bénéficient, plus ils sont à risque). L’abaissement des seuils à mesure que les calculs s’étendent transforment tout le monde en cible. C’est le modèle publicitaire appliqué à la guerre. Un calcul sans échappatoire, puisque dans le score de risque, tout le monde est calculé et chacun est associé à un résultat dont les déterminants fluctuent selon les nécessités du moment.  

Tout l’enjeu repose donc sur les réglages du seuil – or, sans règles, ils peuvent évoluer à tout moment. On le voit dans l’exemple de Lavender, suite aux événements du 7 octobre, le seuil de définition des cibles n’a eu de cesse de bouger. Et c’est là tout le problème d’établir les limites d’une réponse proportionnée qui passe par la définition de seuils : le contexte et les nécessités politiques les feront toujours bouger. Dans le calcul permanent, la difficulté consiste à définir des limites : des limites aux cadences qu’accélèrent les indicateurs dans le monde du travail, des limites à la surveillance et au contrôle dans le monde du social où toutes les données peuvent être mobilisées pour contrôler les revenus des plus démunis, des limites aux ajustement du calcul des prix dans une personnalisation toujours ajustable… Des limites au scoring de risque de toute la population gazaouis depuis Lavender…  

Le problème, c’est que ces limites sont spécifiques et contextuelles alors qu’elles devraient être socialement et politiquement partagées et contrôlées.

De l’IA sur les champs de bataille à l’IA dans le social, les mêmes techniques et les mêmes logiques sont à l’œuvre. Celles d’outils qui n’ont plus à rendre de compte, qui amplifient leurs biais et produisent des erreurs toujours minimisées par leur efficacité. Et partout où cette IA la se déploie, il n’y a pas d’issue à sa logique, pas de limite simple à sa conduite. Le scoring de ciblage, quelque soit sa fonction, est par nature une menace, dont il suffit d’ajuster les paramètres pour que chacun le devienne. « A l’heure du calcul permanent, il n’existe plus de droits durables : tous sont révocables », disait le philosophe Achille Achille Mbembe dans le préscient Brutalisme (La découverte, 2020). A l’heure du scoring permanent, c’est encore plus vrai. 

Hubert Guillaud

En 1976, le géographe Yves Lacoste rappelait les fondements de la géographie dans un petit essai, La géographie ça sert, d’abord, à faire la guerre qui revenait sur l’importance politique de tout discours sur l’espace. Aujourd’hui, nous devons nous poser la même question pour pointer l’importance politique de tout discours sur la technologie. La technologie est un enjeu stratégique et elle le devient d’autant plus qu’elle est désormais le soubassement du champ de bataille, son infrastructure, qui détermine la capacité à mener toutes opérations de défense comme d’attaque. 

Nous n’avions jusqu’à présent pas évoqué dans nos pages l’utilisation de l’IA pour la guerre. Il est temps de rattraper nos lacunes. 

Une usine IA pour faire la guerre

Ha’Aretz, le grand quotidien Israëlien, expliquait récemment que l’infrastructure d’intelligence artificielle qui a servi à piloter les bombardements à Gaza est désormais pleinement opérationnelle en Iran et au Liban. Cet Operational Data and AI Factory (Centre opérationnel de données et usine d’IA) piloté par Tsahal, l’armée israélienne, intègre de multiples flux de données et sources d’information, les rendant accessibles en temps réel à tous les échelons de la hiérarchie militaire. Déployé dans toute l’armée, il analyse tout type de données pour permettre d’obtenir une vision opérationnelle complète des forces, des missions et des menaces. « Le système est conçu pour faciliter la planification des attaques, le ciblage et les frappes. Il enregistre et transcrit également toutes les communications sans fil et compile des données en temps réel sur les lancements et les interceptions de missiles et de drones ». L’AI Factory militaire fonctionne. Et désormais, elle est devenue l’infrastructure même de l’armée, explique Ha’Aretz. 

Les unités peuvent utiliser les outils à leur disposition et développer leurs propres applications. Ce système n’est pas utilisé uniquement d’une manière défensive comme l’armée israélienne l’a longtemps défendu, mais participe également au traitement des plans de frappe et des cibles. Il est par exemple intégré au dispositif de drones offensifs de l’armée de l’air, baptisé Storm Cloud, qui permet d’identifier des objets dans les vidéos et les cartographier en temps réel. Bien d’autres systèmes sont désormais intégrés, comme  Lohem (Chasseur), qui assiste notamment l’armée de l’air dans la planification et la synchronisation des frappes ; Rom, qui détecte les drones ; « Contrôle spatial », qui alerte les forces terrestres en cas de tirs de roquettes et de missiles antichars ; et Tashan, qui identifie les points de lancement et d’impact et localise la source des tirs ennemis. L’IA a également été intégrée au système d’alerte national israélien, permettant de prédire les zones de retombée des débris d’interception. Flow, agrège les données provenant de sources militaires et civiles, permettant aux commandants de créer rapidement des tableaux de bord de renseignement pour des problèmes spécifiques. Un autre élément central du système est MapIT, « une plateforme qui affiche des données opérationnelles tridimensionnelles en temps réel aux commandants. Ha’Aretz a appris qu’au cours de l’année écoulée, l’armée a développé une couche supplémentaire au-dessus de MapIT, consolidant tous les flux de données en une seule carte opérationnelle. » 

