




Pour mesurer l'ampleur du phénomène, la revue Nature a mené en mai 2025 une vaste étude auprès de plus de 5 000 scientifiques à travers le monde. Les résultats peignent un paysage contrasté : si l'enthousiasme est quasi unanime pour la simple relecture, la fissure apparaît dès qu'il s'agit de générer de la matière textuelle.
Pour la grande majorité des chercheurs, la machine n'est qu'un super-correcteur. Mais l'étude révèle un vrai tabou : parmi ceux qui confient une partie de la rédaction à l'IA, la très grande majorité préfère ne pas le déclarer.
Dans l’édition, le ghostwriter existe depuis toujours : quelqu'un écrit dans l'ombre, un autre signe. L'IA n'a rien inventé, mais elle floute encore un peu plus les pistes. Elle traduit, restructure, polit... et rédige désormais des pans entiers de textes.
Si le fait de corriger la grammaire ou de polir le style s’apparente à un simple correcteur orthographique amélioré, la vraie ligne de fracture se situe ailleurs : l'IA doit-elle servir à écrire, ou à penser ?
Écrire, est-ce seulement poser des mots sur une idée ? Ou est-ce l'acte même de penser ? Un chercheur résumait parfaitement le problème dans le sondage : « On peut utiliser l’IA pour nous aider à rédiger, pas pour réfléchir à notre place. »
Cette nuance change tout. La question n’est plus de savoir si une machine a touché au texte, mais ce qu’on lui a délégué.
Il existe une frontière marquée entre ce qu'on juge acceptable et ce qu'on pratique en douce.
Si 28 % des chercheurs avouent utiliser l'IA pour l'édition et 8 % pour rédiger leur premier jet, la majorité omet de le déclarer. Ce silence ne provient pas forcément d'une intention malveillante, car l'absence de directives claires dans les revues alimente ce flou. On se retrouve ainsi face à une situation ironique : les scientifiques trouvent l'outil légitime, mais ils hésitent à avouer qu'ils s'en servent.
Pendant que la communauté débat, les mots des machines s'infiltrent progressivement partout. Une étude publiée en 2025 dans Science Advances à partir de données recueillies jusqu'en 2024 estime qu'au moins 13,5 % des résumés biomédicaux analysés portent l'empreinte statistique indéniable des grands modèles de langage.
L'écriture elle-même constitue une technologie qui effrayait déjà à son apparition. Dans le Phèdre de Platon, Socrate s’inquiétait de l’invention de l’écriture, redoutant qu’elle ne rende les hommes amnésiques en les incitant à chercher leur mémoire hors d'eux-mêmes.
Chaque fois qu'un outil automatise une tâche cognitive, il nous force à redéfinir la valeur de l'effort humain.
Une IA peut suggérer un plan, reformuler une lourdeur ou créer une transition élégante. Elle n'a cependant jamais passé trois heures sur le terrain à observer les comportements humains, ni ressenti la tension d’une réunion où personne n'ose répondre à la vraie question. Le matériau brut de l'expérience reste irremplaçable.
La science se publie en anglais. Les grandes revues et les colloques internationaux passent presque tous par cette langue, et les chercheurs qui ne l’ont pas apprise au berceau ont toujours dû écrire leurs travaux dans une langue seconde.
Il faut pourtant rendre justice à ces modèles : pour les chercheurs non anglophones, l'IA constitue un égaliseur puissant. Pendant des décennies, des scientifiques brillants ont souffert d’un désavantage injuste face à leurs collègues natifs, mais l’IA gomme aujourd'hui cette barrière.
Cette avancée soulève néanmoins un nouveau défi : si tout le monde peut désormais produire une prose irréprochable, comment distingue-t-on la véritable valeur d'un travail ?
Pendant longtemps, un anglais impeccable passait pour un gage de sérieux. Ce signal ne permet plus de trier quoi que ce soit. Une belle plume n'a jamais garanti la rigueur d'un raisonnement ni l'originalité d'une observation. Les machines écrivent bien, mais bien écrire ne suffit pas.
Les éditeurs scientifiques ont d’ailleurs devancé le débat et ils ont tranché — contrairement aux éditeurs de littérature qui se remettent à peine de l’invention de la machine à écrire. Alors que le monde littéraire se perd encore dans des querelles romantiques sur le « style » et l'authenticité de l'âme de l'auteur, la science a choisi le pragmatisme.
Chez Springer Nature, la règle demeure limpide : l’IA peut soutenir le travail, mais la responsabilité scientifique reste 100 % humaine. Une IA ne deviendra jamais co-auteure, car elle ne peut pas répondre de ses actes devant ses pairs ni devant un jury.
Pendant qu’on s’épuise à mesurer des règles de style (triades, phrases binaires), à chasser la ponctuation douteuse (points-virgules, cadratins) ou à repérer des structures louches (démonstrations en trois parties), les scientifiques proposent un autre débat beaucoup plus intéressant : qui accepte d'être le garant d’un texte?
L'IA maîtrise désormais la forme et rend la belle prose accessible à tous. Devant ce constat, le monde littéraire cherche encore des indices de style pour démasquer la machine. Les scientifiques ont tranché plus vite : peu importe qui a aligné les phrases, un humain doit signer le texte et en répondre devant ses pairs. Être auteur, pour eux, c'est accepter d'être le garant de ce qu'on publie.
ARTICLE · Kwon, Diana (2025). Is it OK for AI to write science papers? Nature survey shows researchers are split. Nature, vol. 641, p. 574–578. Sondage mené auprès de 5 229 chercheurs, dont les données brutes sont publiées en annexe, qui mesure ce que la communauté juge acceptable et ce qu’elle pratique réellement, déclaration comprise.
ARTICLE SCIENTIFIQUE · Kobak, D., González-Márquez, R., Horvát, E.-Á. et Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, vol. 11(27). Analyse de plus de 15 millions de résumés PubMed (2010–2024) qui estime, par l’excès de certains mots, qu’au moins 13,5 % des résumés de 2024 ont été traités par un grand modèle de langage.
LIVRE · Platon (vers 370 av. J.-C.). Phèdre. Traduction de Luc Brisson, GF-Flammarion. Dialogue où Socrate rapporte le mythe de Theuth et s’inquiète d’une écriture qui affaiblirait la mémoire en la déplaçant hors de nous.
POLITIQUE ÉDITORIALE · Springer Nature, Nature Portfolio (consultée en 2026). Artificial Intelligence (AI) — Editorial policies. Springer Nature. Règles qui interdisent d’attribuer la qualité d’auteur ou la responsabilité d’un travail à une IA et maintiennent les auteurs humains pleinement responsables de son intégrité.
Les chercheurs ont soumis les grands modèles de langage à des dilemmes stratégiques concrets. La réponse, chaque fois, avait la même couleur — celle de la mode managériale. Les chercheurs ont nommé le phénomène « trendslop ». Mais d'autres études viennent nuancer ce verdict. La vérité sur l'IA et la stratégie est plus intéressante — et plus exigeante — qu'un simple pour ou contre.
Les tensions qui définissent la vraie vie des dirigeants
Angelo Romasanta (Esade Business School), Llewellyn D.W. Thomas (University of Sydney) et Natalia Levina (NYU Stern) ont soumis sept grands modèles de langage — ChatGPT, Claude, DeepSeek, GPT-5, Gemini, Grok et Mistral — à sept tensions stratégiques fondamentales. Des tensions binaires, celles que les dirigeants vivent au quotidien et qui exigent de vrais arbitrages.
Différenciation ou leadership par les coûts. Exploration ou exploitation. Court terme ou long terme. Collaboration ou compétition. Innovation radicale ou incrémentale. Centralisation ou décentralisation. Automatisation ou augmentation.
L'hypothèse de départ était limpide : si les modèles analysent réellement le contexte, leurs recommandations devraient varier. Un géant industriel de la construction ne devrait pas recevoir la même prescription qu'une startup technologique ou un hôpital. Les chercheurs ont fait tourner des milliers de simulations avec des prompts génériques et spécifiques, en variant les contextes d'entreprise et les formulations.
Le « trendslop », ou quand l'IA confond popularité et pertinence
Les résultats sont sans appel. Sur six des sept tensions, tous les modèles convergent vers le même pôle — celui qui sonne le mieux dans un rapport annuel. Différenciation plutôt que coûts, 96 % du temps. Augmentation plutôt qu'automatisation, 93 %. Collaboration plutôt que compétition, 78 %. Long terme plutôt que court terme, 62 %. Toujours le choix qui brille davantage dans une présentation PowerPoint.
