Bienvenue sur le blog AI ∞ IA

IA : l’art d’être créatif ?

Sun, 03 May 2026 05:32:22 +0200

Ce texte propose une réflexion critique sur la manière dont l'intelligence artificielle générative transforme le statut de l'image, la création artistique et la transmission des pratiques visuelles.

Mutation du statut de l'image

Chaque évolution technique importante dans l'histoire de l'image a provoqué des résistances comparables. La photographie numérique a été accusée d'appauvrir le geste photographique. Les logiciels de retouche ont été perçus comme une rupture avec l'idée de vérité documentaire. Plus tôt encore, l'automatisation de certaines opérations techniques avait déjà déplacé la place du savoir-faire artisanal. L'intelligence artificielle générative introduit cependant une rupture d'une autre nature.

Avec la photographie argentique puis numérique, l'image conservait toujours une relation physique avec le réel. Même transformée, recadrée ou manipulée, elle restait issue d'une captation lumineuse. Quelque chose avait été présent devant un objectif. Une surface sensible avait reçu une trace du monde.

L'image générée par IA rompt ce lien indiciel. Elle ne résulte plus d'une captation mais d'une modélisation statistique issue de corpus visuels gigantesques. L'image ne dépend plus d'un événement réel, d'un lieu ou d'une présence physique.

Cette transformation modifie profondément le statut culturel de l'image. Pendant longtemps, l'image photographique a fonctionné comme preuve, témoignage ou archive. Aujourd'hui, sa crédibilité devient instable. Une image peut être techniquement crédible sans avoir jamais correspondu à une situation vécue.

La question n'est plus uniquement : « comment produire une image ? » Elle devient : « qu'est-ce qu'une image atteste encore ? »

Du geste technique au pilotage conceptuel

La production d'images a longtemps reposé sur une relation directe entre le corps, l'outil et le réel. Photographier impliquait une série d'opérations matérielles : choisir une focale, se déplacer dans l'espace, composer avec une lumière instable, régler une exposition, anticiper un mouvement. Le cinéma documentaire ou le reportage engageaient également le corps dans une situation concrète, souvent imprévisible.

Cette dimension physique ne relevait pas uniquement de la technique. Elle participait directement à la construction du regard. L'arrivée des outils génératifs déplace une partie du processus vers le langage. Une image peut désormais être produite à partir d'une description textuelle, puis modifiée par itérations successives.

Le prompt devient alors une interface de création. Cela ne signifie pas que l'auteur disparaît. Les artistes travaillant avec l'IA construisent des protocoles, sélectionnent des bases de données, imposent des contraintes esthétiques et éditent les résultats obtenus. La création ne disparaît pas, mais son centre de gravité se déplace. Le rôle de l'auteur tend moins vers l'exécution technique que vers la conception, la direction et la sélection.

Cependant, ce déplacement produit aussi une perte d'expérience sensible. Le terrain photographique ou documentaire mobilise l'ensemble des perceptions : la lumière, le son, la température, le rythme d'un lieu, la fatigue physique, la relation aux personnes filmées ou photographiées. Une image documentaire contient souvent des traces invisibles de cette expérience vécue.

Produire une image générée revient au contraire à travailler dans un espace abstrait, médié par l'écran et le texte. Il ne s'agit pas d'établir une hiérarchie morale entre ces pratiques. Mais prétendre qu'elles engagent le même rapport au monde serait inexact. Cette distinction devient particulièrement importante dans le contexte pédagogique.

Former un étudiant à la prise de vue consiste traditionnellement à transmettre une culture de l'observation, du déplacement, de l'attention et de la décision dans un contexte réel. Former à l'usage des modèles génératifs implique davantage des compétences liées à l'écriture, à la conceptualisation, à la direction artistique ou à la compréhension des systèmes algorithmiques. Ces compétences ne s'opposent pas. Mais elles ne produisent ni le même rapport au réel, ni les mêmes formes d'apprentissage.

L'abondance visuelle et la crise de l'attention

L'un des effets majeurs de l'IA générative est l'accélération massive de la production visuelle. Des images autrefois complexes à réaliser deviennent instantanément accessibles : scènes cinématographiques, portraits hyperréalistes, environnements fictifs, simulations photographiques ou illustrations conceptuelles. Cette démocratisation ne produit pas nécessairement de meilleures images. Elle produit surtout une inflation visuelle.

Lorsque les images deviennent infiniment reproductibles, leur rareté disparaît. Or la valeur culturelle d'une image dépend aussi de l'attention qu'on lui accorde. Dans ce contexte, beaucoup d'images deviennent rapidement interchangeables. On observe alors un phénomène paradoxal : plus la production devient fluide, plus il devient difficile de justifier l'existence d'une image particulière.

Cette situation apparaît fréquemment dans les pratiques étudiantes. La facilité de génération réduit parfois le temps de réflexion préalable. L'image est produite avant même que son intention soit clairement formulée. Or une image forte n'est pas seulement une image techniquement réussie. Elle suppose une nécessité.