À ce stade, précise le journal, « ces systèmes d’IA ne prennent pas de décisions opérationnelles de manière indépendante. Ils sont plutôt conçus pour fournir au personnel militaire des informations plus rapides et plus sophistiquées. Selon des sources qui se sont confiées à Ha’Aretz, le système remplace le travail de dizaines d’analystes. » Selon le journal, tous ces éléments ne dépendent d’aucun prestataire externe. « Suite aux critiques concernant la dépendance de l’armée israélienne à l’égard de l’infrastructure Microsoft, Tsahal a décidé d’adopter des modèles ouverts plutôt que des technologies propriétaires détenues par les grandes entreprises technologiques ». La plupart d’entre eux seraient des produits no-code, c’est-à-dire développés entièrement via l’IA, avance le journal. Fin 2025, Tsahal crée une division dédiée à l’IA, baptisée Bina et une unité chargée de consolider les données opérationnelles, au coeur du développement de ces outils. 

Dans cette infrastructure, on trouve encore le plus connu d’entre tous : Lavender, un système d’IA permettant de cibler des individus, comme l’explique la remarquable enquête du journaliste Yuval Abraham, publiée par +972 Magazine en avril 2024 qui aurait identifié des dizaines de milliers de militants présumés à Gaza. Dans son enquête sur Lavender, Yuval Abraham explique que le système de ciblage par IA utilisé à Gaza, est « un système peu supervisé par l’humain et caractérisé par une politique permissive en matière de pertes humaines ». 

Lavender : le ciblage… quelques soient les dommages et les défaillances

En 2021, explique Yuval Abraham dans son article, un livre publié en anglais et sous pseudonyme plaidait pour la conception d’une machine spéciale capable de traiter rapidement d’énormes quantités de données afin de générer des milliers de « cibles » potentielles pour des frappes militaires en pleine guerre. Son auteur : l’un des responsables de l’unité d’élite du renseignement israélien. Cet outil qu’il imaginait existe désormais. Son influence sur les opérations militaires israéliennes à Gaza a été telle que les conclusions de l’IA étaient traitées « comme s’il s’agissait de décisions humaines ». 

« Officiellement, le système Lavender est conçu pour identifier toutes les opérations suspectes des branches militaires du Hamas et du Jihad islamique palestinien, même celles de bas rang, comme cibles potentielles de bombardements. L’armée s’est presque entièrement fiée à Lavender, qui a recensé jusqu’à 37 000 Palestiniens comme militants présumés (identifiant ces personnes nommément, bornant leurs téléphones et leurs domiciles) susceptibles de faire l’objet de frappes aériennes. »

« L’armée a donné son accord général aux officiers pour qu’ils adoptent les listes de cibles de Lavender, sans exiger de vérification approfondie des raisons qui ont motivé ces choix par le système ni d’examen des données brutes sur lesquelles ils se fondaient. » Une source a indiqué que le personnel humain servait souvent uniquement de simple exécutant pour valider les décisions du système, ajoutant qu’en général, il ne consacrait personnellement qu’une vingtaine de secondes à chaque cible avant d’autoriser un bombardement, juste pour s’assurer que la cible marquée par Lavender était bien… un homme. Et ce, malgré le fait que le système commette ce qui est considéré comme des « erreurs » dans au moins environ 10 % des cas, « et qu’il est connu pour marquer occasionnellement des individus n’ayant qu’un lien ténu avec des groupes militants, voire aucun lien du tout.» « De plus, l’armée israélienne attaquait systématiquement les individus ciblés à leur domicile, généralement la nuit en présence de toute leur famille, plutôt que lors d’opérations militaires. Selon les sources, cela s’expliquait par le fait que, d’un point de vue de renseignement, il était plus facile de localiser les individus chez eux. » Même si l’enjeu semblait plutôt de profiter d’une situation de faiblesse, hors du champ de bataille.

Les pertes de femmes ou d’enfants et de victimes collatérales ne sont, pour l’armée israélienne, qu’une conséquence sans impact sur les choix technologiques opérés. « Le système est conçu pour repérer les cibles à leur domicile ». « Selon deux sources, l’armée a également décidé, durant les premières semaines du conflit à Gaza, que pour chaque jeune militant du Hamas marqué par Lavender, il était permis de tuer jusqu’à 15 ou 20 civils. » C’est ici que les choses ont changé, estime Yuval Abraham, par le passé, l’armée n’autorisait aucun « dommage collatéral » lors des assassinats de militants de bas rang : les dommages collatéraux n’étaient autorisés que pour cibler les hauts responsables. Les dommages ont été intégrés et élargis. 