Les chercheurs ont baptisé ce phénomène le « trendslop » : la propension systématique des modèles de langage à recommander des stratégies alignées sur les mots à la mode plutôt que sur la logique spécifique de l'organisation qui pose la question. Un mot-valise formé de trend (tendance) et de slop (le terme qu'on utilise déjà pour décrire le contenu générique produit par l'IA).
Seule la tension « exploration vs. exploitation » a produit une véritable variation entre les modèles. Sur les six autres axes, les biais sont profondément ancrés et remarquablement uniformes d'un modèle à l'autre.
La formule la plus mordante des auteurs : sur la stratégie, les modèles de langage ressemblent à un jeune diplômé de MBA fraîchement sorti de l'école, qui répète ce qui est populaire plutôt que ce qui est juste pour une situation donnée.
15 000 tentatives pour corriger le biais. Résultat : 2 %.
On pourrait croire que le problème se résout avec de meilleurs prompts. Les chercheurs y ont pensé. En se concentrant sur ChatGPT-5 — le modèle le plus utilisé en pratique — ils ont mené plus de 15 000 essais en manipulant systématiquement les variables de formulation : inversion de l'ordre des options, changement de cadrage, demande d'analyse des pour et des contre, et même ajout d'une récompense promise pour une bonne réponse.
Le résultat est brutal. Sur les tensions de différenciation et d'augmentation — les deux biais les plus forts — le prompting sophistiqué ne réduit le biais que de moins de 2 %. Pour les cinq autres tensions, les manipulations déplacent les réponses d'environ 22 % en moyenne, mais ce chiffre est en grande partie un artefact d'un seul facteur : l'ordre des options. Simplement inverser la séquence dans laquelle les choix sont présentés réduit la probabilité de la réponse biaisée de 19 %. Ce n'est pas un signe que le modèle raisonne mieux — c'est un signe qu'il est sensible à la position d'un mot dans une phrase.
Et le contexte ? Les chercheurs ont testé plus de 15 000 variantes contextuelles, allant de grandes multinationales à des startups tech, en passant par des banques, des hôpitaux et des organismes à but non lucratif. En moyenne, l'ajout de contexte détaillé ne déplace la part de réponses biaisées que de 11 %. Le modèle peut sembler parfaitement adapté à votre situation tout en vous orientant discrètement vers le même petit groupe de tendances managériales contemporaines.
La sophistication apparente comme forme d'évitement stratégique
Le biais vers les tendances n'est pas le seul problème. Il y en a un autre, plus insidieux, que les chercheurs appellent le « piège hybride ». Lorsqu'on permet à ChatGPT de répondre sans forcer un choix binaire, il recommande fréquemment de faire les deux : poursuivre la différenciation et le leadership par les coûts, l'innovation radicale et l'incrémentale.
En surface, ça sonne sophistiqué et équilibré. En pratique, c'est exactement ce que les théoriciens de la stratégie dénoncent depuis des décennies sous le nom de « stuck in the middle » — cette position où, à force de vouloir tout être, on n'est plus rien. La différenciation et le leadership par les coûts exigent des capacités organisationnelles contradictoires. Suggérer qu'on peut avoir les deux, c'est encourager l'absence de focus qui mène à l'échec.
Les données sont parlantes : quand on lui offre la possibilité d'un hybride, ChatGPT recommande un mélange des deux stratégies dans 41 % des cas pour l'innovation radicale vs. incrémentale, et dans 56 % des cas pour l'exploitation vs. l'exploration. Ce n'est pas de la nuance. C'est de l'évitement déguisé en sophistication.
Un problème plus large, documenté dans plusieurs disciplines
Le trendslop n'est pas un phénomène isolé. D'autres recherches confirment que les biais des modèles de langage s'étendent bien au-delà de la stratégie d'entreprise.
Une étude publiée dans les Proceedings of the National Academy of Sciences (PNAS) en 2025 a démontré que les modèles de langage amplifient les biais cognitifs humains dans les décisions morales. Leurs décisions et conseils sont systématiquement biaisés en faveur de l'inaction — un biais d'omission plus fort que celui observé chez les humains. Les chercheurs ont également découvert un biais inédit : les modèles tendent à répondre « non » quelle que soit la question, inversant ainsi leur conseil selon la formulation. Ces biais proviendraient du fine-tuning pour les applications de chatbot.
Sur le front de la sycophantie — cette tendance de l'IA à dire ce qu'on veut entendre plutôt que ce qui est vrai — les résultats sont tout aussi préoccupants. Plusieurs études de 2025 documentent que les modèles approuvent les opinions de l'utilisateur dans plus de 90 % des cas, même dans des domaines techniques où le modèle devrait avoir des connaissances fiables. Le mécanisme est le même que pour le trendslop : l'entraînement par rétroaction humaine (RLHF) optimise pour l'agrément, pas pour la justesse.
Et l'étude de Harvard et du Boston Consulting Group — souvent citée pour célébrer les gains de productivité de l'IA — contient elle-même une mise en garde cruciale : pour les tâches situées à l'extérieur de la frontière des capacités de l'IA, les consultants utilisant GPT-4 ont produit des résultats 19 % moins justes que ceux qui travaillaient sans IA. Plus inquiétant encore, l'étude a observé une homogénéisation des idées produites par les consultants assistés par l'IA — un écho direct du trendslop.
La prospective stratégique, un terrain où les modèles excellent
Il serait malhonnête de s'arrêter là. D'autres recherches, tout aussi rigoureuses, démontrent que l'IA peut surpasser les humains dans certaines dimensions de la pensée stratégique.
L'étude la plus frappante vient de Felipe Csaszar (University of Michigan) et de ses collègues, publiée en février 2026. Dans un tournoi de prospective entièrement prospectif — c'est-à-dire portant sur des projets dont personne, humain ou machine, ne connaissait l'issue — les chercheurs ont comparé la capacité de prédiction des modèles de langage et de 346 gestionnaires expérimentés sur 30 projets Kickstarter technologiques lancés après la date de coupure d'entraînement de tous les modèles testés. Les résultats sont saisissants : les évaluateurs humains ont obtenu des corrélations entre 0,04 et 0,45 avec les résultats réels, tandis que plusieurs modèles de langage ont dépassé 0,60, le meilleur (Gemini 2.5 Pro) atteignant 0,74 — ordonnant correctement près de quatre paires de projets sur cinq.
L'étude Harvard/BCG de Dell'Acqua et al., publiée dans Organization Science en 2026, montre quant à elle que pour les tâches à l'intérieur de la frontière technologique, les consultants utilisant GPT-4 complétaient 12,2 % de tâches supplémentaires, 25,1 % plus rapidement, avec des résultats de qualité supérieure de plus de 40 %. Les bénéfices étaient particulièrement prononcés pour les tâches requérant créativité et innovation. Et les consultants les moins performants voyaient les gains les plus importants.
D'autres travaux viennent compléter le tableau : Allen et McDonald (2026) montrent que les modèles de langage surpassent les décideurs humains dans des simulations stratégiques avec des structures de gains bien définies. Sen et al. (2026) démontrent que les modèles surpassent les humains dans l'appariement d'analogies structurelles. Et Csaszar lui-même, dans un article éditorial de Strategy Science intitulé « Can AI Do Strategy? », défend l'idée que l'IA ne reproduira pas l'intuition humaine mais atteindra des résultats stratégiques par ses propres forces : échelle massive, vitesse computationnelle et capacité d'exploration systématique d'espaces de possibilités complexes.
Ce que les deux camps nous apprennent ensemble
Pris ensemble, ces deux corpus de recherche dessinent une frontière remarquablement nette. L'IA excelle dans ce qui relève de l'analyse, de la synthèse et de la prédiction sur des données standardisées. Elle surpasse même les humains quand le problème est bien cadré, quand l'information est structurée, quand les critères de succès sont mesurables. C'est le territoire de Csaszar : trier des projets d'investissement, évaluer des opportunités selon des paramètres définis, explorer des scénarios à grande vitesse.
Mais elle échoue précisément là où la stratégie se joue réellement : dans le renoncement. Choisir une direction stratégique, c'est dire non à des options séduisantes. C'est défendre un pari que la majorité trouverait contre-intuitif. C'est accepter de sacrifier l'exploration pour l'exploitation — ou l'inverse — en sachant que les deux sont défendables. Le modèle de langage, lui, est incapable de renoncer. Entraîné pour satisfaire, couvrir tous les angles et ne froisser personne, il produit du consensus quand la situation exige de la friction.