Elle repose sur une tension, un point de vue, une expérience ou une problématique identifiable. Lorsque la maîtrise technique cesse d'être un facteur différenciant, d'autres dimensions redeviennent centrales : la cohérence d'une démarche, la profondeur d'un sujet, la qualité d'une réflexion visuelle, la capacité à produire du sens.

L'enjeu pédagogique principal n'est donc peut-être plus uniquement d'apprendre à produire des images. Il devient nécessaire d'apprendre à justifier pourquoi une image mérite d'exister.

Les enjeux matériels de l'IA générative

Le discours dominant autour de l'IA insiste souvent sur l'innovation technologique ou les possibilités créatives. Pourtant, les enjeux les plus importants sont aussi économiques, juridiques et écologiques. Le premier concerne les données. Les modèles génératifs ont été entraînés sur des volumes gigantesques d'images collectées en ligne, produites par des photographes, illustrateurs, cinéastes ou graphistes. Dans de nombreux cas, ces contenus ont été utilisés sans autorisation explicite ni rémunération.

Cette situation remet en question les notions classiques d'auteur, de propriété intellectuelle et de rémunération du travail créatif. Des alternatives commencent néanmoins à apparaître. Certains projets expérimentent des modèles entraînés exclusivement sur des bases de données sous licence ou rémunèrent les créateurs dont les contenus participent à l'entraînement des systèmes.

Ces initiatives restent minoritaires, mais elles montrent que le problème ne concerne pas uniquement l'existence de l'IA, mais les conditions économiques et politiques de son développement. L'autre enjeu majeur concerne les ressources matérielles. L'entraînement et l'utilisation des grands modèles nécessitent des infrastructures extrêmement énergivores : centres de données, serveurs spécialisés, systèmes de refroidissement et consommation électrique massive.

L'image générée apparaît immatérielle. Mais son existence dépend d'une infrastructure physique lourde. En réaction à cette logique industrielle, certaines pratiques émergent autour d'une approche plus frugale de l'IA. Des artistes choisissent de travailler avec des modèles plus légers, exécutés localement sur des machines modestes. La limitation technique devient alors une contrainte créative assumée. Cette approche réintroduit une forme de résistance dans un univers technologique orienté vers la vitesse, l'automatisation et l'abondance.

Le retour de la matérialité

Face à la perfection croissante des images synthétiques, les pratiques matérielles retrouvent une valeur particulière. On observe aujourd'hui un regain d'intérêt pour des médiums comme la céramique, le tissage, le dessin, la peinture ou le tirage argentique. Ce retour ne relève pas uniquement de la nostalgie. Il correspond aussi à une recherche de résistance matérielle.

Dans ces pratiques, le geste laisse une trace irréversible. L'erreur ne peut pas toujours être annulée. La matière impose des contraintes. Cette résistance redonne de l'épaisseur au processus créatif. Un phénomène comparable apparaît dans certaines pratiques liées à l'IA.

Alors que les premiers usages recherchaient souvent une image lisse et parfaitement crédible, certains artistes exploitent aujourd'hui volontairement les défauts des systèmes : bruit visuel, artefacts, erreurs de génération, incohérences anatomiques ou glitches. L'imperfection devient une stratégie esthétique.

En photographie documentaire, cette transformation produit un autre déplacement important. Puisqu'une image synthétique peut désormais imiter parfaitement les codes du réel, la question de la preuve de présence redevient centrale. Des protocoles de certification émergent afin d'attester qu'une image résulte bien d'une prise de vue effectuée sur le terrain. Autrement dit, ce qui allait autrefois de soi doit désormais être démontré. La valeur du témoignage humain réapparaît alors comme une dimension spécifique de certaines pratiques photographiques.

Ce que l'IA ne remplace pas totalement

L'IA générative peut produire des images impressionnantes, cohérentes et parfois émotionnellement efficaces. Mais certaines dimensions de la pratique artistique restent difficiles à automatiser complètement. Une image documentaire ne se réduit pas à son apparence visuelle. Elle contient aussi les conditions de sa production : une présence physique, une durée, une relation humaine, une expérience vécue, parfois même un risque ou une implication personnelle.

Ces éléments ne sont pas toujours visibles dans l'image finale. Pourtant, ils participent à sa densité symbolique. La question centrale n'est donc peut-être pas de savoir si l'IA peut créer. Elle peut déjà produire des formes visuelles complexes et culturellement pertinentes. La question devient plutôt : quelles expériences humaines choisissons-nous encore de traverser lorsque les images deviennent potentiellement illimitées ?

Qu'est-ce qui mérite encore le déplacement, l'attente, le doute ou la confrontation au réel ? Pour les étudiants en photographie, cinéma, arts numériques ou communication visuelle, cette interrogation devient fondamentale. Il ne s'agit plus seulement d'apprendre des outils. Il s'agit de comprendre ce qu'une pratique artistique engage comme rapport au monde, au temps, au corps et aux autres. L'espace qui se dessine aujourd'hui entre production algorithmique et expérience humaine n'est pas simplement un conflit entre ancien et nouveau. C'est un espace critique où se redéfinissent les fonctions culturelles, esthétiques et politiques de l'image contemporaine.