L’enquête de Yuval Abraham est très précise, et permet de bien saisir les limites de l’outil. 

« Lavender repère les personnes et les inscrit sur une liste de personnes à éliminer » déterminée par calcul à partir des données collectées, sans que l’on sache ce qui constitue ces données, provenant certainement du renseignement. Le terme de cible humaine a longtemps désigné pour l’armée israélienne des officiers supérieurs ennemis qui pouvaient être bombardés à leur domicile (au prix du massacre de leurs familles), mais seulement les officiers supérieurs, « afin de respecter le principe de proportionnalité du droit international ». Mais après le 7 octobre 2023 – date à laquelle des militants du Hamas ont lancé une attaque meurtrière contre des localités du sud d’Israël, faisant environ 1 200 morts et 240 otages –, Tsahal, selon ces mêmes sources, a adopté une approche radicalement différente. L’armée a décidé de désigner toutes les opérations de la branche armée du Hamas comme des cibles humaines, indépendamment du grade ou de l’importance militaire de leurs auteurs. « Lors des conflits précédents, pour autoriser l’assassinat d’une cible humaine, un officier devait suivre une procédure d’incrimination complexe et longue » et notamment procéder à des vérifications. Mais en élargissant la liste des cibles, les vérifications ont été réduites, au profit du ciblage automatisé. 

L’autorisation d’adopter automatiquement les listes de cibles calculée par Lavender a été prise deux semaines après le lancement de la guerre contre Gaza, après avoir testé un échantillon de cibles proposées par Lavender et constaté que l’affiliation d’un individu au Hamas semblait fiable à 90%. Les décisions de ciblage automatisées sont alors devenues des ordres. Les unités n’ont plus à vérifier les raisons de ces choix, ni à examiner les données sur lesquelles il se fonde. « Dès qu’une personne [marquée] était chez elle, elle devenait immédiatement une cible »… et ses coordonnées étaient transmises à l’aviation chargée de bombarder sa maison. « Il n’y avait plus de politique du « zéro erreur » », remarque un officier. Il n’y a pas eu de volonté de vérifier et d’atténuer les dommages collatéraux (bien au contraire, visiblement). Les 10% d’erreurs (ou plus) sont désormais intégrés comme principe opérationnel. « Des sources ont expliqué que le dispositif Lavender signalait parfois par erreur des individus dont les habitudes de communication étaient similaires à celles d’agents connus du Hamas ou du Jihad islamique palestinien (JIP) — notamment des policiers et des employés de la protection civile, des proches de militants, des résidents portant un nom et un surnom identiques à ceux d’un agent, ou encore des Gazaouis utilisant un téléphone ayant appartenu à un membre du Hamas. » Pour l’armée israélienne, la marge d’erreur du système a été validée comme acceptable.

L’invisible score de cible

« Lavender analyse les informations collectées sur la plupart des 2,3 millions d’habitants de la bande de Gaza grâce à un système de surveillance de masse, puis évalue et classe la probabilité que chaque personne soit active dans la branche militaire du Hamas ou du Jihad islamique palestinien (JIP) – depuis la base d’un échantillon d’entraînement de militants connus. Selon certaines sources, la machine attribue à presque chaque habitant de Gaza une note de 1 à 100, indiquant la probabilité qu’il soit un militant. » 

L’étendue des sources et données utilisées pour procéder à cette analyse n’est pas connue. Visiblement, le système utilise toutes les sources à sa disposition : données des téléphones, connexions aux réseaux sociaux, informations sur le champ de bataille, contacts téléphoniques, photos, informations sur les opérations de l’ennemi… Le seul enjeu consiste à déterminer le seuil, le niveau à partir duquel la note attribuée transforme un individu en cible. 

A partir de quelles données et informations, Lavender estime qu’une personne est affiliée au Hamas ? La liste des motifs de suspicions est sans fin puisqu’elle est calculée depuis toutes les données disponibles. Le fait qu’une personne ait appartenu ou ait été proche du Hamas dans le passé mais n’en fasse plus partie est un motif de suspicion. Mais est-il exact ? Pire, souligne l’article : un officier « défendant le recours aux listes de cibles palestiniennes générées par Lavender, a soutenu qu’il était justifié d’investir le temps d’un officier de renseignement pour vérifier l’information uniquement si la cible était un haut commandant du Hamas. « Mais pour un simple militant, il est inutile d’y investir des ressources humaines et du temps », a-t-il déclaré. » On vérifie là où le taux d’erreur est possiblement le plus faible et pas là où le taux d’erreur est possiblement le plus fort ! « Les jours où nous ne trouvions aucune cible [dont le profil justifiait une frappe], nous attaquions à un seuil plus bas. » Glaçant ! Et en abaissant le seuil, le système finit par signaler les membres de la protection civile, des policiers… qui par leur fonction aident le gouvernement du Hamas… mais ne représentent pas une menace directe. D’ailleurs, des données d’agents de la protection civile ont été utilisées pour entraîner Lavender (alors qu’elles auraient dû être écartées) et déterminer les profils à cibler, estime un data scientist en le regrettant car ils mettent ces publics à risque. 