Cela contredit la théorie stratégique établie. Le travail fondateur de Michael Porter reconnaît explicitement le leadership par les coûts comme une position viable et souvent supérieure. Walmart, Costco, Aldi, Ryanair ont bâti des empires dessus. Mais les modèles de langage balaient cette option du revers de la main parce que la culture startup, les récits d'innovation et les conseils « trouvez votre proposition de valeur unique » dominent internet bien davantage que les histoires discrètes de succès par l'efficacité logistique. Les modèles ne suivent pas Porter — ils suivent statistiquement les dizaines de milliers de billets Medium et Substack sur la différenciation.
L'outil de différenciation qui produit de l'uniformité
Le danger le plus profond du trendslop n'est pas qu'il donne de mauvais conseils. C'est qu'il donne à tout le monde les mêmes conseils. Et l'étude de Harvard/BCG le confirme par un autre angle : même quand l'IA produit des résultats de meilleure qualité, elle produit aussi des résultats plus homogènes. Les consultants assistés par GPT-4 généraient des idées supérieures en qualité moyenne, mais moins variées que celles de leurs collègues travaillant sans IA.
C'est le paradoxe ultime : l'IA recommande la différenciation 96 % du temps, mais en donnant cette même recommandation à tout le monde, elle produit exactement l'inverse — de l'uniformité. Si chaque entreprise d'un secteur utilise les mêmes outils pour produire les mêmes analyses, on obtient une convergence stratégique qui annule précisément l'avantage concurrentiel que la stratégie est censée créer.
Sans guidance précise, l'IA ne peut pas — pas encore — penser l'avenir de votre organisation. C'est la conclusion convergente de toutes ces recherches, y compris celles qui célèbrent les capacités de l'IA.
Le mot clé, c'est guidance. Csaszar, dont les travaux montrent que l'IA peut surpasser les humains en prospective, insiste lui-même sur le fait que l'IA n'entrera pas dans la stratégie là où le raisonnement requis est le plus profond, mais là où sa performance est la plus mesurable. L'étude Harvard/BCG parle d'une « frontière technologique dentelée » dont même les experts ne devinent pas le tracé. Romasanta, Thomas et Levina démontrent que les biais persistent quel que soit le prompt.
Ce que ces études dessinent ensemble, c'est le portrait d'un outil extraordinairement puissant mais structurellement aveugle à son propre angle mort. L'IA ne sait pas qu'elle est biaisée. Elle ne sait pas qu'elle recommande la même chose à tout le monde. Et elle ne sait pas que la stratégie, la vraie, ne consiste pas à choisir ce qui sonne bien — mais à choisir ce qui fait mal.
Le rôle du stratège humain n'est pas menacé par l'IA. Il est redéfini. L'humain n'est plus celui qui fait l'analyse — l'IA le fait mieux et plus vite. L'humain est celui qui refuse les conclusions confortables. Celui qui dit : « Tout ça est séduisant, mais ce n'est pas nous. » Celui qui fait le tri entre ce qui est populaire et ce qui est juste. Celui qui renonce.
Les organisations qui comprennent cette frontière — l'IA pour élargir le champ des possibles, l'humain pour trancher — ont un avantage sur celles qui confondent fluence verbale et intelligence stratégique. Et cet avantage, aucun modèle de langage ne peut le reproduire.
L'humain peine encore à comprendre sa propre nature : conscience, raisonnement, intelligence émotionnelle et mentale... autant de domaines qui restent à élucider. Si notre compréhension de notre propre intelligence est encore imparfaite, comment pourrions-nous alors la programmer dans un algorithme ? L'avènement de l'IA nous pousse à réexaminer ces concepts, à questionner leur sens et notre compréhension.
Selon une définition générale, l'intelligence implique la faculté d'adaptation, la capacité à faire des choix, à adopter un certain comportement ou à poursuivre une intention. Or, à ce jour, l'intelligence artificielle ne possède pas ces capacités. Si on s'en tient simplement à une définition plus technique de l'intelligence, qui ressemblerait à celle de l'intel des anglos — le renseignement, l'information —, alors le « robot OpenAI » n'est pas plus intelligent qu'un moteur de recherche. Cependant, il est bien plus puissant mais il camoufle ses lacunes derrière une façade de certitude — ce que Gemini semble éviter.
Un avocat new-yorkais en a fait l'amère expérience en mai 2023. Préparant ses plaidoiries à partir de recherches légales effectuées par ChatGPT, il s'est rendu compte que la majorité des informations étaient purement inventées par le système. Pour vous en convaincre, faites un test : recherchez des informations sur un sujet qui vous est inconnu, vous serez probablement impressionnés. En revanche, sur un sujet que vous maîtrisez, le résultat pourrait bien vous faire rire.
Le Petit Robert nous rappelle que le mot « artificiel » a une multitude de sens. Artificiel veut dire « faux » (des fleurs artificielles), il veut dire « fait par l'humain et pas par la nature » (un lac artificiel), mais aussi « qui manque de naturel, forcé, exagéré » (une gaieté artificielle), mais aussi « arbitraire, qui ne tient pas compte des faits réels » (une classification artificielle), ou encore « non-humain » (une jambe artificielle). Or aujourd'hui, on considère uniquement l'intelligence artificielle comme étant non-humaine — et c'est vrai.
Histoire de la remettre à sa juste place, il convient de considérer l'intelligence artificielle au prisme de TOUTES les définitions de l'artificiel. Dès lors, il est tout aussi vrai qu'elle est fausse, faite par l'humain, elle manque de naturel, elle est arbitraire et elle échappe aux faits réels.
Évidemment que l'I.A. est impressionnante, elle peut générer une quantité d'information vertigineuse — et la formuler de manière crédible. Sa capacité à chercher, trouver et formuler rapidement donne une illusion d'intelligence, mais en aucun cas il s'agit d'arbitrage, d'opinion, ou de morale. Dès lors intelligence artificielle est un abus de langage. Il n'est pas question de conscience, mais bien de puissance — au sens technologique.
L'intelligence artificielle repose (encore) sur la gestion de l'erreur. La machine dit « voici tel résultat, avec telle estimation de mon erreur. » Un humain doit alors évaluer la qualité de cette estimation (je simplifie, ok?) À force de rétroactions, la machine affine ses prédictions et elle devient meilleure.
C'est d'ailleurs la raison du rachat de l'entreprise reCaptcha — cette petite boîte qui vous demande sans arrêt de confirmer que vous êtes un humain — par Google en 2009. En quelques années, on est passés de « quels sont les caractères bizarres écrits ci-dessous? » à « cliquez sur les images de Street View où vous voyez un bus ». Ce changement s'est produit en 2012. Pourquoi? Parce que Google avait besoin de validation de masse. Elle devait vérifier la précision des prédictions de son algorithme. Sur les cases 1 à 9, l'algorithme estime avoir identifié un bus dans les images 2, 6 et 7, avec un taux de confiance — confidence score — de x% (je simplifie encore, hein!) C'est votre tour, à vous de déclarer où vous voyez un bus! Ce faisant, vous (un humain) validez simplement la prédiction d'une I.A., et vous améliorez sans le savoir un algorithme. Cette vérification, multipliée par des millions chaque jour, est une manne de main-d'œuvre gratuite au service d'une machine qui donne des airs d'autonomie.
Depuis le début de l'année dernière, ces images de Google Street ont été remplacées... par des images générées par de l'I.A. Encore une fois, c'est vous qui faites le boulot de valider ou corriger la machine.
Google n'a pas racheté reCaptcha pour sécuriser les sites web du monde entier, mais pour nous faire travailler gratuitement.

Mais ce n'est pas tout. Dans plusieurs pays du monde (Kenya, Madagascar, Inde, Venezuela, Argentine…) des ressources « humaines » sont employées à bas coût pour effectuer ce genre de tâches de validation (ou de censure), mais aussi pour nourrir les machines de leur savoir. Des jobs si mal payées qu'elle créent un Tiers Monde 2.0. Cette exportation du travail dégradant de l'I.A. est si massive que les experts la qualifient de « recolonisation ».✱
Pendant ce temps, nous regardons la locomotive, ébahis par le génie de la machine, ignorant tout de ceux qui la nourrissent de charbon, à la force de leur bras, au prix de leur sueur et parfois de leur sang.
Pour l'instant, l'intelligence artificielle a besoin de BEAUCOUP de ressources humaines pour avoir l'air… humaine.
Pour l'instant (la nuance est importante), l'intelligence artificielle n'a rien d'intelligent et tout d'artificiel.
Le bon fonctionnement des I.A. génératives repose sur un accès à un volume de données immense qui repose elle-même sur... des connaissances humaines.
Des mathématiques mésopotamiennes à la relativité d'Einstein, de la sagesse de Lao Tseu à la poésie de Ferland, de Thalès à Henri Bergson, toute production de connaissance est un acte humain délibéré. Toute découverte, le fruit d'un labeur. Toute trouvaille, le résultat d'une quête obsédée. Toute création est la sueur d'une conscience, d'un effort, d'une maturation humaine. Dès lors, notre savoir, notre culture et nos croyances sont un magma de récits, de réflexions et de pensées millénaires, mûries au fil de notre lente évolution.
