lecture longue | 2025 | in English

comment fait-on l’IA¶

L’IA est un sac d’outils au service d’un projet ; un projet politique.

J’explique les moteurs. Ça marche comment, mais d’abord : Quelles sont les motivations :

histoire des idées¶

La cybernétique est : « l’étude des systèmes de toute nature capables de recevoir, stocker et traiter de l’information pour l’utiliser à des fins de contrôle » (Andrey Kolmogorov, mathématicien soviétique). La cybernétique a été fondée en 1943.

Un thème récurrent de la cybernétique est le retour d’information (ou feedback). Le retour d’information est un processus dans lequel les résultats observés sont capturés et mis en entrée pour un traitement ultérieur. Les robots de conversation en sont un exemple.

En 1955, John McCarthy, alors jeune professeur assistant de mathématiques au Dartmouth College (New Hampshire), a décidé de monter un groupe pour clarifier et développer des idées sur les « machines pensantes ». Il a pris le nom “d’intelligence artificielle” pour cette nouvelle discipline. Il a choisi ce nom en partie pour :

• éviter “cybernétique” qui avait déjà un influenceur affirmé en la personne de Norbert Wiener ;
• obtenir des fonds de la Fondation Rockefeller pour un atelier d’été à Dartmouth à une dizaine de participants.

En ce moment, la seule IA qui a du succès :

• n’a pas de règles d’apprentissage ;
• au lieu de cela, elle « apprend » par essais à partir d’observations.

changer le rapport au monde¶

“L’IA est un projet idéologique visant à déplacer l’autorité et l’autonomie des personnes vers des structures de pouvoir centralisées. Les projets qui prétendent « démocratiser » l’IA confondent régulièrement « démocratisation » et « marchandisation ».”

Ali Alkhatib (2024)

“Peut-être qu’on pourrait changer le monde unilatéralement, grâce à des moyens technologiques : sans constamment devoir convaincre les gens, les supplier et tenter de plaire à des gens qui ne seront jamais d’accord avec nous. C’est pourquoi je pense que la technique est cette incroyable alternative à la politique.”

Peter Thiel (2010)

logique ou généralisation¶

Voici deux chemins d’apprentissage. Nous pouvons évaluer une proposition par la logique ou par la généralisation, par la déduction ou par l’induction :

• La déduction est une inférence à partir de prémisses connues ou supposées vraies. Les lois de l’inférence valides sont étudiées en logique.
• L’inférence statistique est une induction : on va de signes observés vers une plausibilité universelle.

"Ça peut être mieux d’expliquer un concept à travers un exemple concret :

Imaginez que vous preniez une pomme, que vous en mordiez une bouchée et qu’elle ait un goût sucré. Allez-vous conclure, sur la base de cette bouchée, que toute la pomme est sucrée ? Si oui, vous aurez inféré que toute la pomme est sucrée en vous basant sur une seule bouchée.

L’inférence est le processus qui consiste à utiliser une partie pour en apprendre sur l’ensemble.

La manière dont la partie est sélectionnée est importante dans cette procédure : la partie doit être représentative de l’ensemble. En d’autres termes, la partie sert de version miniature pour l’ensemble. Si elle n’est pas représentative, notre apprentissage sera défaillant, voire erroné.

Pourquoi se servir de l’induction ? Parce que nous devons tirer des conclusions et prendre des décisions concernant le tout sur la base d’informations partielles fournies par la partie."

Isabella Ghement (2020)

coefficients et antécédents¶

En option, voici un intermédiaire algébrique. Vous pouvez le sauter.

Prenons un coefficient b pour translater le résultat de manière à ce que la sortie du modèle atterrisse où il convient :

algèbre : y = ax + b est déterministe si l’antécédent x est fixe.

Supposons maintenant que nous ne connaissions pas la valeur de b : il s’agit toujours d’un coefficient, mais sa valeur est à déterminer. Le programme attribuera une valeur de travail à b en fonction des calculs :

régression linéaire : y = Xß + b est probabiliste où X est une matrice de variables explicatives (à instancier par des échantillons).

en classification et en IA générative, on évalue de manière répétée la probabilité de vérité via ̂a, l’activation, le résultat de la fonction sigmoïde sigmoïde(wᵀX + b). On a une sortie entre 0 et 1 ; avec une sigmoïde ayant la forme d’un déversoir ; w étant une colonne de « poids » (des coefficients inconnus).

applications data¶

Ce qu’on appelle en général des "données" sont des valeurs obtenues et extraites de l’environnement. L’ingénieur·e va les prendre en masse pour les manipuler. C’est ainsi que nous parlerons ici de "la data" au singulier comme du tas de valeurs obtenues.