Bien sûr, l’armée israélienne a dénoncé les accusations portées par l’article de Yuval Abraham. Pour Tsahal, l’IA n’est pas utilisée ainsi. Elle n’est qu’un « auxiliaire des décisions ». Toute cible identifiée est vérifiée, assure la communication officielle de l’armée. Mais, selon les sources de Yuval Abraham, « le seul protocole de supervision humaine mis en place avant le bombardement des maisons de militants présumés « juniors » marqués par Lavender consistait en une vérification unique : s’assurer que la cible sélectionnée par l’IA était un homme et non une femme. » Outre les dommages collatéraux, nombreux, pour les civils ciblés par erreur par Lavender, aucun mécanisme de contrôle n’était en place pour détecter l’erreur, comme par exemple, quand les cibles ont pu donner leur téléphone à un autre individu. Lavender, finalement, cible bien plus un téléphone qu’une personne. Ce qui n’est pas sans produire très concrètement des erreurs de frappe.

Obsession téléphonique, obsession domiciliaire

Pour l’armée israélienne, si ses frappes tuent des civils, c’est d’abord en raison des tactiques du Hamas qui utiliserait des réseau de tunnels passant délibérément sous des hôpitaux et des écoles ; ou des ambulances pour se déplacer ; et qui situerait ses moyens militaires à proximité de bâtiments civils pour dissuader les frappes. Des affirmations que les organisations de défense des droits humains jugent fallacieuses et qui viseraient à exonérer Israël de sa responsabilité dans ces pertes. Mais pour les sources d’Abraham, le nombre sans précédent de morts lors des bombardements israéliens actuels serait d’abord lié au fait que l’armée a systématiquement ciblé des personnes à leur domicile, en présence de leurs familles – notamment parce qu’il était plus facile, du point de vue du renseignement, de repérer les maisons familiales grâce à des systèmes automatisés. « L’armée a fait le choix délibéré de bombarder des militants présumés à l’intérieur de maisons civiles où aucune activité militaire n’avait été constatée. Un choix qui reflète la conception du système de surveillance de masse israélien à Gaza. » 

« Afin de détecter en temps réel l’entrée des cibles dans les maisons, divers logiciels automatisés ont été développés. Ces programmes suivent simultanément des milliers de personnes, repèrent leur présence à domicile et envoient une alerte automatique à l’officier chargé du ciblage, qui marque alors la maison pour le bombardement. L’un de ces logiciels de suivi, révélé ici pour la première fois, s’appelle « Où est papa ? ». « On entre des centaines de cibles dans le système et on attend de voir qui on peut éliminer », a déclaré une source connaissant le système. « C’est ce qu’on appelle le ciblage à grande échelle : on copie-colle les listes produites par le système. »

Les données confirment cette politique : durant le premier mois de la guerre, plus de la moitié des victimes – soit 6 120 personnes – appartenaient à 1 340 familles, dont beaucoup ont été entièrement décimées à l’intérieur de leurs maisons, selon les chiffres de l’ONU.»

Quand le rythme des victimes ralentit, il suffit d’ajouter davantage de noms dans le système de suivi, et notamment d’abaisser les grades de ceux qu’on souhaite éliminer. La liste des personnes à abattre s’est considérablement allongée (elle en compterait 36 000 en attente de localisation). Même des mineurs ont été désignés comme cibles de bombardement par Lavender, confie une source, déclarant : « normalement, les opérations concernent les personnes de plus de 17 ans, mais ce n’était pas une condition. »

La prise en compte du coût des armes et l’évolution du seuil des dommages collatéraux

Une fois que Lavender a désigné une cible à assassiner, que l’armée a vérifié son sexe et que le logiciel de suivi a localisé la cible à son domicile, l’étape suivante consiste à choisir les munitions. En décembre 2023, CNN a rapporté que, selon les estimations des services de renseignement américains, environ 45 % des munitions utilisées par l’armée de l’air israélienne à Gaza étaient des bombes non guidées, connues pour causer davantage de dommages collatéraux que les bombes guidées, plus précises (mais plus chères). Le choix des munitions se fait en fonction des immeubles ciblés. Les bombes non guidées sont plus adaptées à de petits immeubles, même si elles font plus de dégâts et donc plus de dommages collatéraux. Cela a notamment été le cas pour les cibles mineures, conduisant à détruire leurs maisons et tous leurs habitants. Selon d’autres sources, le programme d’attaque des militaires du Hamas de bas rang a été réduit voire arrêté du fait de son coût en munitions et en armes. 