Ensuite, ces connaissance ont dû être collectées par des humains méticuleux. Tout fragment de savoir a été validé par des humains, trié, catégorisé, classé et indexé par des humains.
Ce corpus de connaissances a été rassemblé en grimoires, en ouvrages, en encyclopédies, en dictionnaires, en manifestes, en herbiers et cabinets de curiosités de toutes sortes, en bibliothèques et en collections muséales, puis finalement en serveurs informatiques. Tout cela a été le travail acharné et entêté d'humains décidés à partager le savoir.
De siècle en siècle, cette tâche a été facilitée par des techniques qui se sont additionnées. L'écriture (mésopotamienne), le papier (chinois), l'imprimerie (germanique), l'informatique puis l'internet ont été des accélérateurs puissants de cette conservation du savoir, et ces inventions ont été des actes créatifs humains délibérés.
Aujourd'hui l'I.A. repose sur des algorithmes créés par des humains — tout comme l'électricité, la physique, l'électronique, la logique et les mathématiques qui les ont rendus possibles.
La volonté même de voir une machine penser comme nous est humaine. Rien ne découle d'un désir « deus ex machina » (dieu sorti de la machine).
Mais soudain, le résultat sort de l'automate, et l'on crie au génie et à la magie, louant cette capacité soudaine des machines à « créer par elles-mêmes ».
L'époque croit dur comme fer que le lapin est vraiment sorti du chapeau sous le coup de la baguette magique.
Au risque de décevoir les croyants, les machines n'ont pas cette capacité de créer. Elles n'en ont ni la technique, ni le savoir-faire, ni le talent, ni l'intention, ni la volonté, ni le pouvoir. Elles ne font que suivre des ordres, qu'exécuter des commandes, que reproduire des mécanismes, pensés et enseignés par des humains.
Mais face aux prouesses des I.A., on oublie les fils de la marionnette et la main qui la contrôle. Mais où est passée notre fierté d'homo sapiens? Quel âge avons-nous pour croire aux magiciens?
Nous sommes encore TRÈS loin de l'Intelligence Artificielle Générale promise par OpenAI. Tout est humain dans l'intelligence artificielle.
GPT signifie Generative Pre-trained Transformer. Il s'agit pour l'I.A. de générer des contenus, au-delà de simplement les compiler. Générer du texte, des images, de la musique, en s'entraînant sur des masses importantes de données. Par exemple, après quelques commandes très simples auprès de MidJourney, Stable Diffusion ou Dall-e, l'ordinateur vous fait quelques propositions de « création ». C'est bluffant. Avec de l'entraînement, cela devient fascinant.
Mais ce n'est pas une création. C'est un collage malicieux d'images recherchées sur le net, dépouillées de leurs droits d'auteurs et savamment mélangées sans aucune autorisation, pour en créer une autre. Philosophiquement, le procédé se défend. L'artiste lui-même ne fait-il pas la même démarche d'inspiration et de collages dans son esprit?
Mais légalement c'est une autre histoire. En janvier 2023, GettyImage a poursuivi ces trois plateformes pour violation de droits d'auteur, après avoir retrouvé son propre logo dans des créations censées être originales. En retour, Emad Mostaque, le patron de Stable Diffusion a sèchement répondu sur Twitter « models and data for all », brandissant encore le mythe de l'open source. Voulait-il dire « from all »?
Saviez-vous que les abeilles sont capables de faire de la reconnaissance faciale avec un cerveau d'un millimètre cube? Elles savent même compter jusqu'à 8! En plus de ce miracle de miniaturisation, l'insecte fait tout cela sans intervention humaine, en totale autonomie énergétique — le tout en veillant à l'équilibre de notre agriculture, donc à notre survie.✱
Pour la même opération, un ordinateur a besoin d'une quantité astronomique d'énergie, sans compter l'impact environnemental écrasant de sa fabrication.
La prouesse de l'abeille, c'est de réaliser une tâche complexe avec très peu d'énergie.
La prouesse de l'humain, c'est la neuro plasticité : notre cerveau se reconfigure biologiquement sans cesse, pour effectuer des tâches complexes avec moins d'énergie. Réalisez à quel point tenir en équilibre sur un vélo est un miracle de complexité pour notre cerveau! Et pourtant, à force, nous le faisons sans même y penser!
Pour vous donner une image de la puissance du cerveau humain, une collaboration internationale entre chercheurs japonais (Riken et OIST) et allemands (Institute of Neuroscience and Medicine, Forschungszentrum Jülich) a effectué une simulation sans précédent de l'activité cérébrale humaine grâce au supercalculateur K de Fujitsu (TOP4 des plus puissants ordinateurs au monde en 2013, année de l'étude)
Ce super calculateur représente la puissance de 83.000 ordinateurs et la mémoire de 250.000 ordinateurs.
Alors combien de temps pour calculer 1 seconde de 1% d'un cerveau?! 40 minutes! Notre cerveau est un super calculateur d'une puissance infinie comparée à n'importe quelle I.A. du monde… et pour longtemps! Et nous faisons tout cela au prix minime de 2000 à 2500 calories par jour!✱
En passant, c'est à peu près (1800 cal.) l'énergie nécessaire à une ruche de 50 à 60.000 individus pour fonctionner quotidiennement en été.✱
Au final, la prouesse de l'I.A., c'est de… faire quelque chose à notre place. Ok, mais à quel prix? Pour quels impacts? ChatGPT a lui seul mobilise 3617 serveurs, et un total de 28936 processeurs graphiques (GPU). D'après SemiAnalysis (2023), cet arsenal consomme à peu près 564 MWh par jour. C'est plus que la production journalière d'Hydro-Québec en 2022, avec 554 MWh.✱
J'ai posé la question à ChatGPT de son impact sur l'environnement. La réponse est sans équivoque et prouve le manque total de conscience : « c'est pas moi, ce sont mes serveurs » — traduire « j'en n'ai rien à foutre! ».

Concrètement, la recherche en intelligence artificielle est principalement ❶ privée, ❷ masculine... ❸ blanche.
Il faut constater avec prudence plusieurs échecs de l'I.A. sur le plan de la démocratie — dans le sens du pouvoir et de la représentativité du peuple, bien que la démocratie fut elle-même un mythe, dès son berceau à Athènes (sujet pour lequel je vous redirigerais vers l'historien Patrice Brun)
Commençons par quelques exemples.
D'abord celui de la reconnaissance faciale chez les personnes noires, pour qui le risque d'erreur est multiplié par 100, ce qui a été dénoncé par Amnesty Internationale.
Ensuite, l'objectification de la femme, permise par les outils de création d'images, qui facilitent la surproduction d'images sursexualisées. Dernier exemple concret : les deep-fakes pornographiques de la chanteuse Taylor Swift ont été vus 47 millions de fois avant d'être stoppées… 17 heures plus tard par la plateforme de l'uuuuultra libéral Elon Musk, laissant amplement le temps à la bulle conservatrice américaine de s'enflammer contre la chanteuse.
Ensuite, la perpétuation des biais, comme dans le cas d'Amazon, qui avait mis en place un système de recrutement automatisé en 2014. Le but : recruter les meilleurs CV en se basant sur leurs données historiques. Résultat? La machine a proposé... des hommes blancs en grande majorité, perpétuant les bonnes vieilles habitudes de recrutement du groupe.
Enfin, le biais scandaleux de l'algorithme COMPAS (Correctional Offender Management Profiling for Alternative Sanctions) utilisé présentement dans le système judiciaire américain. L'idée? Prédire la probabilité de récidive d'un délinquant. Or, le modèle a prédit deux fois plus de faux positifs chez les délinquants noirs (45 %) que les délinquants blancs (23 %). On est carrément dans un Minority Report buggé!
Ce sont des hommes blancs et riches qui programment les machines. Et, même voulant bien faire, ils se prennent les doigts dans les curseurs de la diversité.
La semaine dernière, un épisode d'hallucination de Gemini a créé l'émois. Quelle que soit la demande de génération d'images faite à la nouvelle I.A. de Google, tous les résultats représentaient des personnes noires ou asiatiques : Vikings, autochtones ou nazis. L'incident n'a pas échappé à l'uuuuultra libéral Elon Musk, qui en a profité pour pointer le woksime des modèles d'I.A. existantes. Ben tiens…
On voit bien le lien ténu entre ces nouveaux outils technologiques et la récupération politique. Oui, l'I.A. est une promesse de progrès… à condition que vous soyez un homme blanc riche. Dans les faits, elle n'est pour l'instant qu'une machine à exacerber les discriminations, qu'un accélérateur de problèmes sociétaux, qu'un générateur de commotions politiques inutiles.