Sources et prolongements

Palantir et la dérive technofasciste

Fri, 01 May 2026 09:25:10 +0200

Le 18 avril 2026, Palantir Technologies publie sur X un manifeste en 22 points inspiré du livre de son PDG Alex Karp, The Technological Republic. Le texte marque une rupture dans le discours public de la Big Tech américaine. Il ne s’agit plus de promettre des plateformes ouvertes, de connecter le monde ou d’améliorer le confort numérique. Le manifeste revendique explicitement la technologie comme instrument de puissance géopolitique, militaire et civilisationnelle.

Ce changement de ton n’est pas anodin. Il révèle une évolution plus profonde : la fusion croissante entre infrastructures numériques privées et fonctions régaliennes des États.

La question n’est plus de savoir si les systèmes autonomes existeront, mais qui les contrôlera.

Qui est Alex Karp ?

À la tête de Palantir Technologies depuis sa création, Alex Karp occupe une place singulière dans l’univers technologique américain. Docteur en théorie sociale formé en Allemagne, il combine références philosophiques, discours sécuritaire et défense assumée du hard power occidental. Son discours valorise une conception du pouvoir technologique où l’efficacité stratégique prime sur les considérations morales qu'il considère comme abstraites. Dans plusieurs interventions publiques, il critique ouvertement une partie de la Silicon Valley qu’il juge déconnectée des enjeux géopolitiques et militaires contemporains.

Derrière Karp plane aussi l’influence idéologique du cofondateur Peter Thiel, figure majeure du techno-libertarianisme américain. Thiel défend depuis longtemps une vision du monde mêlant souverainisme technologique, concentration du pouvoir économique et méfiance envers les modèles démocratiques libéraux traditionnels.

Palantir, une entreprise née dans l’appareil sécuritaire américain

Fondée en 2003 avec le soutien financier d’In-Q-Tel, le fonds d’investissement lié à la CIA, Palantir Technologies développe des plateformes capables d’agréger et d’analyser d’immenses volumes de données hétérogènes. Son nom provient directement de l’univers de Tolkien : les Palantíri sont des pierres permettant de voir à distance et de communiquer à travers l’espace.

Les logiciels Gotham et Foundry sont aujourd’hui utilisés dans des domaines variés :

renseignement militaire ;
cybersécurité ;
police et surveillance ;
gestion logistique ;
santé publique ;
analyse prédictive ;
administration gouvernementale.

L’entreprise présente officiellement ses outils comme des systèmes d’assistance à la décision. Dans les faits, la dépendance croissante aux systèmes algorithmiques tend progressivement à déplacer le centre de décision.

La fin du récit idyllique de la Silicon Valley

Présenter Palantir Technologies comme une anomalie serait trompeur. Depuis ses origines, la Silicon Valley entretient des liens profonds avec l’appareil militaire et stratégique américain. Internet, les réseaux, les semi-conducteurs, le GPS ou certaines recherches en intelligence artificielle sont directement issus de programmes financés par la défense américaine et la DARPA. Pendant plus de vingt ans, la Big Tech a pourtant construit un récit différent : innovation ouverte, horizontalité, émancipation individuelle, neutralité des plateformes, démocratisation de l’accès à l’information.

Ce récit a largement contribué à masquer une réalité plus matérielle :

concentration massive du capital ;
dépendance aux financements militaires ;
extraction industrielle des données ;
domination des infrastructures numériques mondiales ;
diffusion internationale des standards américains ;
homogénéité sociale et culturelle des élites technologiques.

La Silicon Valley ne devient pas soudainement politique avec Palantir Technologies. Elle cesse surtout de prétendre qu’elle ne l’a jamais été.

Là où les plateformes numériques présentaient leur domination comme une conséquence indirecte de l’innovation, Palantir assume désormais explicitement la fusion entre puissance technologique, souveraineté étatique et supériorité stratégique occidentale.

Les piliers du manifeste d'Alex Karp

La technologie comme arme de survie
Le texte affirme que l’Occident entre dans une période de confrontation permanente où la supériorité technologique devient une condition de survie politique. L’innovation n’est plus présentée comme un moteur économique mais comme un instrument militaire.

La critique de l’éthique technologique
Le manifeste qualifie de « théâtraux » certains débats autour des armes autonomes et de l’intelligence artificielle militaire. L’idée avancée est simple : ces systèmes existeront quoi qu’il arrive. La véritable question stratégique serait donc moins leur existence que le pouvoir qui les contrôlera.

Lorsque Karp réduit les débats éthiques à une forme de théâtre, il sous-entend que le doute, la responsabilité ou le regard critique deviennent secondaires face aux impératifs de puissance. Or l’histoire montre que les régimes ayant placé la technologie, l’information et la décision au seul service de l’efficacité stratégique ont souvent produit une culture de propagande, une esthétique du contrôle et une créativité subordonnée à la démonstration de force. La question dépasse donc largement le cadre militaire ou géopolitique.

