Anastasia Stasenko Chercheuse, cofondatrice de Pleias

Votre parcours est atypique. Vous abordez notamment l’intelligence artificielle à travers les sciences humaines. Cette approche manque-t-elle aujourd’hui dans les explications consacrées à l’IA ?

Oui et non. Il faut apporter une réponse nuancée. Une explication de l’intelligence artificielle reposant uniquement sur les sciences humaines, sans intégrer les aspects techniques, ne mène pas très loin. On risque très rapidement de se retrouver dans une situation où l’on critique la technologie avant même de comprendre comment elle fonctionne. C’est quelque chose que j’ai beaucoup observé à l’université, où j’ai enseigné. On peut, par exemple, proposer une critique des plateformes numériques, des grandes entreprises technologiques ou de Google sans avoir préalablement expliqué aux étudiants ce qu’est un algorithme de recommandation et comment il fonctionne. Cela crée des distorsions importantes dans la compréhension du sujet. Aujourd’hui, je constate qu’il existe, d’un côté, des approches issues des sciences humaines et sociales qui appréhendent la révolution de l’intelligence artificielle à travers leurs propres cadres de pensée. De l’autre, il existe une approche très techniciste, qui n’est pas suffisante non plus.

Le véritable manque se situe dans la fusion de ces deux approches, la capacité à articuler la compréhension technique de l’IA avec celle de ses effets sociaux.

Il faut comprendre la technologie elle-même, la manière dont elle a été conçue, les personnes ou les organisations qui l’ont développée, les choix qui ont été faits et les effets que ces choix peuvent produire sur la société. Il ne suffit pas d’appliquer aux nouvelles technologies des grilles de lecture générales ou déjà établies. Il faut repartir de la spécificité de chaque technologie, de ses mécanismes et de ses usages. C’est probablement ce qui explique que certaines de mes interventions soient appréciées. J’apporte une compréhension technique parce que je passe l’essentiel de mon temps à travailler sur des sujets très concrets : l’élaboration de corpus de données, l’entraînement de modèles, l’évaluation de leurs performances ou la conception d’architectures spécialisées. Mais mon parcours reste profondément lié aux sciences humaines, et plus précisément aux sciences humaines computationnelles, avec un ancrage dans une tradition intellectuelle classique. Cette double compétence est encore assez rare.

Les humanités constituent-elles une garantie dans notre manière d’aborder l’IA ?

Absolument pas. Elles ne constituent aucune garantie. Je dirais même que je constate aujourd’hui de nombreux préjugés parmi les personnes issues des sciences humaines et sociales. Ces préjugés sont souvent liés à une absence de pratique des outils ou à une connaissance insuffisamment approfondie de leur fonctionnement. On entend, par exemple, que les modèles ne seraient que des « perroquets stochastiques ». Ce type de formule peut avoir décrit certaines limites à un moment donné, mais elle est parfois répétée sans tenir compte de l’évolution de l’état de l’art. On a entendu quelque chose qui aurait pu être vrai à une certaine époque, mais on n’a pas continué à suivre les recherches, à tester les modèles ou à pratiquer soi-même. Une position critique se forme alors beaucoup trop rapidement. On ne peut pas construire une critique sérieuse de l’IA sans suivre son évolution et sans pratiquer les outils. Il existe évidemment des chercheurs et des collègues qui travaillent de manière très rigoureuse sur ces questions. Je pense notamment à certains travaux menés autour de l’Institut PRAIRIE et de l’École normale supérieure, où les sciences humaines sont mobilisées à la fois dans l’IA et pour l’IA. Mais, malheureusement, je rencontre encore davantage d’exemples allant dans le sens inverse : des jugements très définitifs fondés sur une connaissance relativement faible des systèmes étudiés.

Cette hostilité peut-elle s’expliquer par une peur de disparaître ou d’être remplacé ?