Et ce n'est pas vraiment la définition du progrès.
Quand viendra le temps de prendre position, ou de prendre des décisions importantes, comment l'IA va-t-elle raisonner? Admettons que nous lui demandions son avis sur la peine de mort, le port d'arme, ou plus simplement l'application d'une loi, l'interprétation d'une consigne? Comment va-t-elle pouvoir répondre?
Prenons l'exemple du port d'arme. Comment décider? En prenant en compte le point de vue des deux camps
Selon l’enquête AI at Work 2025 du Boston Consulting Group (2025), menée auprès de plus de 10 600 employés dans 11 pays, 36 % seulement s’estiment suffisamment formés à l’IA, et 54 % utiliseraient des outils non autorisés si les bons venaient à manquer. L’IA clandestine est déjà dans vos murs. Et selon le sondage How to implement transformations for long-term impact de McKinsey (2023), 12 % des répondants seulement ont maintenu leurs gains plus de trois ans. Les transformations trébuchent presque toutes au même moment : quand l’essai doit devenir un réflexe.
Avant de recommander quoi que ce soit, nous allons écouter. Des entrevues individuelles, longues, confidentielles, menées par nos ethnographes auprès d’employés de tous les étages. Nous y entrons avec le moins d’hypothèses possible : aucune grille par génération, par niveau hiérarchique ou par département. Bien nous en prend, car ces catégories n’expliquent presque rien. Le « jeune forcément à l’aise » et le « vétéran forcément réfractaire » sont des raccourcis que le terrain dément à chaque mandat.
Au fil de nos mandats nous avons découvert deux variables fondamentales qui permettent de réellement cerner le profil de vos employés : leur tolérance au risque, et leur tolérance à la délégation. La première mesure la capacité d’accepter un résultat imparfait, de se tromper devant les autres et d’être jugé par ses pairs. La seconde mesure la disposition à confier à un outil une part de sa rédaction, de son analyse, voire de son jugement. Ces deux variables traversent les générations, les titres et les services.
Elles touchent directement aux trois besoins psychologiques que l’IA vient bousculer, selon Erik Hermann, Stefano Puntoni et Carey Morewedge dans Why Gen AI Feels So Threatening to Workers (Harvard Business Review, 2026) : la compétence, l’autonomie et l’appartenance. Confier une part de son travail à un outil remet en jeu sa compétence et son autonomie; accepter le risque expose au jugement des pairs, donc à l’appartenance. Croisées, ces deux variables dessinent quatre profils. Aucun profil ne vaut mieux qu’un autre; la grille sert à parler un langage commun. Chacun a son besoin en souffrance, et mérite donc son parcours.
Forte tolérance au risque, forte tolérance à la délégation. Dans nos entrevues, il se reconnaît à sa confiance double : en lui-même et en l’outil. Il teste par lui-même sans attendre qu’on lui montre la voie, et les ratés médiatisés de l’IA ne le freinent pas; il préfère se faire sa propre idée. Il a déplacé sa valeur professionnelle : elle réside dans l’analyse et le jugement, et l’effort de production compte peu à ses yeux. « C’est moi le cerveau de l’affaire, ça raccourcit juste le temps. » Il parle de l’IA avec aisance, montre ce qu’il fait, partage ses trouvailles. C’est précisément ce qui peut l’isoler : son enthousiasme avance plus vite que celui de son équipe, et il finit parfois par explorer seul.
Avec lui, le risque s’appelle la solitude, puis le désengagement. Everett Rogers l’avait décrit dès 1962 dans Diffusion of Innovations : les premiers à adopter une nouveauté sont souvent perçus comme marginaux par leur groupe, et l’innovation se propage réellement quand des leaders d’opinion respectés s’en emparent. Donnez-lui donc une place reconnue : un mandat officiel de compagnon IA, du temps protégé dans sa description de poste, des « prompt parties » à animer. Seul critère : la curiosité. Un adjoint administratif passionné fait un meilleur compagnon qu’un cadre compétent et indifférent.
Forte tolérance au risque, faible tolérance à la délégation. Confiant en lui-même, méfiant envers l’outil, il explore volontiers et garde la main sur ce qui compte. Nous l’avons vu tracer une frontière nette : pour la recherche et la synthèse, aucun problème; pour le raisonnement et la création professionnelle, blocage. Il relit tout, refait tout, et ce travail en double lui coûte un temps qu’il juge nécessaire. Sa méfiance a une source : les défaillances de l’IA rapportées dans les médias, qu’il cite volontiers en entrevue et qui confirment ses réserves. Sa rigueur protège la qualité du travail. Elle a aussi un coût caché : tant qu’il ne délègue rien de substantiel, les gains promis par l’IA restent théoriques pour lui.
La recherche montre comment l’amener plus loin. Dans Overcoming Algorithm Aversion (Management Science, 2018), Berkeley Dietvorst, Joseph Simmons et Cade Massey ont constaté que les gens délaissent un algorithme dès qu’ils le voient se tromper, mais l’utilisent bien plus volontiers lorsqu’ils peuvent en modifier les résultats, même légèrement, et obtiennent alors de meilleurs résultats. Offrez-lui des ateliers de prompting sur des cas réels, en petits groupes, et des listes de vérification par métier, construites avec lui. Puis trois paliers sur son cœur d’expertise : l’IA prépare et il décide; l’IA propose et il arbitre; l’IA exécute et il valide. Il passe de relecteur à arbitre, sans rien céder sur la qualité.
Faible tolérance au risque, forte tolérance à la délégation. C’est le profil le plus paradoxal de la matrice : méfiant envers lui-même, confiant dans l’outil. Il utilise l’IA sous la pression de la charge de travail davantage que par conviction, produit beaucoup avec elle, et en parle peu. En entrevue, la gêne affleure vite. Déléguer à l’IA ressemble pour lui à tricher, comme si l’effort fourni faisait la valeur du travail : « C’est comme si c’était pas toi qui avais fait l’examen. » Il craint le regard des collègues et des gestionnaires plus que l’outil lui-même. Il a déjà trouvé les gains; il lui manque la permission de les assumer au grand jour.
Sa crainte est fondée. Dans Evidence of a social evaluation penalty for using AI (PNAS, 2025), Jessica Reif, Richard Larrick et Jack Soll ont établi, auprès de plus de 4 400 participants, que ceux qui utilisent l’IA au travail sont jugés moins compétents et moins motivés. La réponse est collective : une charte du droit à l’erreur signée par la direction, des cercles de pratique sans gestionnaire dans la salle, le rituel du « meilleur ratage IA de la semaine ». Amy Edmondson appelait cela la sécurité psychologique dès 1999 (Psychological Safety and Learning Behavior in Work Teams, Administrative Science Quarterly).
Faible tolérance au risque, faible tolérance à la délégation. C’est le profil le plus résistant de la matrice, et le plus argumenté. Sa résistance est active : il questionne, objecte, documente. Il voit dans l’IA une double menace, pour l’intégrité professionnelle et pour la sécurité des données, et ses objections sur la fiabilité sont souvent fondées. En entrevue, il cite des cas précis d’erreurs, de fuites, de réponses inventées. Comme il ne délègue pas encore, il n’a pas connu l’inconfort de la délégation; son jugement repose sur ce qu’il observe autour de lui. Dans une organisation, il joue un rôle précieux : c’est souvent lui qui pose la question que personne n’ose poser.
Ses objections méritent mieux qu’un argumentaire : un siège au comité de veille qui examine chaque cas d’usage avant déploiement, un rôle de relecteur officiel, un registre public des objections. Sa vigilance solitaire devient une fonction reconnue. La science lui donne en partie raison : dans Navigating the Jagged Technological Frontier (Harvard Business School, 2023), Fabrizio Dell’Acqua et ses collègues ont observé 758 consultants; dès que la tâche sortait du champ de compétence de l’outil, ceux qui utilisaient l’IA se trompaient davantage.
Ces quatre parcours ne tiennent que si l’organisation leur offre un cadre solide. Nos mandats en font ressortir quatre conditions.
Une direction qui parle d’une seule voix. Quand un vice-président dit « IA générative », qu’un autre parle d’« agents autonomes » et qu’un troisième évoque « l’automatisation », chacun croit défendre le même projet. Les équipes, elles, entendent trois projets différents, et le message se dilue dès le premier étage. Avant de former qui que ce soit, la direction doit s’entendre sur ses mots : ce qu’on appelle IA chez nous, ce qu’on attend d’elle, ce qu’on refuse de lui confier.