La réhabilitation du hard power
Le texte plaide pour un réarmement industriel et technologique massif des démocraties occidentales. Il évoque également :

le retour du patriotisme industriel ;
une coopération renforcée entre État et entreprises technologiques ;
une réhabilitation du service national ;
une mobilisation culturelle autour de la défense.

Une hiérarchisation civilisationnelle assumée
Le point 22 du manifeste concentre une grande partie des critiques. Le texte affirme que certaines cultures auraient produit des avancées décisives tandis que d’autres resteraient « dysfonctionnelles » ou « rétrogrades ». Cette vision du monde repose sur une lecture fortement hiérarchisée des civilisations et du progrès technique. Le philosophe Mark Coeckelbergh voit dans ce manifeste une forme assumée de « technofascisme ».

L’entreprise-État

À mesure que des entreprises privées deviennent indispensables :

aux infrastructures militaires ;
au renseignement ;
aux systèmes de santé ;
aux administrations publiques ;
aux dispositifs de sécurité ;
aux capacités d’analyse stratégique ;

elles ne se contentent plus de servir l’État. Elles participent directement à l’exercice de la souveraineté. Cette évolution pose une question politique centrale : que devient la démocratie lorsque les mécanismes de décision reposent sur des systèmes opaques développés par des acteurs privés ?

La souveraineté ne disparaît pas. Elle change de nature. Une partie du pouvoir migre progressivement :

des institutions publiques vers les infrastructures techniques ;
du débat politique vers les systèmes de calcul ;
des représentants élus vers les détenteurs des architectures algorithmiques.

Un changement d’époque

Le manifeste de Palantir Technologies ne doit pas être lu comme une simple provocation idéologique. Il marque un moment historique où une partie de la Silicon Valley abandonne définitivement le langage de la neutralité technologique pour assumer ouvertement une logique de puissance. Ce basculement dépasse largement le cas de Palantir.

Il concerne :

la militarisation de l’intelligence artificielle ;
la dépendance des États aux infrastructures privées ;
la privatisation croissante des fonctions régaliennes ;
la concentration du pouvoir informationnel ;
la transformation des démocraties en systèmes gouvernés par la donnée.

Le débat ne porte donc plus uniquement sur la technologie. Il porte désormais sur la forme politique du monde numérique qui se met en place.

Sources

Documents et publications

Articles et enquêtes

Critiques et analyses

La soif des data centers

Sat, 25 Apr 2026 20:13:31 +0200

On parle beaucoup de l’énergie lorsqu’il est question d’intelligence artificielle. C’est logique. Les chiffres sont impressionnants, la consommation électrique des centres de données devient plus perceptible, et les projections inquiètent. Mais un autre élément reste largement dans l’angle mort : l’eau.

Elle est pourtant au cœur du fonctionnement de l’infrastructure numérique. Sans eau, une partie importante des systèmes qui permettent à l’IA d’exister ne pourrait pas fonctionner dans les conditions actuelles.

Sans eau, une partie importante des systèmes qui permettent à l’IA d’exister ne pourrait pas fonctionner dans les conditions actuelles.

Une machine qui doit être refroidie

Un centre de données n’est pas un espace abstrait. C’est un bâtiment rempli de serveurs, organisés en rangées, fonctionnant en continu. Cette activité produit de la chaleur. Beaucoup de chaleur, en permanence. Pour éviter la surchauffe, il faut refroidir.

Deux grandes approches existent. Certaines installations utilisent de l’air refroidi, souvent très énergivore. D’autres utilisent de l’eau, notamment via des systèmes de refroidissement par évaporation. Cette méthode est plus efficace du point de vue énergétique, mais elle repose sur un principe simple : consommer de l’eau pour évacuer la chaleur. Le refroidissement n’est pas un détail technique. C’est l’un des endroits où se révèle la matérialité réelle du numérique.

Réduire le carbone, augmenter la pression sur l’eau

Le choix du refroidissement n’est pas neutre. Les opérateurs arbitrent en permanence entre plusieurs contraintes. Réduire la consommation électrique permet d’améliorer les indicateurs carbone, en particulier le PUE, pour Power Usage Effectiveness, devenu un standard de performance dans le secteur.

Les systèmes de refroidissement par évaporation consomment moins d’électricité que la climatisation classique. Ils permettent donc d’afficher de meilleurs résultats énergétiques. Mais cet avantage a un coût, moins souvent mis en avant. Il se traduit par une consommation d’eau plus importante.

Une partie de l’industrie numérique améliore ainsi son bilan carbone en transférant une part de son impact vers la ressource hydrique. Ce déplacement reste discret, mais il est structurant. On ne supprime pas l’impact. On le déplace.

On ne supprime pas l’impact. On le déplace.

Une eau utilisée… et transformée

Parler de “consommation d’eau” reste imprécis. Il faut distinguer deux réalités.

Le prélèvement : l’eau est puisée dans l’environnement pour refroidir les installations, puis rejetée.
La consommation : l’eau s’évapore dans les systèmes de refroidissement et disparaît du cycle local immédiat.