Bien entendu. Mais il existe également une tradition technocritique européenne très ancrée. Certaines traditions intellectuelles sont aussi fortement anticapitalistes. Or les technologies d’intelligence artificielle sont aujourd’hui majoritairement développées par de grandes entreprises technologiques américaines. Cela nourrit parfois une forme de ressentiment qui n’est pas toujours entièrement rationnelle. La peur d’être remplacé existe certainement. Mais, dans les sciences sociales, je constate surtout un rejet de l’usage de l’IA au motif qu’elle serait probabiliste et ne pourrait donc pas être utilisée, par exemple, pour réaliser des annotations ou produire certaines analyses. Or ces questions existaient déjà avec l’annotation humaine. Lorsqu’on fait annoter des données par des personnes, il existe également des désaccords, des biais, des différences d’interprétation et des problèmes de reproductibilité. Plusieurs méthodologies ont précisément été développées pour traiter ces difficultés. Le caractère probabiliste d’un outil ne suffit donc pas à invalider son usage. Il faut plutôt définir des protocoles, mesurer les écarts et construire des méthodes d’évaluation adaptées. La peur joue donc un rôle, mais elle se combine à des préjugés intellectuels plus anciens.

Lorsque vous avez commencé à travailler sur l’intelligence artificielle, l’avez-vous immédiatement considérée comme une opportunité ?

Il y a eu plusieurs étapes. J’ai commencé à travailler avec l’intelligence artificielle au milieu des années 2010. À cette époque, nous étions encore sur des systèmes qui paraissent aujourd’hui relativement primitifs. J’ai notamment beaucoup travaillé sur les prédécesseurs des modèles génératifs et sur les Transformers non génératifs, utilisés pour la classification des récits et l’analyse de narratifs. Ce que j’ai d’abord découvert, c’est la possibilité de créer de l’intelligibilité à partir de très grands volumes de textes. Pour un sociologue, un chercheur en sciences humaines, un analyste d’opinion ou même un professionnel du marketing, il s’agissait déjà d’une avancée considérable. Nous pouvions enfin approcher de très grands volumes d’informations non structurées, les organiser, les classifier et en extraire des éléments compréhensibles. Puis ChatGPT et l’IA générative sont apparus. À ce moment-là, j’ai réellement vécu cette évolution comme une forme d’émancipation. L’IA générative a remis en question deux grandes barrières sociales : la maîtrise de l’écriture et celle du code.  Tout en étant issue des sciences humaines et sociales, je n’ai jamais eu de fétichisme particulier pour l’écriture ou la rédaction. Je trouve même que le passage obligé par le mot écrit, et surtout par une certaine forme d’écriture socialement valorisée, est problématique pour beaucoup de monde. Cela limite le nombre de personnes capables d’entrer dans la conversation intellectuelle. On évalue trop souvent la valeur d’une idée à travers la manière dont elle est rédigée, l’élégance du style ou l’utilisation de certaines expressions attendues. Des personnes peuvent avoir des idées remarquables sans nécessairement posséder les codes stylistiques qui permettent de les faire reconnaître dans les milieux académiques, institutionnels ou professionnels. Le code est également devenu un moyen d’exclusion très puissant dans la société. La capacité à programmer conditionne l’accès à de nombreux outils, métiers et formes de pouvoir. Avec l’IA générative, j’ai immédiatement vu un moyen extrêmement puissant d’émancipation pour un très grand nombre de personnes. Personnellement, je me suis sentie plus libre parce que je pouvais aller beaucoup plus vite dans certaines tâches de rédaction ou de programmation. Mais l’enjeu dépassait largement ma propre pratique. Je voyais surtout que ces outils ouvraient des portes à des personnes qui pouvaient désormais s’affranchir, au moins en partie, de la nécessité de maîtriser directement le code ou d’être parfaitement à l’aise avec le passage par l’écrit. Cela permet à davantage de personnes de construire, de créer, de formaliser leurs idées et de participer à des activités dont elles étaient auparavant exclues. Cette dimension explique peut-être aussi une partie des réactions de rejet dans certaines disciplines des sciences humaines. Il existe un élitisme fortement lié à l’idée que certaines personnes posséderaient une capacité exceptionnelle à bien écrire. L’IA générative vient nécessairement bousculer cette distinction.

Est-ce après l’arrivée de ChatGPT que vous avez souhaité inventer une autre manière de concevoir l’IA ?

Avec mon cofondateur, Pierre-Carl Langlais, nous travaillions déjà sur des intelligences artificielles avant l’apparition de ChatGPT. Nous utilisions notamment de petits modèles de langage pour la classification de récits, la compréhension des narratifs et l’analyse de l’opinion publique. L’explosion de l’IA générative nous a fait percevoir à la fois une nécessité et une opportunité : développer des modèles plus ouverts, notamment sur la question des données. Lorsque je parle de l’IA générative comme d’un moyen d’émancipation, cette affirmation reste soumise à une condition fondamentale : l’intelligence artificielle ne doit pas être détenue par quelques grandes entreprises.