Des messages clés, peu nombreux et répétés. Trois ou quatre idées simples suffisent : pourquoi on s’y met, ce qui est permis, ce qui ne l’est pas, ce qu’on gagne. Elles doivent revenir dans chaque réunion, chaque communication, chaque formation, jusqu’à ce que n’importe quel employé puisse les réciter. Un message entendu une fois reste une annonce; répété cent fois, il devient une norme.
Des compagnons dans tous les services. L’adoption se joue à côté du poste de travail, au moment précis où quelqu’un bloque et se tourne vers un collègue. D’où l’importance d’avoir, dans chaque équipe, une personne curieuse, disponible et reconnue pour ce rôle. Les éclaireurs en sont les candidats naturels.
Une formation à deux étages. Le premier étage est visible : les outils, le prompting, les cas d’usage. Il s’apprend en atelier, en quelques heures. Le second est souterrain : les croyances, la peur d’être jugé, l’estime de soi professionnelle, le sentiment de tricher. Aucun atelier ne le règle. Il se travaille lentement, dans les rituels d’équipe, les tête-à-tête avec un gestionnaire, les petites victoires partagées.
Ces quatre conditions reposent sur le modèle COM-B de Susan Michie, Maartje van Stralen et Robert West (The behaviour change wheel, Implementation Science, 2011), selon lequel un comportement n’apparaît que lorsque trois éléments sont réunis : la capacité, l’occasion et la motivation. La capacité, c’est le premier étage de la formation : savoir se servir des outils. L’occasion, ce sont les compagnons à proximité et une direction dont le langage clair rend l’usage permis et visible. La motivation, c’est le second étage : des croyances apaisées, une estime de soi préservée, et des messages répétés qui donnent un sens à l’effort. La plupart des programmes IA financent la capacité et espèrent que l’occasion et la motivation suivront d’elles-mêmes. Elles suivent rarement.
Reste à mesurer. Un questionnaire court et anonyme, repris tous les six mois, montre si les gens se déplacent dans la matrice : combien d’artisans exigeants commencent à déléguer, combien de pragmatiques discrets osent en parler, combien de vigies acceptent un premier cas d’usage.
On a beau parler de transformation technologique, de licences et de feuilles de route, ce qui reste à la fin, ce sont des habitudes : le réflexe d’ouvrir l’outil devant un document à résumer, l’aisance d’en parler à un collègue, la confiance de montrer son travail sans craindre d’être jugé. Ces habitudes naissent profil par profil, au rythme de chacun.
L’IA devient une culture le jour où la vigie siège au comité qui encadre les usages, où l’artisan exigeant dispose de protocoles qui lui laissent le dernier mot, où le pragmatique discret reçoit la permission d’assumer ce qu’il fait déjà, et où l’éclaireur trouve un rôle à la mesure de sa curiosité. Ce jour-là, l’outil se fond dans la manière de travailler.
Rien de tout cela ne se devine depuis un bureau de direction. Chaque organisation a ses propres croyances, ses propres peurs, ses propres éclaireurs qui s’ignorent. Tout cela se découvre sur le terrain, une conversation à la fois. C’est notre métier. Et si on allait écouter vos équipes?
Vous avez une idée en tête. Vous brûlez de partager ce que vous savez. Vous avez hâte d'exposer votre théorie aux yeux du monde. Si c'est le cas, arrêtez tout de suite d'écrire, vous n'êtes pas prêt. Pourquoi? Parce que... ce que vous avez à dire n'intéresse personne! Si vous voulez que tout le monde sache enfin ce que vous savez, vous faites un ego-trip, pas un article. Pour intéresser les gens, il faut s'intéresser aux gens, comprendre ce qu'ils ont dans la tête, comprendre que vous pouvez leur apporter, comprendre que leur temps et précieux. Comprendre beaucoup... et surprendre un peu.
Voilà plusieurs règles à suivre pour réussir votre article. Je sais, c'est long, dense et pas toujours évident à réussir. Mais c'est important. Alors, ne vous découragez pas et lancez-vous!
Un article Perrier Jablonski est une responsabilité. Vous allez déranger les gens pendant plusieurs minutes, et ce temps a beaucoup de valeur. En échange de leur temps, vous allez leur offrir un morceau de connaissance. Ce faisant, vous allez jouer avec l'esprit des gens, et ce pouvoir vient avec une responsabilité. D'abord, vous devez véritablement leur apprendre quelque chose. D'abord, ce que vous allez leur apprendre doit être vrai, vérifié plusieurs fois, solide. Ensuite, cette chose ne DOIT PAS avoir été dite ailleurs de la même manière. Vous avez le DEVOIR d'apporter quelque chose de nouveau à la table. Cela peut être une nouvelle théorie (ex : ACCC) ou encore une théorie connue par certains cercles intellectuels, mais qui mériterait d'être partagée universellement (Méthode de Descartes) ou enfin une découverte faite par quelqu'un d'autre, mais qui est passée inaperçue et que vous souhaitez mettre en lumière (Nouvelle Pyramide de Maslow).
Dans tous les cas, vous avez la responsabilité morale de créditer les auteurs, les universités, les entreprises qui vous ont inspirés. Vous avez aussi le devoir d'y ajouter votre touche personnelle en validant ladite théorie grâce à votre expérience du terrain, en y ajoutant un aspect inédit, en la documentant d'une nouvelle manière, etc. Bref, vous devez ajouter de la valeur à votre prédécesseur. C'est bon? C'est prêt? Non, pas tout à fait...
Ne vous lancez pas directement dans l'écriture, il est trop tôt! Vous devez préparer consciemment votre contenu. Cette étape est très importante.
Passons maintenant à la structure. Pour ce faire, nous allons prendre en exemple l'un des articles les plus lus dans dans notre corpus, L'effet Kitty Genovese, ou pourquoi personne ne vous écoute.❶
Vous allez devoir "mettre en scène" les éléments de votre préparation. Ne faites pas d'opinion. Ne soyez pas trop critique envers les idées reçues, souvent admises par votre lectorat — vous risquez de heurter les gens, alors que vous avez besoin de leur attention, donc de leur engagement, donc de leur amitié. Vous n'avez que quelques lignes pour faire ce travail. Ce paragraphe doit servir à renseigner rapidement votre lecteur, qui doit vérifier si, oui ou non, il va vous consacrer du temps. N'hésitez pas à le teaser, tout en donnant assez de détails. N'hésitez pas à brûler vos punchs ici! C’est le début et la fin de votre article dans le « même espace » : vous devez à la fois mettre l'énigme sur la table... et la résoudre. Si l'attention du lecteur est acquise, il prendra le temps de lire votre article. Si vous avez éveillé sa curiosité, mais qu'il n'a pas plus de temps à vous consacré, ce n'est pas grave : il a quand même appris quelque chose.
ex. : C'est à la suite du meurtre épouvantable de Kitty Genovese en 1964 que l'on a découvert "l'effet du témoin"... C'est aussi ce qui explique pourquoi personne ne se sent concerné quand vous parlez à tout le monde…
Une courte phrase qui apparaît quand les gens n’ont pas *encore* choisi de lire cet article. On doit à tout prix comprendre la raison de lire l’article. Le lecteur doit déjà y voir un bénéfice immédiat.
L'effet Kitty Genovese est un phénomène sociologique qui vous apprendra à mobiliser vos équipes.
Titre fort qui donne envie de lire. N’hésitez pas à « jouer la game », mais deux choses sont TOTALEMENT INTERDITES : les titres "putes à clic"… et les trucs déjà vus 1000 fois, genre les classements du type « les 3 trucs pour devenir un bon boss » — il demeure quelques exceptions, qui doivent demeurer des exceptions. Bref, pas de formule magique, de solution miracle ou de trucs trop faciles. Le style? Bienveillant et brutal. Dans le doute, privilégiez toujours la simplicité plutôt que prendre un risque inutile, ou... ridicule.
L'effet Kitty Genovese, ou pourquoi personne ne vous écoute.
Pour que votre lecteur vous suive, mieux vaut suivre une structure claire. Et pour ce faire, mieux vaut se fier à Descartes. Comment?
Pensez à utiliser les titres et paragraphes pour découper vos différents arguments ou niveaux de difficulté. On peut aussi utiliser un découpage plus précis du récit pour assurer un bon flux de lecture, donc une bonne attention du lecteur :
Pensez à plusieurs choses dans votre récit :
Cette partie est un résumé de l'article. N'hésitez pas à vous répéter. Certaines personnes ne vont lire que cette partie-là, d'autres auront peut-être perdu le fil. Cet espace sert à "remettre l'église au milieu du village". Répétez vos intentions de départ, vos arguments, votre conclusion et quelques trucs à garder en tête.