La science de la data distille une grosse quantité de valeurs obtenues pour en extrapoler des informations :

• analyse de data, basée sur le contenu
• régression, compression d’images, "vous pourriez aimer", cliquer sur une annonce publicitaire
• IA interprétable, attendus, "ont aussi aimé"
• "apprentissage supervisé" : recherche d’images, reconnaissance vocale, traduction, voiture sans chauffeur, concierge de recommandation

IA générative¶

L’IA générative procède par affabulation : elle invente des histoires. Il ne s’agit pas d’hallucinations ou de mensonges.

Les applications de "l’intelligence artificielle" inventive incluent : conception de fonctionnalités (pas de cohérence, plus de bogues), découverte de matériaux, guerre par l’IA (robots militaires improvisateurs, renseignement et planification militaires), systèmes de contrôle auto-organisés dans des robots et des véhicules spatiaux, divertissement.

LLM¶

Les robots conversationnels sont basés sur un LLM (pour "large language model", une réprésentation des phrases écrites) et sont pratiques : ChatGPT, DeepSeek.

"Je pense que le code est un endroit particulièrement dangereux pour déployer « l’IA », parce qu’en programmation, la chose la plus dangereuse est le code qui est presque correct. Le cerveau humain a une forte tendance à voir ce qu’il s’attend à voir et une personne peut parfois regarder directement quelque chose qui est à peu près correct mais erroné sans s’en rendre compte. Cependant, la création de ce code presque correct est exactement ce que « l’IA » sait faire de mieux. Le propos des générateurs de contenu que l’on appelle aujourd’hui « IA » est de créer quelque chose qui peut faire croire à une personne qu’elle regarde une vraie image, un vrai paragraphe de texte ou un vrai code de programme informatique. C’est comme si Copilot était conçu pour générer des bogues qu’une personne ne pourrait pas repérer."

mcc (2025)

Davantage d’erreurs apparaîtront dans les logiciels livrés, ce qui amènera davantage d’utilisateurs à se plaindre et à changer de fournisseur. Les corrections seront plus difficiles ; la qualité se dégradera donc davantage, ce qui entraînera une augmentation des fuites et une perte inexorable de trésorerie.

les affaires ou la société 📦¶

L’IA générative et les LLM sont efficaces pour industrialiser la production intellectuelle. (Tout en dégradant la qualité.)

une formidable occasion de réduire les couts¶

Les organisations choisissent le rendement et préfèrent réduire les couts. Les gains de productivité imaginés se chiffrent en milliards d’euros. "La crise de l’emploi via l’IA est ici, maintenant".

"C’est lors de cette même conférence que j’ai appris que la pensée critique occupait 20 %, voire 30 %, du temps de travail des collaborateurs. Il est clair pour moi que certain·es d’entre vous ne se concentrent pas sur le potentiel de profit de la délégation de toute notre pensée à une machine capable de remixer les idées qui ont précédé."

"Pour moi, nous sommes une famille. Je suis vraiment déçu·e que tant de collègues brillant·es - aux véritables avancées dont j’ai profité pendant des années - soient si enclin·es à condamner cette méthode nouvelle, plus stupide, grâce à laquelle moi et d’autres comme moi pouvons gagner de l’argent sur votre travail".

Amanda Bachman (2025)

le profit déroule sur une mise en œuvre de l’IA¶

[x] les promesses de l’IA sont étincelantes [x] un indicateur montre 25 % de plus [x] directive de disposer de 20 % de moins [ ] réduction d’effectifs [ ] baisse de la paie

(Pour simplifier, considérons que les prix de vente ou la production des organisations à but non lucratif sont à peu près stables.) On a la séquence :

1. Les employeurs rêvent que l’IA permette d’augmenter la production.

2. Donc les cadres supérieurs affichent des indicateurs de rendement augmentés de 25 %.

   Le cout de la main-d’œuvre est le même pour un rêve de production à 125 % (fois la précédente). Si les coûts matériels sont négligés, alors la valeur de la main-d’œuvre pourrait être actualisée à 100 %/125 % = 80 %.