L’IA ne restera un outil d’émancipation que si elle ne dépend pas entièrement de quelques corporations. Pour que l’IA soit davantage décentralisée, qu’elle puisse être possédée, modifiée et développée par le plus grand nombre, il faut démocratiser son développement.

Cette démocratisation peut se faire sur plusieurs fronts. Celui que nous connaissions le mieux était celui de la donnée ouverte. Nous avons donc commencé à créer et à rendre accessibles des données ouvertes, ainsi que des modèles réellement open source, avec l’ensemble des éléments nécessaires pour les comprendre, les reproduire et les adapter. Au départ, il s’agissait surtout d’un projet construit autour d’une vision. Ce projet est ensuite devenu un projet d’entreprise. Aujourd’hui, le cœur de métier de Pleias consiste à proposer aux entreprises la création d’intelligences artificielles spécialisées. C’est une déclinaison concrète de cette idée initiale : permettre à davantage d’acteurs de posséder et de contrôler leurs propres modèles.

Face aux mastodontes comme OpenAI, Anthropic ou Google, imaginez-vous un avenir plus diversifié, dans lequel les petits modèles de langage prendraient progressivement leur place ?

Nous espérons que ce futur se réalisera, car il est beaucoup moins dystopique que l’autre alternative. L’IA générative grand public date de la fin de l’année 2022. Moins de quatre années se sont écoulées, et nous observons déjà une miniaturisation spectaculaire des modèles. Aujourd’hui, certains modèles capables de se comporter comme les premières versions de ChatGPT sont parfois vingt ou trente fois plus petits. Cette évolution est très intéressante. Elle montre que les progrès technologiques peuvent nous permettre d’aller vers une véritable démocratisation de l’intelligence artificielle. Nous pourrons voir se développer des intelligences artificielles locales fonctionnant directement sur nos téléphones ou nos ordinateurs.

Pour les entreprises, cette perspective est particulièrement importante. Elle répond à plusieurs préoccupations : la confidentialité, la protection de la propriété intellectuelle, la différenciation économique et l’indépendance technologique. Mais cette évolution doit être conciliée avec les contraintes infrastructurelles. On ne peut pas imaginer que chaque entreprise, même parmi les plus grandes, dispose d’immenses parcs de processeurs graphiques pour entraîner et déployer ses propres modèles. Nous devons donc nécessairement passer par cette miniaturisation et par une utilisation plus efficace des ressources.

Les entreprises demandent-elles déjà davantage de modèles spécialisés et individualisés ?

Nous commençons à entrer dans cette phase, pour plusieurs raisons. Lorsque ChatGPT est apparu, nous sommes entrés dans une nouvelle ère du machine learning. Avant cela, nous avions surtout des modèles spécialisés pour chaque cas d’usage. Des équipes de data scientists construisaient des modèles capables de réaliser une tâche précise. Ces modèles fonctionnaient relativement bien sur leur domaine, mais ils ne généralisaient pas.

Avec GPT, l’idée d’un modèle généraliste s’est imposée. En parallèle, certaines entreprises, comme Bloomberg, avaient entraîné leurs propres modèles. Mais elles n’arrivaient pas à suivre le rythme de progression de GPT et des autres modèles frontières. Nous sommes donc entrés dans une période où beaucoup considéraient qu’il était inutile de développer ses propres modèles puisque les modèles les plus avancés progressaient beaucoup plus rapidement.

Cette idée a dominé pendant un certain temps. Aujourd’hui, la situation technologique commence à changer. Les petits modèles de langage deviennent suffisamment bons et suffisamment généralistes pour résoudre de nombreux cas d’usage. Lorsqu’ils sont spécialisés sur un domaine particulier, ils peuvent atteindre des performances comparables à celles de modèles frontières beaucoup plus importants. Un petit modèle spécialisé peut désormais atteindre, sur un domaine précis, le niveau d’un modèle frontière.  C’est une situation technologique nouvelle et exceptionnelle. On peut disposer d’un modèle relativement généraliste, de taille réduite, puis le spécialiser pour obtenir des performances remarquables sur un besoin donné.