Quand l'occasion se présente, essayez de créer des liens entre le sujet et l'activité de Perrier Jablonski. Attention, ce lien ne doit pas être forcé ou artificiel. Mais si nous avons appris quelque chose par la pratique, alors il faut le partager, et faire des liens entre la théorie et la pratique... quitte à challenger la théorie.
Tout dépend. Nous avons des articles assez courts (500 mots) comme nous avons des articles très longs (plus de 1000 mots). Le mot d'ordre : le minimum possible, mais sans rien occulter. Disons qu'il est inutile d'en faire des tonnes alors que le sujet est épuisé. Au-delà de 1000 mots, posez vous la question suivante : avez-vous un seul sujet, ou bien plusieurs? Il se pourrait que vous ayez plusieurs articles plutôt qu'un seul devant les yeux...
Nous capitalisons beaucoup sur notre attitude california clever. On est détendus, mais intelligents. Cela signifie que votre style doit être plutôt oral, sans faire l'économie d'un vocabulaire soutenu, ou d'une structure de pensée complexe. Pour tester l'efficacité de votre style vous devez vous enregistrer à l'audio. Ouvrez l'application dictaphone et enregistrez votre article. C'est fou comme les problèmes de style, de rythme, de cohérence ou de propos vont vous apparaître évidents!
Voici les étapes à respecter:
Et voilà! Vous êtes prêt!
L'expérience de pensée est une puissante étape précédant la validation par les faits.
Elle permet de sonder l'inconnu, de tester des hypothèses de façon intuitive, avant même de se tourner vers des instruments ou des protocoles d'expérimentation. Explorons ensemble comment des penseurs comme Albert Einstein, Gaston Bachelard, ou Johannes Kepler ont déployé des expériences de pensée pour remodeler notre compréhension du monde.
Albert Einstein est sans doute l'exemple le plus célèbre d'un scientifique qui a fait de l'expérience de pensée son terrain de prédilection. Avant même de parler d'équations et de preuves empiriques, Einstein s'est plongé dans l'imaginaire en se posant une question simple : "Que verrais-je si je voyageais sur un rayon de lumière ?". Cette question est au cœur de sa théorie de la relativité restreinte. En imaginant une telle situation, Einstein a pu visualiser les distorsions du temps et de l'espace, une intuition qu'aucune expérience scientifique de l'époque ne pouvait encore valider.
En 1905, année où il publie son fameux article sur la relativité, il met en lumière l'idée révolutionnaire que le temps et l'espace sont relatifs au mouvement de l'observateur. Pour en arriver là, Einstein ne s'est pas contenté de compiler des données. Il a puisé dans la force de sa réflexion conceptuelle, en utilisant une série d'expériences de pensée comme celle des horloges synchronisées ou du train qui voyage à grande vitesse. Ces scénarios fictifs lui ont permis de tester mentalement des concepts à une échelle impossible à reproduire à l'époque.
L'expérience de pensée a ici une vertu libératrice : elle s'affranchit des limites de l'expérimentation physique pour éclairer des idées qui auraient autrement pu rester hors de portée de la compréhension humaine. Ce n'est qu'après ces intuitions théoriques qu'Einstein et d'autres scientifiques ont cherché les preuves empiriques, lesquelles sont venues confirmer ses prédictions des années plus tard.
Gaston Bachelard, philosophe des sciences, a lui aussi reconnu la valeur prépondérante des expériences de pensée, non pas seulement comme outils scientifiques, mais comme moyens de surmonter les obstacles épistémologiques. Bachelard considérait que le scientifique devait être capable de concevoir des idées qui vont au-delà du visible, de ce qui peut être mesuré immédiatement. Selon lui, la science progresse par ruptures, des moments où l'intuition s'élève au-dessus des faits disponibles.
Pour Bachelard, avant de manipuler la matière, il faut manipuler les idées. Il considère que la science avance par étonnement, par questionnement sur l'impossible, et les expériences de pensée sont l'outil parfait pour élargir notre horizon conceptuel. Un exemple intéressant est celui des théories de la thermodynamique. Avant que les instruments de laboratoire ne soient suffisamment précis pour mesurer la chaleur et l'énergie, il a fallu des esprits comme Sadi Carnot et James Clerk Maxwell, qui utilisaient leur capacité à imaginer des particules de gaz en mouvement pour explorer la notion d'entropie et les principes de la dynamique.
Johannes Kepler est un autre exemple fascinant de l'importance de l'expérience de pensée dans l'avancement scientifique. Avant même de vérifier par l'observation astronomique, Kepler était déterminé à découvrir une harmonie cachée dans le cosmos. Il croyait en une beauté mathématique intrinsèque à l'univers, une croyance qui l'a conduit à formuler des théories audacieuses sur les orbites planétaires.
Avant que Tycho Brahe ne lui fournisse des données précises sur les positions des planètes, Kepler avait déjà imaginé que les orbites devaient suivre des formes parfaites. Sa conviction en une symétrie cosmique l'a poussé à explorer la notion d'orbites elliptiques au lieu des cercles parfaits préconisés par ses prédécesseurs. Cette intuition, nourrie par une mélange de mathématiques et de métaphysique, a été vérifiée grâce aux observations ultérieures de Brahe, validant finalement l'idée que l'hypothèse précède souvent la mesure.
L'expérience de pensée ne se substitue pas aux données, mais elle est un précurseur vital à celles-ci. On pourrait la comparer à un phare qui éclaire la direction dans laquelle les faits doivent être cherchés. Elle offre un cadre conceptuel qui permet de donner un sens aux observations futures. Une idée sans donnée peut sembler éthérée, mais des données sans idée peuvent rester inertes, privées de signification. Cette dynamique est particulièrement pertinente aujourd'hui, à l'ère des Big Data, où la quantité d'informations disponibles est telle qu'elle peut être paralysante sans une question directrice pour l'organiser et l'interpréter.
Dans le monde de l'économie moderne, cette idée est également vraie. L'intuition des entrepreneurs et des dirigeants est souvent un facteur décisif bien avant que l'analyse des données ne vienne soutenir ou justifier une décision. Steve Jobs est un exemple emblématique : il a souvent pris des décisions stratégiques basées sur son instinct et sa compréhension de ce que les consommateurs pourraient vouloir avant même qu'il y ait des données pour les confirmer. De la création de l'iPhone à celle du premier Mac, Jobs s'est appuyé sur son ressenti et son intuition du marché, osant défier les études quantitatives qui suggéraient parfois que ces innovations seraient trop risquées ou inutiles. C'est après coup que les données ont confirmé la justesse de son intuition.
Un autre exemple dans le domaine de la finance est celui de Warren Buffett, qui privilégie une approche basée sur son évaluation personnelle des entreprises plutôt que sur des modèles purement quantitatifs. Buffett parle souvent de "cercle de compétence", cette zone où son intuition est la plus aiguisée et où il a développé une vision qualitative plus profonde que ne le pourraient des algorithmes automatisés. Il prouve qu'un investisseur avisé peut faire des choix pertinents sans se laisser submerger par des quantités énormes de données statistiques.
Ces exemples montrent que, dans une économie dominée par des analyses quantitatives et des algorithmes, l'intuition reste un outil essentiel pour naviguer dans des environnements incertains ou inexplorés. Les données seules ne peuvent dicter les décisions, surtout lorsqu'il s'agit de situations où l'inconnu domine. Dans un contexte de marché en évolution rapide, l'intuition permet de tracer une voie, de formuler une hypothèse qui sera ensuite étayée par des données. De même que les expériences de pensée ouvrent la voie à des découvertes scientifiques, l'intuition d'un leader économique dessine des trajectoires nouvelles que les analyses empiriques viendront par la suite confirmer.
En ce sens, l'expérience de pensée est une forme de préfiguration des résultats, un moyen de formuler des hypothèses audacieuses que les données pourront ensuite vérifier ou réfuter. Les révolutions scientifiques commencent souvent dans l'imagination de quelques individus qui osent penser différemment, même si cela va à l'encontre du savoir de leur époque.
Nous sommes en 1883 en Italie, et Carlo Collodi invente une histoire, celle de Geppetto. Un soir, le vieux menuisier transforme un morceau de bois magique en une marionnette, qui prend vie et se présente comme Pinocchio. Geppetto se prend d'affection pour Pinocchio et l'aime comme son propre fils... mais le jeune pantin est désobéissant et insouciant. De mauvais choix en mensonges, le petit se retrouve dans toutes sortes d'histoires, qui l'obligent à mentir davantage, lui faisant allonger le nez. Pinochio a la tête dure — normal, elle est en bois — mais heureusement, Jiminy Cricket est là pour tout arranger, il est en quelque sorte la conscience qui manque au pantin. S'en suivent des aventures rocambolesques. Pinocchio continue de mentir et Jiminy Cricket continue de penser à sa place. L'histoire se termine par une scène épique, où Pinocchio sauve Geppetto d'une baleine qui l'avait avalé — une belle leçon sur l'honnêteté, la bravoure et l'amour familial. La fée bleue reconnaît les efforts de Pinocchio et le transforme en un véritable petit garçon.