3. Le comité d’administration décide donc de viser les mêmes services avec des rémunérations à 80 % de celles d’aujourd’hui.
   Une autre possibilité est la réduction des effectifs : tendre à se débarrasser de 20 % du personnel.
   Les grandes entreprises déploient déjà des plans pour supprimer les salaires moyens.

4. On peut faire semblant que vous êtes payé·e 25 % de trop ! L’évaluation marchande du travail est immédiatement revue à 80 % de ce qu’elle était.
5. Concurrence individuelle et soutien syndical.

Idée d’origine

une avancée du contrôle¶

« Une technologie s’impose surtout en raison de la supériorité des acteurs qui la promeuvent », écrit Juan Sebastián Carbonell, sociologue. L’IA donne aux superviseurs plus de contrôle, « c’est-à-dire le pouvoir de décider comment on travaille et avec quels outils ».

« Si l’IA, comme la bureaucratie, est présentée comme un processus rationnel généralisé et axé sur des objectifs, elle engendre en réalité une absence de réflexion, une incapacité à critiquer les instructions, un manque de réflexion sur les conséquences et une adhésion à la croyance que l'ordre correct est appliqué. »

Dan MacQuillan (2025)

conflits d’intérêts¶

Traiter les personnes comme des ressources a longtemps été faisable. (Par exemple, la construction des pyramides.)

"Ce que nous voyons est une continuation. Les compagnies technologiques procèdent à des licenciements depuis des années ; la tendance ayant commencé avant le boom de l’IA. Il en va de même pour les compagnies de médias, qui perdent du revenu depuis des décennies ; les licenciements et les fusions sont constantes. Ce qui est nouveau, c’est qu’elles peuvent maintenant présenter les licenciements comme positifs, parce qu’elles innovent avec l’IA".

Alan Vezina (2025)

Les compagnies et des institutions montent les promesses de l’IA en perspectives inéluctables. Cette tactique permet de fragiliser les résistances, de ne pas écouter les discussions sur les enjeux de l’IA et les transformations qu’elle produit sur la société, de rediriger les financements vers les grandes firmes au détriment des travailleurs et travailleuses, et des bénéficiaires.

L’IA est instrumentalisée pour déqualifier, démotiver et rabaisser le travail et le métier que de nombreuses personnes ont mis des années à développer (2025)

🧱 Au contraire, la résistance au rétrécissement des services publics permet d’ouvrir un front de contre-offensive. L’indignation puis la mobilisation face aux coupes budgétaires et à l’accaparement de données personnelles montrent que l’objectif n’est pas d’améliorer l’efficacité des services mais de les amoindrir et de centraliser le pouvoir et l’argent.

On pourrait soumettre les outils à une autorisation de mise sur le marché, comme les médicaments. D’après l’AI Now Institute, l’IA devrait être interdite pour la reconnaissance des émotions, la notation sociale, la fixation des prix ou des salaires, les demandes d’indemnisation, l’aide, remplacer les enseignant·es. Un enjeu est d’augmenter le spectre des interdictions.

biais, pédagogie 🌱¶

L’IA ne sait rien. Elle génère des "artefacts" appelés "réponses" sur la base de "modèles" choisis par les ingénieur·es. C’est de la fabrication de masse, pas des statistiques.

Le biais est partout :

1. Le logiciel ne dit pas une "vérité" mais produit un résultat impressionnant : effet wouah !
2. Avant ça, des personnes ont conçu le logiciel avec une culture d’ingénieur : "On construit, on ne fait pas d’éthique".
3. Encore avant ça, des personnes avaient choisi le jeu de data : biais deux fois : des ingénieur·es prennent ce qu’iels veulent et ce n’est qu’un enregistrement d’un passé.

Si un·e professeur·e voulait enseigner les trois moments :

• Que le public comprenne que le résultat est de l’affabulation : la machine invente un conte. Une démonstration pourrait consister à prendre un jeu de data officielle (de population ou d’activités) et faire générer un résultat choquant. Premiers désastres
• Que les technicien·nes soient formé·es à incorporer l’explicabilité.
• Que les technicien·nes soient formé·es à améliorer le jeu de data.
• À tout moment, on peut embarquer un·e représentant·e des publics vulnérables.

une méthode bayesienne¶

La « science de la data » est une science dans le sens où une personne émet une hypothèse et la teste. Sa structure est faite d’intuition et de crédibilité :

Par conception, l’ingénieur·e part d’une croyance "antérieure", prépare de la data, choisit une fonction de probabilité, déclenche ce que l’on appelle l’« apprentissage » de la machine logicielle. Le produit n’est pas une probabilité mais une vraisemblance, une croyance "antérieure" "mise à jour", une fonction qui « semble » « plausible » dans le contexte.