Pourquoi les entreprises ne peuvent-elles pas simplement continuer à utiliser les interfaces de programmation des grands acteurs ?

Parce qu’une deuxième évolution est en train de se produire : les grands acteurs de l’IA se positionnent eux-mêmes sur les secteurs les plus lucratifs. Pendant longtemps, des entreprises comme Harvey dans le domaine juridique ou Cursor dans le développement informatique expliquaient qu’elles n’avaient pas besoin de posséder leurs propres modèles. Elles pouvaient simplement utiliser les API des grands fournisseurs. Mais aujourd’hui, Anthropic, OpenAI et les autres acteurs se positionnent directement sur les mêmes marchés.

À partir du moment où les interfaces ont de moins en moins de valeur et peuvent être produites très rapidement, la question devient : comment éviter d’être absorbé ou remplacé par Claude, ChatGPT ou un autre modèle généraliste ? Prenons l’exemple d’une entreprise spécialisée dans les assistants juridiques. Si Anthropic propose directement une interface et des fonctions presque identiques, la différenciation devient extrêmement difficile.

Il reste évidemment l’accès à la clientèle, la marque, la connaissance du secteur ou la qualité de l’intégration. Mais avec l’intensification et la fluidification du marketing numérique, ces avantages peuvent eux aussi devenir plus fragiles. Une entreprise qui dépend entièrement du modèle d’un fournisseur risque de voir ce fournisseur devenir son concurrent.Il existe donc un véritable problème de concurrence.

La situation géopolitique renforce-t-elle également cette demande d’autonomie ?

Oui, et ce troisième critère est particulièrement important en Europe. Face aux tensions géopolitiques, notamment avec les États-Unis et la Chine, les entreprises européennes commencent à comprendre qu’elles ont besoin de davantage d’indépendance technologique. Plusieurs affaires récentes ont montré que l’accès à certains outils ou services pouvait être restreint pour des raisons politiques, juridiques ou stratégiques. Les entreprises ne veulent pas se retrouver dans une situation où elles ne pourraient plus poursuivre leurs opérations parce qu’un fournisseur étranger leur aurait coupé l’accès à un service essentiel.

Cette préoccupation est particulièrement visible dans le secteur bancaire. Avec les nouvelles réglementations, les banques doivent se poser des questions beaucoup plus précises sur leur indépendance technologique, la localisation des données, la continuité des opérations et la maîtrise de leurs fournisseurs.

C’est aussi pour cette raison que notre activité se développe aujourd’hui. Les entreprises prennent progressivement conscience qu’elles ont besoin de posséder leurs propres modèles. Cette nécessité repose sur deux grands blocs de raisons.

Le premier concerne l’indépendance technologique : conformité réglementaire, confidentialité, concurrence, maîtrise des données et continuité opérationnelle.

Le deuxième concerne la durabilité économique du modèle d’affaires.

Une entreprise qui dépend entièrement d’Anthropic, d’OpenAI ou d’un autre acteur reste exposée aux changements de prix, aux modifications des conditions d’utilisation et aux décisions stratégiques de ce fournisseur.

Si le prix des jetons augmente fortement, toute l’économie de son produit peut être remise en cause. Pour disposer d’un modèle économique durable, les entreprises doivent donc développer une forme de différenciation technologique et ne pas dépendre intégralement d’un fournisseur unique.

La situation change, même si cette évidence ne s’est pas encore imposée partout. Nous sommes encore très tôt dans le déploiement de l’intelligence artificielle en entreprise. Aujourd’hui, la majorité des cas d’usage réellement mis en production restent essentiellement des chatbots ou des outils de bureautique. Nous sommes encore loin d’une transformation généralisée de tous les processus.

Le projet Albert, que vous avez développé pour l’administration française, était-il différent de ces assistants généralistes ?

Oui. Nous avons commencé ce projet très tôt, en 2023.

Il s’agissait probablement de l’un des premiers projets d’intelligence artificielle générative destinés aux services publics, au moins à cette échelle. Concrètement, l’objectif était de fournir aux agents des services publics des réponses à leurs questions à partir de la documentation officielle, avec les références permettant de justifier chaque réponse.