Même lorsqu’elle est rejetée, l’eau n’est pas toujours rendue à l’identique. Elle peut revenir plus chaude dans le milieu naturel, ce qui perturbe les écosystèmes aquatiques. On parle alors de pollution thermique. Dans les deux cas, l’impact est réel. L’eau n’est pas simplement utilisée. Elle est modifiée, déplacée ou retirée temporairement de son environnement.

Une consommation discrète, mais concrète

Contrairement à l’électricité, la consommation d’eau des centres de données reste difficile à relier directement à un usage. Elle n’apparaît pas sur une facture individuelle, ni comme une ligne identifiable dans nos pratiques quotidiennes. Elle est répartie, diluée, intégrée dans des infrastructures éloignées.

Certains ordres de grandeur permettent pourtant de comprendre l’échelle. Un centre de données de taille moyenne peut consommer jusqu’à environ 110 millions de gallons d’eau par an pour son refroidissement. Les plus grands peuvent atteindre plusieurs millions de gallons par jour. À l’année, cela correspond à la consommation d’une petite ville. Cette réalité reste abstraite pour beaucoup, précisément parce qu’elle est distante des usages.

Des implantations loin d’être neutres

Le choix des lieux d’implantation des centres de données répond à plusieurs contraintes : accès à l’électricité, connectivité, stabilité économique, coût du foncier. L’eau entre aussi dans l’équation.

Dans certains cas, des centres de données sont installés dans des régions déjà soumises à un stress hydrique. Ce n’est pas toujours une contradiction apparente. Certaines zones offrent à la fois une énergie bon marché et des infrastructures existantes, tout en étant fragiles du point de vue de l’eau.

Des tensions locales apparaissent alors. Des projets ont été contestés ou ralentis dans plusieurs pays en raison de leur impact potentiel sur les ressources disponibles. Cette situation introduit une question plus large : qui décide de l’usage de l’eau, et pour quels besoins ?

Une ressource en concurrence

L’eau est déjà sollicitée par de nombreux usages : agriculture, industrie, alimentation en eau potable, production d’énergie. Le numérique s’ajoute à cette liste. Dans certaines situations, cela crée une concurrence silencieuse. Elle ne se traduit pas toujours par des conflits ouverts, mais elle implique des arbitrages. Faut-il mobiliser de l’eau pour refroidir des serveurs destinés à des usages globaux, lorsque cette même ressource est limitée localement ? La question n’est pas uniquement technique. Elle est aussi politique.

Une géographie inégale

L’infrastructure numérique est mondiale, mais ses impacts sont localisés. Les utilisateurs d’un service peuvent se trouver à des milliers de kilomètres des centres de données qui le rendent possible.

Cette dissociation ouvre la voie à des déséquilibres. Certaines régions concentrent les infrastructures, les prélèvements d’eau et les effets environnementaux, tandis que d’autres concentrent les usages et la valeur économique.

Dans certains cas, cela peut s’apparenter à un transfert de pression environnementale vers des territoires moins exposés médiatiquement ou disposant de moins de leviers pour négocier.

Une eau qui doit être traitée

L’eau utilisée dans les centres de données n’est pas toujours utilisée telle quelle. Pour éviter l’entartrage, la corrosion ou la prolifération biologique, elle est souvent traitée avec des produits spécifiques. Cela complexifie sa gestion. L’eau rejetée doit être contrôlée et parfois retraitée avant d’être réintroduite dans l’environnement. Cette dimension chimique est rarement évoquée, mais elle fait partie intégrante du système.

Des alternatives techniques en développement

Face à ces contraintes, plusieurs solutions techniques sont explorées.

Le free cooling consiste à utiliser directement l’air extérieur, notamment dans les régions froides. Il réduit fortement le besoin en eau.
Le refroidissement par immersion plonge les serveurs dans des liquides spécifiques en circuit fermé. Cette approche limite presque entièrement l’usage de l’eau.
La réutilisation de la chaleur fatale permet d’utiliser la chaleur produite par les centres de données pour chauffer des bâtiments, des réseaux urbains ou des serres.

Ces solutions existent, mais elles ne sont pas généralisées. Elles impliquent des contraintes techniques, économiques et géographiques. Elles ne remplacent donc pas la nécessité d’un débat sur l’implantation, les usages et la transparence.

Un cadre encore en construction

La question de la transparence reste centrale. Les données précises sur la consommation d’eau des centres de données sont encore difficiles à obtenir.

En Europe, certaines évolutions réglementaires commencent à imposer davantage de transparence. La directive européenne sur l’efficacité énergétique prévoit notamment des obligations de suivi et de déclaration pour les centres de données, avec des indicateurs liés à leur performance énergétique et à leur empreinte hydrique. Mais les acteurs industriels invoquent souvent le secret commercial pour limiter la diffusion de ces informations. Cette opacité rend le débat plus complexe. Elle empêche une évaluation fine des impacts et des arbitrages.