Lors d’attaques depuis des systèmes d’IA comme Lavender, le nombre de civils qu’il était permis de tuer avec chaque cible était fixé à 15 à 20 maximum, durant les premières semaines du conflit. « Ces « seuils de dommages collatéraux », comme les appelle l’armée, étaient appliqués de manière systématique à tous les militants présumés, indépendamment de leur grade, de leur importance militaire ou de leur âge ». D’après un officier affecté à une salle d’opérations ciblées, le département de droit international de l’armée n’avait jamais auparavant accordé une « autorisation aussi générale » pour un seuil de dommages collatéraux aussi élevé. « Il ne s’agit pas simplement de pouvoir tuer n’importe quel soldat du Hamas, ce qui est pourtant clairement autorisé et légitime au regard du droit international », a-t-il déclaré. Mais également de tuer des civils qui leur sont liés, ce qui est beaucoup moins conforme au droit international. Sans compter que « toute personne ayant porté un uniforme du Hamas ces deux dernières années pouvait être la cible d’un bombardement, avec 20 civils tués en dommages collatéraux, même sans autorisation spéciale ». « En pratique, le principe de proportionnalité n’était pas respecté », estime l’officier. « Selon certaines sources, le niveau prédéterminé et fixe de dommages collatéraux a permis d’accélérer la création massive de cibles à l’aide du système Lavender, car il a permis un gain de temps ». Pour les frappes aériennes contre les hauts commandants du Hamas, l’armée israélienne autoriserait la mort de « centaines » de civils par cible – « une politique officielle sans précédent historique en Israël, ni même dans les récentes opérations militaires américaines ». Pour atteindre Ayman Nofal, commandant de la Brigade centrale de Gaza, le 17 octobre, l’armée israélienne a autorisé des dégâts collatéraux encore plus élevés. 

« Le général Peter Gersten, commandant adjoint des opérations et du renseignement dans le cadre de l’opération contre Daech en Irak et en Syrie, a déclaré à un magazine de défense américain en 2021 qu’une attaque ayant causé la mort de 15 civils s’écartait de la procédure. Pour ce faire, il a dû obtenir une autorisation spéciale du chef du Commandement central américain, le général Lloyd Austin, aujourd’hui secrétaire à la Défense. » « Avec Oussama Ben Laden, on avait un Indice de pertes non combattantes (IPNC) de 30, mais pour un commandant subalterne, cet IPNC était généralement nul », a déclaré Gersten. « On a longtemps fonctionné avec un IPNC nul. »

Certaines sources d’Abraham confient que cette politique était disproportionnée. Et que les souffrances des Gazaouis touchés par ces bombardements risquent, à long terme, de renforcer le Hamas.  

En fait, expliquent les sources d’Abraham, le nombre de dommages collatéraux autorisé n’a cessé de fluctuer, pour permettre les frappes. Le fait que la plupart des maisons de la bande de Gaza aient déjà été détruites ou endommagées, et que la quasi-totalité de la population ait été déplacée, a également réduit la capacité de l’armée à s’appuyer sur les bases de données de renseignement et les programmes automatisés de localisation des habitants et des habitations. Pour Abraham, lors des conflits précédents, les services de renseignement de l’armée consacraient beaucoup de temps à vérifier la fiabilité des calculs des dommages collatéraux possibles. Mais « après le 7 octobre, cette vérification rigoureuse a été largement abandonnée au profit de l’automatisation ». 

Visiblement, comme le notait déjà le New York Times, le système fonctionne avec un code couleur : le rouge indique les zones densément peuplées, tandis que le vert et le jaune indiquent les zones relativement vidées de leurs habitants. Le « logiciel calculait le nombre de civils résidant dans chaque maison avant la guerre – en évaluant la taille du bâtiment et en consultant la liste de ses occupants – puis réduisait ces chiffres en fonction de la proportion d’habitants ayant supposément évacué le quartier. » Le problème, bien évidemment, c’est que cette méthode était déconnectée de la réalité. « La source a indiqué que, malgré la connaissance des risques d’erreurs, ce modèle imprécis avait été adopté pour sa rapidité. De ce fait, a-t-elle précisé, « le calcul des dommages collatéraux était entièrement automatisé et statistique », produisant même des chiffres non entiers.»