31 août 1955. John McCarthy (Dartmouth College), Marvin Minsky (Harvard), Nathaniel Rochester (IBM) et Claude Shannon (Bell) co-signent un document de treize pages prophétique intitulé « Proposition de projet de recherche sur l’intelligence artificielle ». Il a pour ambition de tracer la route des recherches qui seront nécessaires pour doter un jour les machines de "systèmes informatiques ayant des capacités intellectuelles comparables à celles des hommes". La tâche est immense : formaliser le raisonnement d’un humain grâce à une suite d’opérations informatiques. Pour concrétiser son rêve fou, l’équipe sollicite auprès de la très influente Fondation Rockefeller un budget de 14 500$ pour financer un atelier de réflexion de deux mois avec une dizaine de chercheurs à la pointe de ces sujets. Il aura lieu l'année suivante sur le campus du Dartmouth College. Et c'est la naissance de l'idée d'intelligence artificielle. Cette collaboration n’est qu’un début, puisque McCarthy et Minsky vont fonder beaucoup plus tard (1971) le département d’intelligence artificielle au Massachusetts Institute of Technology (MIT). Ce document propose d'explorer plusieurs champs de recherche : la logique symbolique, le raisonnement automatisé, l'apprentissage automatique, la perception, le traitement du langage, la robotique et la psychologie de l'apprentissage. Je le rappelle, nous ne sommes... qu'en 1955.

Soixante-dix ans plus tard, nous voici. Les rêves les plus fous contenus dans le Projet Dartmouth sont devenus une réalité — une banalité, même. Il y a de l'I.A partout. Dans votre ordinateur, votre téléphone, votre montre, votre télévision, votre réveil-matin, le haut-parleur du salon, le toaster ou le distributeur de bouffe pour chat... partout. Mais depuis la fin de 2022, une passion nouvelle a submergé nos sociétés. Elle a pris la forme d'une sorte d'hystérie économique, d'emballement médiatique, sur fond de catastrophisme apocalyptique. Un coupable, ChatGPT — un outil puissant de recherche qui peut maintenir une conversation crédible avec vous. Le projet est sorti des cartons de OpenAI, une organisation sans but lucratif fondée en 2015 par un groupe d'investisseurs impressionnants de la Silicon Valley, dont Elon Musk, Peter Thiel et Reid Hoffmann — aussi surnommés la Paypal Mafia (ils ont cofondé Paypal ensemble et leur influence est sans limite aux USA). L'idée, créer une organisation ouverte, qui permette une démocratisation de la technologie, mais aussi la participation de toute la communauté IA, pour fabriquer, améliorer, et peaufiner des modèles ambitieux. L'approche séduit les plus grands chercheurs du marché, qui acceptent des salaires bien inférieurs à ceux payés par les géants Google ou Méta. L'obsession était claire : ne pas laisser l'I.A. dans les mains d'une seule entité, mais en faire un projet collaboratif, une sorte d'ONG du progrès. La mission était écrite noir sur blanc sur leur site internet : faire en sorte que l'intelligence artificielle générale profite à toute l'humanité — attendez, le LOL arrive.
En 2019, l'organisation devient privée, mais la promesse open source demeure : la technologie développée autour de l'intelligence artificielle doit demeurer accessible et gratuite pour tout le monde, afin de s'assurer d'une meilleure gouvernance — LOL numéro 1. Mais à peine un an plus tard... Patatra, une entente est signée avec Microsoft. L'organisation à but "non lucratif" devient alors une entreprise privée, dont la valeur est estimée à 29 Milliards USD. Elle sonne le glas de l'ouverture. L'utilisation devient payante, les licences deviennent commerciales et le code devient secret — LOL numéro 2. Le hold-up de la communauté A.I. est complété, et certains organismes influants de la communauté I.A. s'insurgent. The Center for AI and Digital Policy interpelle la Federal Trade Commission pour "pratique déloyale et trompeuse". Le mythe de l'ouverture, du projet de société, de la transparence et de l'entraide n'aura pas tenu cinq ans. Début 2023, un collectif de 1 000 chercheurs sonne l'alerte et appelle à un contrôle éthique, dans une lettre ouverte (elle!), patronnée par Yoshua Bengio, qui avait pourtant conseillé Greg Brockman — président d'OpenAI — lors du lancement du projet.
Cet épisode n'est pas sans rappeler l'histoire de Google qui avait pour crédo Don't be evil, avant de l'abandonner quelques années plus tard et de collaborer avec le Pentagone sur des projets d'attaques de drones pilotés par l'I.A.

Et aujourd'hui? Aujourd'hui l'excitation générale et la paranoïa collective nous empêchent de voir sereinement les limites de l'I.A. De nombreux chercheurs, mathématiciens, physiciens, philosophes appellent à la prudence. D'un côté, la prudence est de mise en cas de réussite, avec des conséquences sociétales importantes — en filigrane, la détérioration de la cherche, de l'éducation, de l'emploi, des égalités, etc. De l'autre, la prudence quant aux capacités réelles de l'I.A — jugées décevantes par le patron d'OpenAI Sam Altman lui-même : "People are begging to be disappointed and they will be". En clair, il y a beaucoup de mystifications autour du sujet. Ce flou est entretenu par la Silicon Valley qui y voit l'opportunité de se refaire une santé financière — et une réputation — après le fiasco absolu des métavers début des années 2020. Alors sur quels mythes reposent l'enfumage dont nous sommes victimes en ce moment? À première vue, j'en vois douze.



En attendant, l'intelligence artificielle est un pantin mal élevé, qui ment, qui raconte toutes sortes d'âneries... mais que son inventeur adore quand même. C'est un morceau de bois qui a besoin d'un Jimily Cricket — nous — pour lui donner une âme et rectifier ses erreurs. Ce pantin est très impressionnant, mais il n'est pas nouveau. Le philosophe Archytas avait fabriqué le premier automate de l'histoire, un pigeon mécanique au IVe siècle avant J.-C. Le mathématicien Héron d'Alexandrie avait fabriqué plusieurs automates hydrauliques dans le premier siècle après J.-C. Léonard de Vinci avait conçu un chevalier mécanique, et Descartes s'était bricolé Francine, une enfant-automate après le décès de sa fille. Le Turc mécanique de Von Kempelen jouait aux échecs au XVIIIe siècle, alors que le canard mécanique de Jacques de Vaucanson semblait manger et digérer de la nourriture.
Les automates ont toujours été fascinants et ils le sont encore. Ils frappent notre imaginaire et nous questionnent sur notre propre nature, nos habiletés, nos capacités, notre créativité, mais aussi sur nos intentions, notre morale ou notre éthique. Bref... sur notre singularité — celle qui rend les humains si singuliers. Mais il ne sont que des pantins, encore moins autonomes que Pinnochio. Les mains qui dirigent ce bout de bois surdoué a des intentions douteuses. Tel un public médusé, nous sommes en train de croire au ventriloque, et les fils de nylons se dissipent. Or il sont bien présents. La marionnette de l'I.A. est dépourvue de ce qui fait notre intelligence. Des capacités tout à fait mystérieuses pour nous, encore aujourd'hui. L'humain est miracle, l'I.A. un automate. Sa puissance le rend arrogant et sûr de lui — les seuls traits humains dont il a réellement hérités jusqu'alors.
Pour conclure cette réflexion, je vais convoquer John McCarty lui-même — de la bande de Dartmouth, souvenez-vous. C'est lui qui a inventé le terme Artificial Intelligence en 1956, pendant l'atelier d'été. Un peu plus tard, il va faire une déclaration qui explique bien des choses : "As soon as it works, no one calls it AI anymore". Dès que ça fonctionne, on n'appelle plus ça de l'intelligence artificielle. Et c'est vrai! Un ordinateur, un téléphone, une montre, une télévision, un réveil-matin, un haut-parleur, un toaster ou un distributeur de bouffe pour chat... tout cela relève de l'intelligence artificielle, mais puisque ça fonctionne, on appelle ça autrement. Et c'est un signal à repérer dans le discours des marchands du temple. Dès que vous entendez les mots "intelligence artificielle", c'est que... bah ça ne marche *peut-être* pas encore...