Replacer l’eau dans le débat

Prendre en compte l’eau ne revient pas à disqualifier l’IA. Il s’agit plutôt de compléter le tableau. L’IA n’est pas seulement une question de calcul ou d’électricité. Elle mobilise des ressources physiques, dont certaines sont déjà sous tension. Regarder cette réalité en face permet de poser des questions plus concrètes :

où sont situées les infrastructures ?
quelles ressources locales mobilisent-elles ?
quels impacts sur les écosystèmes ?
qui décide de ces usages ?
quelles données sont rendues publiques ?

Une matérialité difficile à ignorer

L’image d’un numérique léger reste tenace. Pourtant, chaque couche technologique repose sur une infrastructure matérielle plus dense. L’IA accentue cette tendance. L’eau, comme l’énergie, en est une composante essentielle. Elle circule en arrière-plan, mais elle conditionne le fonctionnement du système. Ce n’est pas un effet secondaire. C’est une contrainte structurelle.

Sources

LAION-5B : la grande collecte invisible

Sat, 18 Apr 2026 10:45:41 +0200

Comprendre l’économie invisible derrière l’intelligence artificielle

Votre dernière photo publiée en ligne, un dessin, une archive oubliée, font-ils partie des milliards d’images utilisées pour entraîner les intelligences artificielles ? La question n’est plus théorique. Elle touche directement à la manière dont nos contenus circulent, sont captés, puis réutilisés sans que nous en ayons toujours connaissance.

Au cœur de cette mécanique, un nom revient souvent : LAION-5B. Cette base de données massive est devenue l’un des socles de l’IA générative. Derrière sa dimension technique, elle révèle une transformation profonde : celle du statut des images, du travail créatif et de la valeur produite à l’ère algorithmique.

Une base de données à l’échelle du web

LAION-5B regroupe environ 5,85 milliards d’images associées à du texte, collectées automatiquement sur Internet. Le principe repose sur le web scraping : des robots parcourent le web, repèrent des images accessibles publiquement, et les relient à leur environnement textuel.

Contrairement à ce que l’on imagine parfois, LAION ne stocke pas directement toutes les images. Le dataset référence surtout des liens, des métadonnées et des associations texte-image. Cela suffit pourtant à constituer une matière première utilisable pour l’entraînement de modèles génératifs.

En pratique, cela permet aux modèles d’apprendre :

des correspondances entre mots et images,
des styles visuels,
des récurrences esthétiques,
des signatures ou des ambiances reconnaissables.

Apprendre à partir de tout

L’IA générative ne produit pas à partir de rien. Elle apprend à partir d’un corpus immense d’images déjà existantes. C’est là que naît la controverse.

Pour certains, il s’agit d’un usage légitime des données disponibles en ligne. Pour d’autres, c’est une forme de captation massive de contenus, parfois décrite comme un vol algorithmique. Le terme est fort, mais il pointe une question centrale : peut-on bâtir une industrie entière sur des œuvres, des images et des traces produites par d’autres, sans information claire, sans négociation, et sans rémunération ?

Ce que dit aujourd’hui le droit

En Europe, le cadre juridique s’est précisé autour du Text and Data Mining (TDM). Ce régime autorise, sous certaines conditions, l’analyse automatisée de contenus accessibles publiquement, sans autorisation préalable des auteurs.

Une décision de justice allemande récente a confirmé que la constitution d’un dataset comme LAION pouvait relever de ce cadre, au moins dans un contexte de recherche. Mais cette validation reste partielle : elle concerne surtout la collecte et ne tranche pas complètement la question des usages commerciaux ou de l’entraînement de modèles ensuite diffusés à grande échelle.

Point de nuance important :

en Europe, on raisonne surtout à partir du TDM,
aux États-Unis, la logique dominante passe plutôt par le fair use,
les deux approches sont très différentes, même si elles sont souvent confondues dans les débats publics.

Le fair use américain fonctionne davantage comme une appréciation au cas par cas. Le TDM européen, lui, relève d’une exception plus encadrée. Cette différence est importante, car une grande partie des contenus sur l’IA viennent du monde anglo-saxon, alors que les règles juridiques ne sont pas les mêmes.

Le consentement devient technique

Un glissement discret, mais décisif, s’est opéré : le consentement n’est plus seulement une question juridique ou morale, il devient une question technique.

Pour refuser l’usage de ses contenus dans certains contextes, il ne suffit plus toujours d’écrire une interdiction dans une page légale ou dans des conditions générales. Il faut désormais, de plus en plus, recourir à des signaux lisibles par des machines.

fichier robots.txt,
balises spécifiques,
métadonnées de type noAI,
mécanismes d’exclusion proposés par certaines plateformes.

Cette évolution crée une asymétrie évidente. Les grandes infrastructures techniques disposent des moyens de collecter à grande vitesse. Les créateurs, eux, doivent apprendre à se défendre dans un langage technique qu’ils ne maîtrisent pas nécessairement.

Peut-on retirer ses données ?

Une fois qu’un modèle a déjà été entraîné, retirer ses données a posteriori reste extrêmement difficile en pratique. Une image intégrée dans un entraînement massif devient largement indissociable de l’ensemble statistique, même si des recherches émergent aujourd’hui sur le “machine unlearning”.