Enfin, il faut également prendre en compte la latence des frappes. Un décalage important peut se passer entre le moment où les systèmes de suivi comme « Où est papa ? » alerte de l’arrivée d’une cible à domicile et le bombardement… pouvant entraîner la mort de familles entières, sans même que la cible n’ait été atteinte car elle pouvait être repartie. « Nous savions que la cible était chez elle à 20 h. Finalement, l’aviation a bombardé la maison à 3 h du matin. Nous avons alors découvert qu’il avait réussi à déménager avec sa famille dans une autre maison. Deux autres familles avec enfants se trouvaient dans l’immeuble que nous avons bombardé. » Le temps de traitement n’a rien d’immédiat, contrairement à ce que l’on peut croire. 

« Lors des précédents conflits à Gaza, après l’assassinat de cibles humaines, les services de renseignement israéliens procédaient à une évaluation des dégâts causés par les bombardements – une vérification de routine après une frappe afin de déterminer si le commandant supérieur avait été tué et combien de civils avaient péri avec lui. Comme l’a révélé une précédente enquête de +972 et Local Call, cela impliquait d’écouter les conversations téléphoniques des familles endeuillées. Dans le conflit actuel, cependant, au moins concernant le ciblage des militants subalternes par intelligence artificielle, des sources indiquent que cette procédure a été abandonnée par souci de gain de temps. Ces mêmes sources précisent ignorer le nombre de civils réellement tués lors de chaque frappe et, pour les opérations menées par des individus soupçonnés d’appartenir au Hamas ou au Jihad islamique palestinien (JIP) et identifiés par IA, elles ignorent même si la cible a été tuée. »

Hubert Guillaud

La seconde partie de l’article est à lire par ici.

Les assemblées se mettent en mode été !!! Question de profiter du beau temps, des fleurs qui poussent et des oiseaux qui chantent , on vous invite à une assemblée populaire rimouskoise sous la forme d’un pique nique , au Parc Beauséjour.

Le tout débutera par l’installation des plats, suivi d’une grande plénière et d’un projet artistique communautaire. Le reste de l’événement se prêtera autant à la discussion en sous-groupes, qu’à la rigolade sur le gazon et aux envies de jouer dehors !

On teste une formule potluck, donc si l’envie vous prend de cuisiner et de partager, une table sera installée pour y mettre vos plats et la description de ce qu’ils contiennent (surtout pour les allergies) ! Rien ne vous empêche d’apporter votre propre lunch en alternative ou en complément.

On vous invite aussi fortement à apporter votre vaisselle (plats, ustensiles, verres), mais nous aurons une réserve sur place au cas où. Afin de se laisser le temps de respirer, la table sera prête à accueillir vos plats à 11h30, et quand tout semblera bien installé, la plénière commencera .

Invitez vos proches et tout le voisinage!

INFO MÉTÉO : il fera beau, c’est certain, MAIS si jamais la température ne se prête pas à une assemblée, elle sera remise au lendemain. On vous fait un bulletin météo quelques jours avant.

Le chercheur italien Antonio Aloisi (qu’on a déjà évoqué plusieurs fois dans nos pages, notamment ici et là) a lancé une passionnante newsletter personnelle, Workable Futures. 

Dans sa dernière édition, il enterre l’économie des plateformes de travail. L’adoption d’une directive européenne « timidement audacieuse » sur les travailleurs des plateformes a fini par ramener un peu de réalité dans un monde de mythes surmédiatisés, explique-t-il. En fait, on dit souvent que le droit est en retard par rapport au rythme des évolutions technologiques, mais il semble bien que nous devrions reconsidérer la question et constater que le droit est en avance. Après plus de 10 ans de poudre aux yeux, aucune plateforme de l’économie collaborative en Europe ne peut se targuer d’une rentabilité solide, malgré le lobbying intense en leur faveur et les financements sans fin du capital risque qui sont venus subventionner le mode de vie des plus aisés que ce soit en proposant des livraisons ou des courses en voiture de luxe à prix cassé. Le grand cimetière de l’innovation est désormais rempli de startups qui proposaient d’ubériser tout et n’importe quoi. « Ce qui pu passer pour une voie vers la rentabilité s’est révélée guère plus qu’une redistribution des pertes, reportée sur les travailleurs et les fournisseurs. Même dans sa version la plus « optimisée » (celle qui repose sur le travail forcé), le modèle peine à générer un profit durable.» 