À l’époque, les architectures de génération augmentée par la recherche, que l’on appelle aujourd’hui les RAG, étaient encore très peu répandues. Nous étions avant l’apparition de nombreux services qui ont depuis popularisé ce type de fonctionnement. Nous proposions un outil d’intelligence artificielle capable de répondre uniquement à partir de documents officiels et de toujours fournir ses sources. Le système devait également refuser de répondre lorsqu’aucune réponse fiable n’était disponible dans le corpus documentaire.

Albert devait répondre à partir des textes officiels, citer ses sources et savoir dire qu’il ne savait pas.

Cela reste difficile à mettre en œuvre, même aujourd’hui.

Je ne qualifierais pas exactement Albert de copilote, dans la mesure où il n’était pas destiné à rédiger tous les courriels ou à effectuer l’ensemble des tâches d’un agent. Il s’agissait plutôt d’un assistant documentaire sur mesure, capable de formuler des réponses factuelles aux questions des citoyens à partir d’une base documentaire officielle.

Un État peut-il devenir le laboratoire d’une intelligence artificielle souveraine, ouverte et tournée vers l’intérêt général ?

C’est absolument possible, et cela existe déjà. La Suisse, notamment, a développé un projet adossé à l’EPFL et à l’ETH Zurich qui produit des modèles entièrement ouverts, avec des données documentées et accessibles. Ces modèles ne sont pas nécessairement les meilleurs au monde, mais ils sont suffisamment performants et utilisables.

Plusieurs cantons suisses peuvent les utiliser comme modèles de base pour leurs propres applications. Il est donc parfaitement possible de développer une intelligence artificielle ouverte au service des administrations et de l’intérêt général. Mais la question essentielle reste celle de l’orientation et des objectifs. Pour faire quoi ? À quels besoins veut-on répondre ? Quelles capacités souhaite-t-on développer ? Je suis assez sceptique à l’égard des projets de type « CERN européen de l’IA » lorsqu’ils reposent sur l’idée de produire un grand modèle unique que tout le monde devrait ensuite utiliser.

Pour les modèles de langage, nous avons d’abord besoin d’infrastructures communes, de ressources numériques mutualisées et de capacités de calcul auxquelles plusieurs acteurs puissent accéder. Ces infrastructures doivent permettre à une diversité d’acteurs de développer leurs propres modèles. Il ne s’agit pas nécessairement de fournir une intelligence artificielle unique à toute l’Europe.

La souveraineté ne consiste pas à produire un modèle unique, mais à donner à de nombreux acteurs les moyens de développer les leurs.  L’Europe a longtemps été attirée par l’idée d’un grand modèle multilingue européen. Mais l’enjeu réel ne consiste pas seulement à produire un modèle. Il faut créer une discipline, une expertise et une continuité dans le développement des modèles. Il faut être capable de les améliorer régulièrement, de tester de nouvelles méthodes, de recommencer et d’accumuler des compétences. C’est ce qui se passe en Chine. L’environnement y est très concurrentiel. De nombreux acteurs développent des modèles, progressent et se confrontent les uns aux autres.

Cette continuité et cette densité de compétences changent la donne.

Je ne pense donc pas qu’il faille nécessairement créer de grands laboratoires étatiques chargés de développer une IA souveraine unique.

Le rôle des États devrait plutôt consister à créer des conditions favorables à l’apparition d’un écosystème.

La politique française consistant à soutenir prioritairement Mistral vous paraît-elle contre-productive ?

Absolument. Et elle est, à mon sens, également contre-productive pour Mistral. Le problème actuel est que Mistral opère presque dans le vide en France. Il existe évidemment d’autres acteurs de l’intelligence artificielle, mais ils travaillent souvent sur d’autres sujets. Dans le domaine spécifique des modèles de langage, Mistral reste relativement isolé.

Un champion national ne peut pas remplacer un écosystème.  Il n’existe pas de concurrence réelle et suffisamment dense autour de l’entreprise. Or un écosystème est nécessaire à tous les niveaux. Mistral a besoin de recruter des personnes compétentes. Mais pour qu’un vivier de talents existe, il faut plusieurs entreprises, plusieurs laboratoires et plusieurs projets capables de former et d’employer ces personnes.