Le Théorème de Bayes peut alors être explicité en français :
une Croyance "postérieure" que le truc Θ se produira | après prise en compte de l’événement É, peut être estimée par : (Vraisemblance que l’événement É apparaisse | si Θ s’est produit) multipliée par (Croyance "antérieure" que Θ se produira, avant de considérer l’événement É) divisées par (Probabilité de l’événement É en toutes circonstances)

Comment utiliser un réseau de croyances bayésien :
Le logiciel effectue une "inférence" : à partir d’un événement qui place des variables dans des états connus, il calcule ensuite des croyances pertinentes, conditionnées par cet événement.

Parmi les exemples pratiques d’utilisation des réseaux de croyances bayésiens, on peut citer la médecine (symptômes et maladies), la bio-informatique (traits et gènes) et la reconnaissance vocale (énoncés et temps).

Si la croyance antérieure est mauvaise, alors les réponses sont mauvaises. C’est une propriété des statistiques bayésiennes, pas un bogue.

“Machine Learning”¶

La prédiction est le calcul inductif d’un résultat plausible en fonction de nouvelles données (observations ou requête). Les modèles de data considèrent les résultats comme des fonctions mathématiques de « variables explicatives ».

Voici un exemple de séquencement de programme d’apprentissage automatique :

1. Quantifier la nature.
2. Représenter les similitudes : contraindre la "distance" entre ce qui est prédit et ce qui est observé.
3. Itérer ? (réseau neuronal)

Python/Numpy a maintenant une facilité d’usage et un parallélisme intégrées : vectorisation.

efficacité ou considération¶

Boîte noire ou interprétable ? 🧐

• La précision est recherchée pour le grand public : seulement 20% du temps est consacrée à la statistique. « Cinq docteur·es, ce n’est pas compatible avec notre activité » (a dit mon professeur à la classe).
• La justesse peut être recherchée pour le métier : 80% du temps à la statistique.

On a donc une tension éthique entre livrer vite et coopérer :

On transforme les coordonnées ? Un espace vectoriel est un ensemble muni d’une structure permettant d’effectuer des combinaisons linéaires. Les éléments, souvent appelés vecteurs, peuvent être additionnés et multipliés (« mis à l’échelle ») par des nombres appelés scalaires. Changer d’espace vectoriel permet au programme de prendre la place du/de la chercheur·e pour gérer le remplissage, la qualité, l’apprentissage, l’équilibre, le bruit.

On peut au contraire vouloir permettre aux client·es de comprendre le fonctionnement du modèle. On parle d’interprétabilité : préserver un espace aux praticien·nes pour regarder ce que le programme fait. L’interprétabilité permet de maintenir une relation avec le métier représenté par la data. Pour ça, nous devons :

• préserver les variables explicatives ;
• manipuler artisanalement à chaque stade.

Référence pour tout le monde : The explanations can be difficult to convey to end users and line-of-business teams

Référence pour ingénieur·es : "Interpretable and explainable machine learning"

Ma justification mathématique : Regression Redress

comment un·e technophile utiliserait l’IA 🧩¶

« Hallucination » et « agents » sont des termes anthropomorphiques. Attribuer des qualités à l’IA sert à faire craindre que l’IA remplace les humains.

L’IA générative n’a pas d’hallucinations mais elle continue toujours la production. À des fins de test/qualité, on peut demander au robot papoteur d’expliquer comment il parvient à la réponse qu’il génère - y compris en spécifiant les sources et la crédibilité de ces sources. Il se peut qu’elles n’existent pas ; c’est parce que le programme invente des références en fonction des besoins. En effet, converser avec la machine est intéressant. Aucune fiabilité ne peut en résulter car elle construit sur des probabilités.

"Les LLM sont conçus pour imiter la manière dont les gens utilisent la langue, d’abord via un pré-entraînement à la prédiction du mot suivant, puis par des cycles supplémentaires de redistribution de la masse de probabilité.