« Depuis des années, des armées d’avocats se disputent sur le dilemme épineux de savoir si les travailleurs indépendants doivent être considérés comme des salariés ou des travailleurs à leur compte ». « Les traditions juridiques nationales peuvent diverger, mais le constat est clair : le pouvoir d’exercer un contrôle absolu sur les travailleurs (qualifiés, à juste titre, de « subordonnés ») s’accompagne du devoir de garantir stabilité et protection. Le risque commercial doit être supporté par les fondateurs, et non transféré aux employés. Plus important encore, dans la plupart des pays occidentaux, ce modèle sous-tend un système de protection sociale solide, où les travailleurs financent leur propre sécurité sociale par le biais de cotisations salariales. Depuis l’avènement du capitalisme, c’est ainsi que les entreprises fonctionnent, avec un certain succès, à moins qu’elles ne choisissent de se réfugier dans un monde numérique d’exception. »

Des armées d’avocats, de politiciens, d’universitaires, d’entrepreneurs et d’éditorialistes  ont tenté de nous convaincre  que « la notion traditionnelle de subordination ne saurait s’appliquer à des structures organisationnelles aussi flexibles, voire imprévisibles ». « La directive européenne sur le travail sur plateforme affirme en substance qu’un modèle économique basé sur une plateforme n’est pas fondamentalement incompatible avec une relation de travail. Ce principe, bien que non révolutionnaire, a été salué à juste titre comme une avancée majeure. La plupart des observateurs ont également averti que l’introduction d’une présomption de travail n’est qu’un point de départ. » 

Ce dispositif procédural n’a aucun pouvoir miraculeux. Intégrer les travailleurs précaires dans le champ d’application du droit du travail ne résout pas, en soi, les problèmes de fond auxquels ils sont confrontés. La prochaine étape devrait consister à examiner la pertinence des dispositions relatives au travail dans des contextes et pour des travailleurs qui ne correspondent pas pleinement à l’idéal dominant. Le constat est sans appel, estime le chercheur. « Nous avons déployé une énergie intellectuelle considérable pour finalement ne pas légitimer un phénomène qui n’a jamais été conçu pour être légitime, et encore moins conforme à la loi ». « La réalité s’est avérée dure pour les plateformes », ironise le chercheur. « Le problème n’a jamais été que le droit était en retard sur l’innovation, mais que les modèles économiques étaient déconnectés de la réalité ». Nous avons été abusés par un « entreprenariat factice ». Ce sont les projets d’ubérisation qui sont bidons, pas le droit qu’il faut changer. 

« Cependant, les pratiques testées dans ce contexte sont depuis devenues un modèle pour des entreprises moins scrupuleuses. La surveillance intégrée aux applications de livraison de repas est désormais une fonctionnalité du tableau de bord collaboratif de votre employeur ; ce qui a été testé dans les centres d’appels est maintenant le modèle pour les annotateurs de données (ces travailleurs qui nettoient les ensembles de données extraits par ChatGPT). Le modèle de rémunération à la tâche s’est infiltré dans l’enseignement supérieur, la santé et le secteur culturel, dans un cycle sans fin de reproduction de la même logique. Les données que nous partagions autrefois avec légèreté en échange d’un bon de réduction sont devenues la base d’une nouvelle infrastructure prédatrice. »

« Les tribunaux du monde entier sont toujours englués dans des litiges concernant le statut d’emploi des travailleurs des plateformes, le temps de travail non rémunéré et la discrimination algorithmique. Pendant ce temps, sans grande finesse, l’entreprise orchestre discrètement l’obsolescence programmée de ses chauffeurs (et la sienne), façonnant les attentes quant à la suite des événements, marquée par une dégradation progressive des conditions de travail et la promesse d’une automatisation complète. »

« Le caractère pernicieux de cette stratégie explique son attrait. Les travailleurs sont considérés comme un simple obstacle à éliminer. Or, c’est faux : même lorsqu’ils sont relégués au second plan dans les champs des Pouilles à la récolte des légumes, sur le marché mondial en ligne de l’étiquetage des données, contraints de laver les sols de supermarchés prétendument entièrement automatisés ou embauchés pour surveiller des machines défaillantes (comme les superviseurs de véhicules autonomes forcés de se déguiser en sièges auto pour donner l’illusion de voitures fonctionnant sans intervention humaine). Ce système repose sur une main-d’œuvre massive et sous-payée, une armée de maîtres numériques maniant des algorithmes impitoyables, et la crédulité, la complaisance et la superficialité du reste d’entre nous. L’économie des petits boulots est morte. Il était temps ». Aloisi sait pourtant que la directive des plateformes ne suffira pas. L’économie des petits boulots est morte « et pourtant elle persiste ». « Un modèle économique qui n’a jamais été viable a néanmoins réussi à remodeler la perception du travail chez certains, une supercherie après l’autre. » Le risque est fort que cette perception continue d’infuser en continuant à niveler les salaires et les statuts par le bas. Avant que nous enterrions définitivement son cadavre, il est probable qu’elle aura fait encore beaucoup de mal à bien des travailleurs de bien des secteurs. 