L’entreprise a également besoin de prestataires spécialisés dans la donnée, l’évaluation, les infrastructures de calcul, la sécurité ou le déploiement. Si vous ne disposez que d’un seul grand client potentiel, combien de prestataires de qualité peuvent réellement se développer autour de lui ? Pour que tous les services environnants progressent, il faut un marché plus grand, davantage de clients et davantage de concurrence. La survalorisation politique d’un acteur unique empêche donc la structuration d’un environnement suffisamment diversifié. Il aurait fallu soutenir un ensemble d’entreprises, de laboratoires et de solutions, plutôt que de vouloir tout organiser autour d’un seul nom.

Peut-on imaginer, à l’avenir, une IA propre à chaque foyer ou à chaque individu, entraînée sur nos données et capable de devenir un véritable assistant de vie ou de travail ?

Oui, tout à fait. Nous nous dirigeons déjà partiellement dans cette direction. Il existe plusieurs premières tentatives de modèles personnels ou d’outils permettant de créer une sorte de double numérique. Ces solutions restent encore imparfaites et reposent souvent sur de nombreuses béquilles techniques, mais elles montrent une direction. Nous assistons, d’un côté, à la miniaturisation des modèles. De l’autre, des approches d’apprentissage continu se développent.

Or qu’est-ce qu’un modèle personnel ? C’est un modèle qui évolue avec nous.

Nous voyons de nouvelles choses, nous changeons d’avis, nos habitudes se transforment, notre manière de travailler évolue. Un véritable modèle personnel devrait être capable de suivre ces transformations.

Une IA personnelle ne devrait pas seulement nous connaître : elle devrait évoluer avec nous.  Aujourd’hui, le danger est presque inverse. Ce sont souvent les individus qui commencent à s’adapter aux modèles généralistes. Nous adoptons certaines formulations, certains réflexes ou certaines manières d’organiser nos idées parce que les modèles nous les proposent.

À terme, l’objectif devrait être que les modèles s’adaptent davantage à nous, plutôt que l’inverse. Cette possibilité existe technologiquement, même si les signaux restent encore partagés. Nous observons des progrès dans le développement de modèles plus petits et dans l’apprentissage continu. Mais, du côté du marché, il manque encore plusieurs éléments pour que cette vision devienne une réalité largement accessible.

Dans les entreprises, la grande question reste celle du remplacement des emplois. L’IA va-t-elle remplacer les collaborateurs et transformer tous les métiers ?

Il y a beaucoup de choses à dire. Il y a encore trois ans et demi, j’aurais probablement répondu : « Ne vous inquiétez pas, l’IA est là pour augmenter les travailleurs, pas pour les remplacer. » Aujourd’hui, je considère que cette réponse est devenue hypocrite et même dangereuse.

Le débat de 2023 était extrêmement centré sur les risques de remplacement. Curieusement, ce sujet est aujourd’hui beaucoup moins présent, alors que c’est précisément maintenant qu’il faudrait commencer à en parler sérieusement. On peut évidemment se moquer de certaines déclarations de Sam Altman ou de Dario Amodei. On peut dire qu’ils annoncent la disparition du travail ou la fin du capitalisme pour lever davantage de fonds et valoriser leurs entreprises. Mais, au-delà de cette communication, il existe un vrai sujet. L’intelligence artificielle automatise progressivement le travail intellectuel, ou plus précisément une partie du travail de la connaissance, dans des économies capitalistes fondées sur les services.

L’automatisation du travail de la connaissance n’est plus une hypothèse théorique.

Ce qui empêche encore une automatisation plus large, ce sont principalement les anciennes infrastructures, l’organisation des entreprises et les résistances humaines.

Mais ces résistances risquent de céder sous la pression économique et la recherche de productivité. La question n’est donc pas seulement de savoir si certaines tâches seront automatisées. La question consiste à déterminer ce que nous ferons socialement des conséquences de cette automatisation.

Et, sur ce point, je ne suis pas particulièrement optimiste.

Quelles pourraient être les conséquences économiques d’une automatisation massive du travail de la connaissance ?

Un fonds d’investissement américain, Citrini Research, a publié une analyse intéressante sur les possibles bouleversements économiques liés au remplacement de la valeur travail. Lorsqu’un chômage de masse apparaît, une question fondamentale se pose pour l’ensemble de l’économie : comment continuer à produire suffisamment de valeur et de demande si une part importante de la population ne dispose plus de revenus liés à l’emploi ? Comment ces personnes peuvent-elles continuer à vivre, à consommer et à contribuer à l’économie ?  De très nombreuses questions restent entièrement ouvertes.