Cela dit, des outils commencent à structurer une forme de contrôle en amont. Des initiatives comme Spawning, avec son service Have I Been Trained ?, permettent aux créateurs de vérifier la présence de leurs images dans certains datasets et de demander leur exclusion pour des usages futurs.

Ce n’est pas une solution complète, et elle repose encore largement sur l’adoption volontaire des acteurs. Mais elle marque l’émergence d’un début d’infrastructure concrète pour les auteurs.

Dataset, modèle, usage : une chaîne éclatée

Pour comprendre le problème, il faut distinguer trois niveaux :

le dataset, c’est-à-dire la collecte initiale ;
le modèle, c’est-à-dire l’entraînement ;
l’usage final, c’est-à-dire le produit, la plateforme ou le service proposé au public.

Cette fragmentation rend les responsabilités plus difficiles à établir. Un dataset peut être présenté comme ouvert et non commercial, puis nourrir indirectement des modèles intégrés ensuite dans des outils commerciaux. La chaîne de valeur existe, mais elle est éclatée, ce qui rend sa lecture moins évidente.

Une économie de l’extraction

Au-delà du droit, LAION-5B révèle une logique plus large : celle de l’extraction. Extraction de données, extraction de valeur, extraction de travail invisible.

Les contenus culturels deviennent des ressources exploitables à grande échelle. Les créateurs produisent les images, les textes, les traces. D’autres captent l’ensemble, l’agrègent, l’optimisent, puis en tirent une valeur économique considérable.

Ce n’est pas seulement une question de technologie. C’est une architecture économique.

Un coût matériel trop souvent invisible

Quand on parle de “grande collecte”, il faut aussi rappeler que cette logique a un coût environnemental. Stocker, indexer, traiter et entraîner sur des milliards de données exige des infrastructures lourdes, des centres de calcul, de l’électricité, du refroidissement, des réseaux et des ressources matérielles.

Cette dimension renforce l’idée d’un modèle extractiviste. Il n’extrait pas seulement des contenus, il mobilise aussi une quantité importante de ressources physiques et énergétiques.

Vers une régulation encore incomplète

Les débats ne portent plus seulement sur la question “est-ce légal ?”. Ils portent désormais sur d’autres enjeux :

la transparence des datasets,
la traçabilité des contenus utilisés,
la possibilité d’exclusion,
la rémunération des auteurs,
la responsabilité des acteurs industriels.

Le débat s’est déplacé. L’infrastructure existe déjà. La vraie question devient donc : quelles règles voulons-nous lui imposer ?

Conclusion

LAION-5B n’est pas une anomalie isolée. C’est un symptôme. Il révèle la manière dont l’économie de l’IA s’est construite : à partir d’une collecte massive, souvent invisible, de contenus produits par d’autres.

Le débat ne se résume pas à un affrontement simple entre innovation et pillage. Il oblige à interroger les règles d’un système déjà en place, ses effets sur les auteurs, ses zones d’ombre juridiques, et son coût matériel. En clair, la question n’est plus seulement de savoir ce que l’IA peut faire. Elle est aussi de savoir sur quoi, sur qui, et à quel prix elle s’est construite.

Sources et ressources

LAION
https://laion.ai
Analyse juridique du cas LAION, ICTRechtswijzer
https://www.ictrechtswijzer.be/en/can-ai-use-your-online-photos-for-training-purposes-without-permission-an-analysis-of-the-laion-ruling/
Résumé de la décision allemande, Bird & Bird
https://www.twobirds.com/en/insights/2025/germany/higher-regional-court-hamburg-confirms-ai-training-was-permitted
Commission européenne, Text and Data Mining
https://digital-strategy.ec.europa.eu/en/policies/text-and-data-mining
Rapport britannique sur copyright et IA
https://www.gov.uk/government/publications/report-and-impact-assessment-on-copyright-and-artificial-intelligence
Spawning, Have I Been Trained?
https://haveibeentrained.com
La Quadrature du Net
https://www.laquadrature.net
CNIL, dossier Intelligence artificielle
https://www.cnil.fr/fr/intelligence-artificielle

Éloge de la valeur aberrante

Wed, 15 Apr 2026 11:12:56 +0200

Créer et Apprendre à l'heure de l'Intelligence Artificielle

Le déploiement des intelligences artificielles (IA) dans nos ateliers et nos salles de cours soulève une question fondamentale : que reste-t-il de l'acte de créer quand une machine peut simuler la maîtrise technique ? Pour y répondre, il faut plonger dans la "cuisine" statistique de ces outils, là où se jouent deux phénomènes contraires : la recherche de la moyenne et l'existence des valeurs aberrantes.

La dictature du milieu : comprendre la moyenne et l'exception

Pour apprendre, une intelligence artificielle analyse des milliards d'images, de textes et de sons. Son objectif est de repérer ce qui revient le plus souvent pour devenir capable de le reproduire. C'est ce qu'on appelle la moyennisation.