La dérégulation est pour les perdants 

Dans la première édition de sa newsletter, Antonio Aloisi expliquait déjà que « la dérégulation est pour les perdants », en revenant sur la mauvaise idée européenne, suite au rapport Draghi, de porter une forme de dérégulation avec le projet de digital omnibus. Or, rappelle le chercheur, « l’affirmation selon laquelle la croissance de l’UE serait bloquée à cause de l’ensemble des règles juridiques que nous nous sommes imposées est, pour être honnête, sans fondement. Sans vouloir détourner le regard, les causes profondes se trouvent ailleurs : une intégration insuffisante, des marchés financiers fragiles, une culture de l’aversion au risque, des politiques migratoires inadaptées et des règles d’attraction des talents inefficaces » (autant de pistes, on s’en souvient, mises en avant par Anu Bradford). On le voit dans les discussions sans fin autour du Digital Omnibus européen qui réécrivent les textes européens sous prétexte de dérégulation, reportant ses échéances d’une correction l’autre. Ceux qui critiquent l’approche légaliste de l’UE ne seront jamais satisfaits : ils continuent de réclamer toujours plus de simplification créant une Union toujours plus « économiquement dépendante, technologiquement subordonnée et stratégiquement faible ». De l’autre côté, les entreprises sérieuses qui avaient déjà mis en place des protocoles pour se conformer aux dispositions législatives seront assez légitimement mécontentes. « Elles se percevront comme les naïfs du village dans un monde où règne une culture managériale déconnectée de la réalité. Refuser de se conformer et préférer se plaindre, d’une certaine manière, s’avère payant. Ce sentiment peut être extrêmement dangereux, comme dans le cas classique de l’évasion fiscale : pourquoi payer si tout le monde contourne allègrement les règles ? » La perspective d’une impunité totale au prétexte de l’innovation ne nous conduit nulle part. 

Pour Aloisi, le risque est fort que l’innovation ne devienne un concept vide de sens. Y’a-t-il vraiment un chef d’entreprise pour affirmer que sa startup a échoué « à cause d’une politique de cookies trop stricte ou des exigences du RGPD ? », ironise-t-il. 

La réalité n’est pas celle-ci, rappelle Aloisi. En Europe, des entreprises développent des produits et services de pointe dans des secteurs essentiels, de l’aéronautique à l’industrie pharmaceutique, de l’énergie aux microprocesseurs. Ces exemples illustrent une philosophie radicalement différente, qui s’attaque aux défis sociétaux majeurs plutôt que de fabriquer des chatbots pour des rencontres amoureuses ou des images pédopornographiques. Une « innovation patiente qui fait progresser la civilisation ». « Si une entreprise « disruptive » ne peut survivre parce qu’elle doit se conformer à des règles que la plupart d’entre nous suivons, c’est peut-être l’occasion de réévaluer la viabilité de son modèle économique. C’est un service que nous pouvons rendre à la véritable notion d’innovation, celle qui ne se contente pas de détruire, mais qui contribue à bâtir un monde meilleur. » « Les appels à démanteler la réglementation européenne en matière de développement durable et de numérique peuvent facilement se retourner contre ses auteurs. Il est facile de comprendre qu’un repli de l’UE engendrerait une fragmentation, une instabilité et une concurrence accrues entre les États membres pour occuper un espace ou combler un manque. C’est là que réside l’erreur de la déréglementation : ce processus ne profite ni aux PME européennes, ni à la souveraineté ou à la compétitivité de l’UE, ni à la position des consommateurs, des travailleurs ou des citoyens. C’est un fléau déguisé en bénédiction. Une option perdant-perdant qui ne ferait qu’éroder davantage la confiance dans les institutions, les règles et les dirigeants. » Nous devrions être plus sages et changer de cap, conclut-il. La dérégulation ne nous conduit nulle part. 

Hubert Guillaud

PS : Dans La Croix, Mimoun El Alami, de la Coopérative d’activité et d’emploi Stairling et Yannick Puisset, dirigeant de la coopérative d’activité et d’emploi Coop & Bât, signaient une tribune pour pointer que le statut de micro-entrepreneur, en France, est une bombe à retardement, dénonçant un statut concernant désormais 3,186 millions de personnes en France, sans droits suffisants. « Ce à quoi nous assistons ressemble à une réémergence du prolétariat. Pas un retour aux usines du XIXe siècle, mais à l’atomisation de millions de travailleurs, cols blancs comme cols bleus, seuls face à leurs clients, payés à la tâche, sans filet de sécurité. Le XXe siècle avait construit patiemment des structures de protection collective. Le statut de microentrepreneur, choisi par défaut, les contourne. » Des organisations comme le Syndicat des indépendants et des TPE ou la Fédération nationale des autoentrepreneurs portent des revendications précises : meilleure couverture maladie, accès à la formation, droits à la retraite. « Leur audience croissante dit quelque chose du vide institutionnel que ressentent des millions de travailleurs. » Avec le portage salarial et les Coopératives d’activité et d’emploi, ces modèles de protection sociale ne demandent qu’à grandir. Pour l’instant, les pouvoirs publics ne les aident pas suffisamment.