Ce que je constate surtout, c’est que rien n’est aujourd’hui mis en place pour organiser un véritable dialogue social. Les syndicats sont quasiment absents de ces débats. C’est un problème majeur, car nous nous retrouvons autour d’une table de négociation où certaines parties prenantes ne sont tout simplement pas présentes. D’un côté, nous avons des laboratoires d’intelligence artificielle qui annoncent parfois des transformations extrêmes. De l’autre, certaines personnes répondent que tout cela est exagéré et ne sert qu’à lever davantage d’argent. Entre ces deux positions, de nombreux acteurs devraient participer au débat : syndicats, travailleurs, associations, économistes, collectivités et institutions publiques… Mais ils sont encore largement absents. Le problème n’est pas seulement l’automatisation. C’est l’absence de dialogue social sur l’automatisation.

Les défenseurs de l’emploi humain ne risquent-ils pas de se retrouver dans une position de Don Quichotte face à une évolution devenue inévitable ?

Dès les années 1970 et 1980, de nombreux emplois ont été préservés ou créés, au moins en partie, pour maintenir une forme de paix sociale. Mais il existe des moments de bascule. Avec l’intelligence artificielle, nous arrivons à une possibilité d’automatisation qui est réellement effective pour un très grand nombre de tâches. Cette automatisation ne demande pas nécessairement la transformation complète du monde ou la construction de nouvelles infrastructures physiques gigantesques. Pour de nombreuses activités intellectuelles, les outils peuvent être intégrés relativement rapidement dans les systèmes existants.

C’est une véritable question, et nous en parlons beaucoup trop peu.

Je ne suis pourtant pas quelqu’un de particulièrement alarmiste. Mais je constate que le dialogue social est presque inexistant. Je regardais récemment les prévisions économiques de l’Union européenne pour 2030. Elles estimaient l’impact de l’IA sur plusieurs secteurs de l’économie, mais ne prévoyaient pratiquement aucun effet sur le marché de l’emploi.

C’est difficilement compréhensible. Nous pouvons déjà constater des effets sur les emplois juniors et sur certains métiers d’entrée de carrière. Ces transformations sont visibles. Je reste malgré tout relativement optimiste, car nous pouvons encore lancer un dialogue et accélérer des transformations sociétales qui auraient dû commencer depuis plusieurs décennies.

Vous êtes une défenseuse du revenu universel. L’IA peut-elle remettre ce sujet au centre du débat ?

Je l’espère, car je vois difficilement comment nous pourrons éviter de poser cette question. Le revenu universel est également défendu par certaines personnalités de la Silicon Valley, parfois pour des raisons très pragmatiques.

Mais il existe un risque évident : celui de voir apparaître une société divisée entre, d’un côté, des personnes disposant d’un revenu universel essentiellement destiné à leur permettre de consommer et, de l’autre, une minorité ayant réussi à se placer au cœur de l’économie de l’intelligence artificielle. Cette fracture est un véritable danger. C’est précisément pour cette raison qu’il faut également repenser le travail lui-même.

Lorsque nous parlons des personnes qui recevraient un revenu universel, nous les décrivons parfois comme si elles étaient vouées à une forme de chômage glorifié. Or l’idée devrait être complètement différente. Il existe une quantité considérable d’activités utiles à la société qui ne sont pas reconnues comme du travail ou qui sont insuffisamment rémunérées. Je pense au soin, à l’accompagnement, à l’éducation des enfants, au soutien des personnes âgées, à la transmission, à la création de liens sociaux ou à l’engagement associatif. Toutes ces activités produisent de la valeur réelle. Nous devons cesser de confondre valeur sociale et emploi rémunéré.

Une grande partie de cette valeur n’est aujourd’hui ni mesurée, ni reconnue, ni pensée. Au-delà de la consommation, il existe tout un ensemble de liens sociaux que nous sommes progressivement en train de perdre. Ces activités peuvent créer beaucoup de valeur, mais elles ne sont pas intégrées à notre définition actuelle du travail. Le revenu universel ne devrait donc pas seulement permettre de survivre dans une économie automatisée. Il devrait s’inscrire dans une réflexion plus large sur la reconnaissance des activités humaines socialement utiles.