"Ça ne devient apparemment mystérieux que lorsque nous effectuons un travail d’interprétation (réflexif, bien sûr) sur les résultats et que nous nous racontons des histoires qui impliquent que les machines font autre chose que de calculer de manière répétée un mot suivant probable."

Dr. Emily M. Bender (2025)

Les robots papoteurs produisent des solutions sous-optimales et ne peuvent pas fournir le contexte nécessaire pour prendre de meilleures décisions. Je suggèrerais de limiter l’usage de l’IA à des tâches simples dont les résultats sont jetables.

"Être enthousisate pour l’IA générative nécessite que l'on se considère, soi et ses proches, comme étant à l'abri de l’IA, comme les passager·es d'une voiture autonome et non comme les piéton·nes qu'elle pourrait renverser."

Josh Collinsworth (2025)

comment un·e praxiste utiliserait l’IA 🌳¶

« il me semble que la meilleure façon d’utiliser les LLM est la suivante : ne tapez pas dans le champ de saisie du robot papoteur. au lieu de ça, rédigez une description du problème dans un fichier texte. définissez un à un les détails de ce que vous souhaitez accomplir et comment vous pourriez vous y prendre. une fois que vous avez rédigé quelques centaines de mots décrivant vos idées et un déroulé, vous pouvez revenir à l’onglet IA vide et inutilisé et le fermer. commencez ensuite à faire le travail vous-même. envisagez d’envoyer vos notes à des ami·es ou à des expert·es. une fois que vous avez terminé, n’oubliez pas de les remercier pour leur aide ! »

Josef (2025)

Praxis :

1. pratique réfléchie d’un savoir
2. (en sociologie) ensemble des activités des personnes qui contribuent à la transformation de la réalité sociale
3. pratique
4. (en philosophie) action dont l’objet est le sujet lui-même

D’où praxiste :

1. Une personne qui choisit sa pratique exprès
2. Un·e praticien·ne qui évite délibérément l’IA

(Première occurrence)

Pour McQuillan, un pivot vers la « décomputation » est une façon de préférer la valeur des connaissances situées et du contexte plutôt que le passage à l’échelle.

l’IA détériore l’intelligence¶

Nous utilisons l’IA pour penser moins. Donc notre cerveau désapprend quand nous nous en remettons à un outil d’IA :

La cogitation est couteuse ; donc :

• plus nous utilisons l’IA,
• plus nous nous déchargeons du traitement,
• moins nous réfléchissons,
• plus notre pensée devient superficielle.

D’autre part, le niveau d’éducation contribue peu à la pensée critique. Plus précisément, le modèle statistique calcule que l’utilisation de l’IA a une importance sept fois plus grande sur les scores prédits que le niveau d’éducation atteint par les participant·es, qui va du lycée au doctorat.

L’analyse de l’importance des caractéristiques souligne que l’utilisation d’outils d’IA est un prédicteur négatif majeur de la pensée critique.

in "l’impact de l’IA générative sur la pensée critique : Réductions déclarées de l’effort cognitif et effets de confiance chez les travailleur·es du savoir", par Hao-Ping (Hank) Lee et al. (2025).

"Qualitativement, l’IA générative déplace la nature de la pensée critique vers la vérification d’informations, l’intégration de réponses et la gestion de tâches."

Extrait d’une étude : "Les outils d’IA dans la société : Impacts sur le déchargement cognitif et la pensée critique" par Michael Gerlich (2025).

"Néanmoins, ce processus était déjà en cours depuis longtemps, avant même l’apparition de l’IA. Un précurseur de tout ça était l’incapacité à faire du calcul mental. Ça a dû disparaître avant mon époque, car je me suis heurté à ce problème à chaque fois que j’ai eu à former des étudiant·es. Dans les institutions les plus élitistes, qui plus est."

via Yves Smith

perspective¶

Le projet d’IA est un moyen de puissance. Il sert le capital, l’armée, la Silicon Valley, Washington, Tel-Aviv-Jaffa, Beijing, Hangzhou…

Au contraire, nous avons ébauché des pistes d’amélioration de la société.

autres références¶

Catherine D’Ignazio et Lauren Klein, Féminisme data
Iris van Rooij à propos de la science (2024)
Khrys (2025). "« IA », Philosophie du Libre, Féminisme"

attribution¶

Ce document-ci a été écrit par Eric Maugendre et se trouve disponible au ré-emploi sous la condition de licence CC BY-SA .