Imaginez que vous demandiez à une machine de dessiner une chaise. Elle ne va pas inventer une forme révolutionnaire ; elle va synthétiser les caractéristiques les plus communes, quatre pieds, un dossier, une assise, pour proposer la "chaise idéale" selon la statistique. C'est une forme de lissage de la réalité : l'IA tend naturellement vers le consensus. Elle est, par définition, une machine à produire du conventionnel.

À l'opposé de ce confort statistique se trouve la valeur aberrante. En mathématiques, c'est la donnée qui "cloche", celle qui est tellement éloignée des autres qu'elle semble être une erreur. Si, dans un échantillon, il se trouve une chaise suspendue au plafond ou faite de glace, l'IA aura tendance à l'ignorer pour rester dans la norme. Pourtant, dans l'histoire des arts, ces valeurs aberrantes portent un autre nom : elles sont les ruptures, les avant-gardes, les gestes qui changent notre regard sur le monde.

La maîtrise de la norme : le socle de la transgression

Il serait pourtant réducteur de percevoir la normalisation uniquement comme un frein. Pour l’étudiant en art, comprendre ces processus de "moyennisation" est un atout stratégique majeur. La norme constitue un langage commun, un socle de codes partagés qui permet d'être compris par le public.

Un futur créateur doit apprendre à identifier et analyser ces standards pour deux raisons essentielles. D'une part, on ne peut s'écarter avec justesse d'une règle que si l'on en connaît parfaitement les contours ; l'aberration n'est puissante que lorsqu'elle est un choix conscient et non une ignorance technique. D'autre part, il existe des moments où l'artiste décide volontairement de "rentrer dans le rang" pour répondre à une commande ou jouer avec les attentes de l'audience. Maîtriser la moyenne, c'est posséder la carte du territoire : cela permet de décider quand suivre les sentiers battus et quand s'en écarter.

Cultiver l'anomalie : un nouveau souffle pour l'apprentissage

Dans une école supérieure des arts, l'enjeu pédagogique se déplace. Puisque l'IA est la championne de la norme, l'étudiant doit devenir le gardien de l'exception. L'apprentissage artistique ne consiste plus à atteindre la perfection d'une moyenne, mais à explorer les marges :

Revendiquer l'accident : là où l'IA lisse les défauts, l'étudiant doit apprendre à exploiter l'imprévu, la rature, ce qui déborde du cadre.
Utiliser l'IA comme repoussoir : on peut utiliser la capacité de l'IA à produire du commun pour identifier ce qu'il ne faut pas faire. Si la machine propose une solution immédiate, c'est qu'elle est déjà vue. Comment s'en éloigner ?
Hybrider les erreurs : la créativité naît souvent de la collision entre des mondes qui n'auraient jamais dû se croiser. L'étudiant devient celui qui injecte volontairement de l'atypique dans un système trop ordonné.

Finalement, l'intelligence artificielle nous rend un immense service : en prenant en charge la production du conventionnel, elle nous oblige à redevenir singuliers. Elle nous rappelle que le rôle d'une école d'art n'est pas de former des mains capables de reproduire la moyenne, mais des esprits capables de chérir ce qui, en nous, est irréductiblement "aberrant".

Sources et ressources

Pour ancrer cette réflexion entre statistique et création, voici une sélection de sources qui explorent la tension entre la norme, la moyenne, et la singularité, la valeur aberrante. Ces références croisent philosophie, design, technologie et éducation.

The Age of Average – Alex Murrell
Cet article est devenu une référence incontournable sur le phénomène de moyennisation dans la création contemporaine, architecture, design, cinéma. Murrell y explique comment les algorithmes et la recherche de performance poussent le monde vers une uniformité visuelle.
L'IA, entre technologie intellectuelle et déraison computationnelle – Anne Alombert
Philosophe et membre du Conseil national du numérique, Anne Alombert travaille sur l'impact des technologies sur nos capacités psychiques et créatives. Elle y défend l'idée que l'apprentissage humain passe par l'erreur et l'indéterminé, contrairement à l'IA qui cherche à optimiser.
Le cygne noir : la puissance de l'imprévisible – Nassim Nicholas Taleb
Bien que venant de l'économie, ce livre est une référence majeure sur la valeur aberrante, le "cygne noir". Taleb démontre que notre monde est façonné non pas par la moyenne, mais par des événements rares et imprévisibles que les modèles statistiques échouent systématiquement à capturer.
The Creativity Code – Marcus du Sautoy
Marcus du Sautoy est mathématicien. Dans cet vidéo, il analyse si une IA peut être réellement créative. Il définit la créativité comme la capacité à briser les règles d'un système pour en créer de nouvelles, ce qui rejoint parfaitement l'idée de s'écarter de la norme après l'avoir maîtrisée.
ML4A (Machine Learning for Artists) – Gene Kogan
Gene Kogan est un artiste et programmeur qui enseigne l'IA dans des contextes artistiques. Ses ressources expliquent comment les modèles de type GAN fonctionnent et comment les artistes peuvent hacker ces modèles pour produire des résultats non conventionnels.