Dans la Silicon Valley, certains craignent de rejoindre une catégorie de personnes qui ne seraient plus nécessaires à l’économie. Cette inquiétude vous paraît-elle fondée ?

À San Francisco, cette peur est très présente. Beaucoup redoutent de rejoindre ce que certains appellent une forme de classe permanente de personnes devenues économiquement inutiles. L’idée consiste alors à se placer le plus vite possible à la frontière technologique, à travailler dans les laboratoires les plus avancés ou à créer une entreprise directement liée à l’intelligence artificielle. Il faut toutefois rappeler que l’ambiance intellectuelle et économique de San Francisco est particulière. Les discours y sont parfois très extrêmes. Cela ne signifie pas que nous ne devions pas nous préoccuper du sujet en Europe. Nous pouvons l’aborder de manière plus raisonnable, en nous demandant comment organiser le dialogue social et comment accompagner les transformations des métiers.Ce qui m’inquiète aussi, c’est que la réponse publique actuelle consiste principalement à dire qu’il faut « former à l’IA ». Je ne sais pas toujours ce que cette expression signifie. J’enseigne à l’université, et je constate parfois que la formation consiste simplement à expliquer aux étudiants ce qu’est ChatGPT ou à leur apprendre quelques usages superficiels. Cela me paraît très insuffisant.

Nous devrions enseigner des compétences plus fondamentales : l’analyse critique, la compréhension des systèmes, la méthode, la capacité à vérifier une information et la faculté de formuler un raisonnement. Ces compétences resteront nécessaires, quelles que soient les évolutions des interfaces et des outils.

Comment parler de l’intelligence artificielle aux enfants, aux adolescents et aux jeunes adultes qui entrent sur le marché du travail, sans les enfermer dans la peur ?

Avec mes étudiants, je constate une accélération considérable de ce qu’ils sont capables de réaliser. Ce que j’essaie de leur montrer, c’est précisément la dimension émancipatrice de ces technologies et tout ce qu’ils peuvent construire avec elles. J’enseigne notamment à des étudiants issus de parcours en information-communication, en lettres ou en sciences humaines. Beaucoup se sont longtemps sentis éloignés du monde de l’informatique. Ils percevaient la création d’applications et d’outils numériques comme une activité réservée à des personnes très techniques et extrêmement intelligentes. Avec l’IA générative, ils découvrent qu’ils peuvent eux-mêmes construire des applications, développer des prototypes, automatiser certaines tâches ou concrétiser leurs idées.

Lorsqu’on montre aux étudiants ce qu’ils peuvent construire avec l’IA, elle devient un outil de libération plutôt qu’un objet de peur.

Je constate que cela les libère énormément et stimule leur créativité. Plutôt que de leur dire qu’ils n’auront pas de travail, je leur explique que le métier qu’ils imaginent aujourd’hui n’existera probablement pas sous cette forme.

Mais je leur montre également ce qu’ils peuvent faire dans le nouveau contexte.  Ces jeunes voient souvent l’IA comme une opportunité de réaliser des choses plus intéressantes et d’être moins dépendants du bon vouloir d’un supérieur hiérarchique. C’est particulièrement vrai dans des métiers comme la communication, où l’évaluation peut être très subjective. Les outils leur permettent de produire, d’expérimenter et de défendre plus facilement leurs idées.

Faut-il adopter la même approche avec les enfants plus jeunes ?

Pour les enfants plus jeunes, je serais peut-être davantage tentée de revenir à une éducation relativement classique. Il faut leur transmettre l’esprit critique, la capacité d’attention, la culture générale, le raisonnement, la lecture et la compréhension du monde.

Dans dix ans, le monde sera probablement très différent de celui dans lequel nous avons nous-mêmes été élevés. Il est donc difficile de préparer les enfants à des outils ou à des métiers précis, qui risquent d’être rapidement transformés ou remplacés.

Il faut plutôt leur transmettre des compétences et des connaissances durables. Face à un monde technologique de plus en plus instable, il faut enseigner un peu plus l’éternel et un peu moins le transitoire.  C’est peut-être mon côté sciences humaines qui s’exprime, mais je crois que cette orientation devient essentielle. Les technologies changent. Les interfaces disparaissent. Les métiers se transforment. La capacité à penser, à comprendre, à créer des liens, à exercer son jugement et à interroger le monde restera, elle, indispensable.